【技术实现步骤摘要】
基于梯度增强随机Co
‑
Kriging模型的非嵌入式不确定性量化方法
[0001]本专利技术属于飞行器的空气动力学设计优化
、
验证或模拟
,具体为一种基于梯度增强
Stochastic Co
‑
Kriging
模型的
NIUQ
方法
。
技术介绍
[0002]随着计算机性能的不断进步以及数值计算方法的持续发展,计算流体力学(
Computational Fluid Dynamics, CFD
)技术现已日趋成熟
。
与传统的实验方法相比,
CFD
方法具有设计成本低
、
周期短
、
通用性好等优点
。
目前,
CFD
技术作为一种基本设计手段和研究方法在航空航天等领域已得到广泛应用
。
然而,由于
CFD
研究中各种不确定性的存在,导致了传统的数值模拟结果无法准确地反映真实的物理响应
。
如果在
CFD
研究中这些不确定性被忽视,极可能引起数值模拟结果严重偏离真实响应,对于工程领域而言或许还会造成致命性的后果
。
[0003]近年来,随着对
CFD
不确定性研究的不断深入,对
CFD
进行不确定性量化(
Uncertainty Quantification, UQ
),研究各随机因素 ...
【技术保护点】
【技术特征摘要】
1.
一种基于梯度增强随机
Co
‑
Kriging
模型的非嵌入式不确定性量化方法,其特征在于,所述方法在实施时至少包括如下步骤:
SS1. 收集飞行器或其气动部件气动计算中得到的已知具有不确定性的样本数据,所述已知具有不确定性的样本数据为在不同输入气动参数下通过
CFD
方法计算得到的在精度和
/
或可靠性上存在不确定性的力系数数据;
SS2. 对步骤
SS1
中所收集的已知具有不确定性的样本数据进行预处理操作,所述预处理操作至少包括去除异常值和
/
或归一化操作,以保证样本数据的可靠性和可比性;
SS3. 基于步骤
SS2
预处理后的样本数据,构建通用
Co
‑
Kriging
模型,且在该通用随机
Co
‑
Kriging
模型中,通过主响应
Y
和
n
p
个辅助响应
W
i
来定义与确定性目标函数及其梯度相关联的随机过程,所述主响应
Y
和辅助响应
W
i
均为由一均值函数
μ
和一协方差函数
Z
来定义的高斯过程
GP
,即:
ꢀꢀ
(1)
其中,
n
p
为正整数,
D
为实数域,
μ0、
μ
i
分别为主响应
Y、
辅助响应
W
i
的均值函数,
Z0、Z
i
分别为主响应
Y、
辅助响应
W
i
的协方差函数,
x
(0)
为输入变量向量,且
μ0、
μ
i
均为未知常数,
Z0的协方差是样本点之间的广义距离的函数,
Z0及所有
Z
i
均为均值为0的稳态高斯随机过程
SS4. 在步骤
SS3
所构建的通用随机
Co
‑
Kriging
模型的基础上,将
n
p
个辅助响应
W
i
改造为对应于主响应
Y
关于输入变量
x
i
梯度的
n
p
个分量,从而建立基于梯度的随机
Co
‑
Kriging
模型,即:
ꢀꢀꢀ
(2)
之后,基于如下表达式(3)
、
(4)分别得到主响应
Y
的均值和方差,并基于如下表达式(5)
、
(6)分别得到各辅助响应
W
i
的均值和方差,即:
ꢀꢀ
(3)
ꢀꢀ
(4)
ꢀꢀ
(5)
ꢀꢀ
(6) SS5. 在步骤
SS4
的基础上,采用如下表达式(7)所示的多项式回归的方式建立均值的通用随机
Co
‑
Kriging
模型,即:
ꢀꢀꢀ
(7)
为了限制表达式
(7)
中所需输入的数量,各辅助响应
W
i
的均值函数
μ
i
均通过对主响应
Y
的均值函数
μ0的微分来获得,如下表达式
(8)
所示:
ꢀꢀ
(8)
表达式(7)
、(8)
中,并且其中,
β
j
为第
j
个主响应分量对应的权重系数,
ƒ
j
为第
j
个主响应分量,
n
t
为主响应分量的个数; SS6. 在步骤
SS5
的基础上,使用主响应
Y
和辅助响应
W
i
的响应的最佳线性无偏预测器(
BLUP
)构成如下表达式(9)所示的基于梯度增强随机
Co
‑
Kriging
模型,即:
ꢀꢀ
(9)
其中,为利用梯度增强随机 Co
‑
Kriging 模型得到的响应预测值,为每一主响应分量对应的权重系数,为每一辅助响应分量对应的权重系数,
n
s
为主响应分量的个数; SS7. 对于表达式
...
【专利技术属性】
技术研发人员:王波,史亚云,霍喻新,吴洋,赵胜丰,袁起航,李权,
申请(专利权)人:中国科学院工程热物理研究所,
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。