【技术实现步骤摘要】
一种可解释深度学习的超声速燃烧室流场重构方法
[0001]本专利技术涉及超声速燃烧室流场重构
，具体涉及一种可解释深度学习的超声速燃烧室流场重构方法。
技术介绍
[0002]高超声速飞行器具有突防成功率高、生存能力强等优点，是实现全球范围内快速远程民用运输、可突防远程快速打击以及近地轨道空间运输等重要载体。超燃冲压发动机作为其重要的推进装置，其内部的气流为超声速气流或高亚声速气流，气流速度高，气流驻留时间短，燃烧室的燃烧组织涉及燃油喷注、雾化、蒸发、掺混和湍流燃烧等复杂的物理化学过程，为了能在复杂的流动燃烧环境下高效稳定工作，必须要对发动机进行监测诊断。然而，地面风洞试验成本高且受限于现有传感器精度无法覆盖所有状态。因此，计算流体力学成为超燃冲压发动机优化设计的重要工具。尽管计算流体动力学技术大大降低了流体动力学分析的难度和设计成本，但是具有复杂动态系统的工程应用仍然需要超级计算机长时间运行，计算成本极高，制约了先进发动机的研制速度。
[0003]得益于人工智能的飞速发展当前被广泛用于计算流体力学领域。利用深度...
【技术保护点】
【技术特征摘要】
1.一种可解释深度学习的超声速燃烧室流场重构方法，其特征在于，所述可解释深度学习的超声速燃烧室流场重构方法包括：S1：利用地面风洞试验及CFD数值模拟软件，构建不同来流条件下的燃烧室构型的流场数据集；S2、对所述流场数据集进行数据预处理操作，得到预处理后的流场数据集；S3、将所述预处理后的流场数据集打乱并按比例切分为训练集和测试集；S4、利用所述训练集对超声速燃烧室流场重构模型进行训练，得到训练好的模型和训练权重；S5、根据所述测试集，将所述训练权重和所述训练好的模型嵌入至FPGA平台，得到超声速燃烧室流场重构结果。2.根据权利要求1所述的可解释深度学习的超声速燃烧室流场重构方法，其特征在于，所述流场数据集包括燃烧室上下壁面等间距布置的多个压力传感器所获取到的压力场；利用矢量速度传感器获取到的各个方向的速度场；以及利用高速纹影相机在燃烧室侧壁面的观测窗口获取到的密度场。3.根据权利要求2所述的可解释深度学习的超声速燃烧室流场重构方法，其特征在于，所述S2包括：S21：获取流场边界网格点的时间坐标和空间坐标；S22：利用拉丁超立方采样的方式获取流场边界内残差点的时间坐标和空间坐标；其中，所述残差点的数量与所述流场边界网格点的数量为1:1；S23：获取流场边界及边界区域内的流场的时间坐标和空间坐标；S24：对每对样本数据进行时间坐标和空间坐标对齐；得到对齐后的样本数据；每对样本数据包含同一时刻下的边界网格点、残差点，以及边界及边界区域内的流场，其中同一时刻下的边界网格点和残差点作为输入，边界及边界区域内的流场作为输出；S25：对各所述对齐后的样本数据分别进行标准化处理，得到预处理后的流场数据集。4.根据权利要求1所述的可解释深度学习的超声速燃烧室流场重构方法，其特征在于，所述S4中，所述超声速燃烧室流场重构模型包括卷积神经网络部分；所述卷积神经网络部分包括依次设置的输入层、第一全连接层、维度变换模块、第一卷积层、残差模块、第五卷积层、感受野模块RFB1、第六卷积层、第七卷积层、第三激活函数、第三归一化层、第八卷积层、第四归一化层和第九卷积层，以及感受野模块RFB2、特征融合层、第二全连接层和输出层；所述残差模块包括依次设置的第二卷积层、第一激活函数、第一归一化层、第三卷积层、第二激活函数、第二归一化层和第四卷积层；所述第一卷积层的输出结果与所述第二归一化层的输出结果融合后作为所述第四卷积层的输入，所述第四卷积层的输出结果和所述第一卷积层的输出结果融合后作为所述第五卷积层的输入，所述第一卷积层的输出结果还同时作为所述第二卷积层的输入和所述感受野模块RFB2的输入；所述第五卷积层的输出结果同时作为所述感受野模块RFB1的输入和所述特征融合层的输入，所述第六卷积层的输出结果和所述第四归一化层的输出结果融合后作为所述第九
卷积层的输入，所述第九卷积层的输出结果和所述感受野模块RFB2的输出结果同时作为所述特征融合层的输入...
【专利技术属性】
技术研发人员：邓雪，郭明明，田野，张华，高云志，童书鸿，梁爽，陈尔达，马跃，杨茂桃，钟志文，乐嘉陵，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。