一种基于深度神经网络的灭火弹温度场模拟方法技术

本发明专利技术一种基于深度神经网络的灭火弹温度场模拟方法，包括：S1：获取灭火弹的形状特性、材料结构；S2：根据灭火弹的形状、材料与结构情况进行网格划分；S3：基于N

【技术实现步骤摘要】
一种基于深度神经网络的灭火弹温度场模拟方法


[0001]本专利技术涉及灭火弹温度场仿真
，尤其涉及一种基于深度神经网络的灭火弹温度场模拟方法。

技术介绍

[0002]机载精准制导灭火弹具有灵活高速，精准高效的灭火能力，对于预防扑救森林、山地等区域的火灾具有重要意义。为了保证灭火弹的灭火精度，在灭火弹中往往装配有控制芯片等较为脆弱的设备，而在灭火弹飞行过程中，随着高度增加，气温骤降，温度降到一定的程度，对控制芯片、各硬件的要求就更高，也会极大影响灭火弹的灭火效果，因此需要对灭火弹的温度场进行模拟仿真，以研究在不同参数条件下灭火弹温度场的分布情况，提高灭火弹的性能和精度。然而，现有对于灭火弹的温度场仿真的研究较少，无法充分分析不同参数以及不同气动环境下灭火弹的温度场变化情况。

技术实现思路

[0003]有鉴于此，本专利技术提供一种基于深度神经网络的灭火弹温度场模拟方法，目的在于充分利用可获取的监测数据，利用深度学习技术，实现对不同参数与灭火弹温度场映射关系的描述，并结合空气动力学和热力学规律，对温度场的分布进行模拟。
[0004]实现上述目的，本专利技术提供的一种基于深度神经网络的灭火弹温度场模拟方法，包括以下步骤：S1：获取灭火弹的形状特性、材料结构及工况变量；S2：根据灭火弹的形状、材料与结构情况进行网格划分；S3：基于N
‑
S方程和牛顿热流公式建立多场耦合的传热数学模型；S4：获取灭火弹的相关参数，包括：飞行高度、飞行速度和飞行攻角等；S5：收集多次载弹飞行后的监测数据，建立灭火弹温度场的样本数据集；S6：构建深度神经网络模型，根据训练集中数据进行训练，建立参数
‑
外表温度场映射关系；S7：根据S3中的传热模型对灭火弹内部温度场进行模拟计算，推导内部不同区域的温度分布情况。
[0005]在以上技术方案的基础上，优选的，步骤S2中根据灭火弹的形状、材料与结构情况进行网格划分的具体流程如下：S21：根据S1中获取的灭火弹的形状特性建立灭火弹三维模型和三维直角坐标系分别有x，y，z坐标轴，并根据材料结构和传热特性进行分层建模；S22：根据三维模型的整体外径，将整个区域划分为若干个子区域，对每个子区域分别进行网格划分；S23：设置网格的入口边界、出口边界和壁面边界条件；入口的边界条件设置为自由无穷远边界条件；出口边界变量数值由内部流动的计算结果确定，采用零梯度外推；壁面
边界采用等温无滑移壁面物理条件，即设初始壁面条件，温度T=T
wall
，（为壁面温度），法向压力梯度为，其中分别为壁面外空气在轴方向上的速度分量。
[0006]优选的，步骤S3基于N
‑
S方程和牛顿热流公式建立多场耦合的传热数学模型，包括：S31：构建三维N
‑
S方程微分形式，其中，为流体的守恒变量向量， E，F，G分别为方向上的流通量向量，分别为方向上的粘性通量向量；令是单位体积流量总能，为比热比，为流体的压力，是空气密度，，则各个流通量方程形式为：；令普朗特数为，定压热容为，为粘性系数，根据Sutherland 公式计算，为一个大气压下、0℃时的空气粘性系数，，是空气密度，导热系数，则各个粘性通量方程形式为：；；；其中，表示向量转置，为：；；；其中，为偏微分符号。
[0007]S32：构建边界层牛顿热流公式，计算在飞行过程中，灭火弹边界层对流传热产生的热量。令对流换热系数为，恢复温度为，壁面温度为，来流温度为，恢
复因子，则：；其中， 为马赫数，为流体的声速。
[0008]S33：根据灭火弹传热过程规律建立灭火弹三维传热的数值模拟模型，并根据灭火弹不同传热材料，令不同材料密度为，不同材料的比热为，径向方向为，灭火弹半径为，则在圆柱坐标系下分别建立不同热传导方程：。
[0009]优选的，步骤S6构建深度神经网络模型，根据训练集中数据进行训练，建立参数
‑
外表温度场映射关系，其具体过程为：S61：构建深度神经网络模型；其中为在坐标轴上的位置，为灭火弹飞行速度，为飞行攻角，为模型参数，为深度神经网络的模型结构；S62：根据步骤S4和S5的所构建的数据集，划分训练数据和测试数据，训练构建的深度神经网络模型，给定训练数据集和测试集；S63：将训练数据集中的所有数据分为份，在每一轮中，将其中一份作为验证集，其他作为训练集，来进行训练和验证，并遍历每一份。将训练参数和验证参数输入到深度神经网络模型当中，得到训练预测温度和验证预测温度。
[0010]S64：以均方根误差MSE为损失函数计算最优模型参数：；其中，，为样本数。
[0011]S65：根据S64得到最优的模型参数后，利用测试数据集验证最优的神经网络模型以拟合灭火弹空间坐标、飞行高度、飞行速度等参数与温度场的映射关系，获取最终基于深度神经网络的温度场预测模型。
[0012]优选的，步骤S61构建的深度神经网络模型是一个长短时记忆神经网络，通过引入门控机制来控制特征的流通和损失。这种网络结构由一系列单元组成，每个结构都包括了输入门，输出门，隐藏层和遗忘门。对于任意时刻而言，其中，输入门的值为，式中为时刻的输入数据，为上一时刻的隐藏层数据，和为输入门中的学习参数，为时刻的短期记忆值，
，式中和为单元状态的学习参数；遗忘门的值为：，和为遗忘门中的学习参数；输出门的值为，和为输出门中的学习参数；隐藏层的值为，其中，为单元状态值，为sigmoid激活函数，为双曲正切激活函数。
[0013]本专利技术提供的一种基于深度神经网络的灭火弹温度场模拟方法，相对于现有技术，具有以下有益效果：（1）本方案基于深度神经网络模型和历史监测数据，可以获得温度场，能够对不同场景下的灭火弹内外温度场分布情况进行准确快速预测；（2）本方案通过建立流体模型和热力学模型，能够实现灭火弹内不同材质之间的热传导模拟；（3）本方案具有预测效率、预测准确性高的优点，能够缩短灭火弹温度场分层特性和温度场分布的研究周期，为后续灭火弹温度调节以及对控制系统进行精准温度补偿做铺垫。
附图说明
[0014]图1为本专利技术一种基于深度神经网络的灭火弹温度场模拟方法的流程示意图；图2为本专利技术一种基于深度神经网络的灭火弹温度场模拟方法的一种机载精准制导灭火弹结构示意图；图3为本专利技术一种基于深度神经网络的灭火弹温度场模拟方法的电子设备的结构示意图。
[0015]附图标记：1、导引头舱；2、灭火舱；3、制导舱。
具体实施方式
[0016]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0017]本申请实施例提供一种基于深度神经网络的灭火弹温度场模拟方法。所述一种基于深度神经网络的灭火弹温度场模拟方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于深度神经网络的灭火弹温度场模拟方法可以由安装在终端设备或服务端设备的软件或硬件来执。所述服务端包括但不限于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的灭火弹温度场模拟方法，其特征在于，所述方法包括：S1：获取灭火弹的形状特性、材料、结构；S2：根据灭火弹的形状、材料、结构情况进行网格划分；S3：基于N
‑
S方程和牛顿热流公式建立多场耦合的传热数学模型；S4：获取灭火弹的相关参数，包括：飞行高度、飞行速度和飞行攻角；S5：收集多次载弹飞行后的监测数据，建立灭火弹温度场的样本数据集；S6：构建深度神经网络模型，根据训练集中数据进行训练，建立参数
‑
外表温度场映射关系；S7：根据步骤S3中的传热模型对灭火弹内部温度场进行模拟计算，推导内部不同区域的温度分布情况。2.如权利要求1所述的基于深度神经网络的灭火弹温度场模拟方法，其特征在于，所述S2步骤中根据灭火弹的形状、材料与结构情况进行网格划分的具体流程如下：S21：根据S1中获取的灭火弹的形状特性建立灭火弹三维模型和三维直角坐标系分别有x，y，z坐标轴，并根据材料结构和传热特性进行分层建模；S22：根据三维模型的整体外径，将整个区域划分为若干个子区域，对每个子区域分别进行网格划分；S23：设置网格的入口边界、出口边界和壁面边界条件；入口的边界条件设置为自由无穷远边界条件；出口边界变量数值由内部流动的计算结果确定，采用零梯度外推；壁面边界采用等温无滑移壁面物理条件，设初始壁面条件，温度T=T
wall
，T
wall
为壁面温度，法向压力梯度为，其中分别为壁面外空气在轴方向上的速度分量。3.如权利要求2所述的基于深度神经网络的灭火弹温度场模拟方法，其特征在于，所述步骤S3基于N
‑
S方程和牛顿热流公式建立多场耦合的传热数学模型，包括：S31：构建三维N
‑
S方程微分形式，其中，为流体的守恒变量向量， E，F，G分别为方向上的流通量向量，分别为方向上的粘性通量向量；令是单位体积流量总能，为比热比，为流体的压力，是空气密度，，则各个流通量方程形式为：；令普朗特数为，定压热容为，为粘性系数，根据Sutherland 公式计算，为一个大气压下、0℃时的空气粘性系数，，导热系数，则各个粘性通量方程形式为：
；；；其中...

【专利技术属性】
技术研发人员：王贺，戴宏亮，张巧，王国杰，陈振教，樊富友，肖玉亮，
申请(专利权)人：湖南光华防务科技集团有限公司，
类型：发明
国别省市：