【技术实现步骤摘要】
本专利技术涉及cfd不确定度量化，具体是一种流场多维相关响应的不确定度传播模型构建方法。
技术介绍
1、cfd在航空航天、能源动力、交通运输等重要工程领域发挥了日益重要的作用，与此同时cfd的可信度备受关注。然而cfd中存在不可忽视的不确定因素，包括模型、参数、数值求解等，这也导致cfd的可信度存疑。科学合理量化cfd的不确定度，对cfd可信度评价和提升至关重要。
2、现有的cfd不确定度量化方法，如蒙特卡洛类的随机抽样方法、混沌多项式等，随着输入参数维度和展开阶次增加，需要的样本点数据急剧增加，导致“维数灾难”难题，高昂的计算成本也限制了这些方法在实际问题中的应用。近年来，学者们尝试将机器学习算法引入数值仿真不确定度量化领域，使用代理模型替代复杂模拟系统。由于训练数据的规模、数据的质量等都会影响代理模型的精度和效率，为进一步提升代理模型构建的效率和精度，学者们提出了多可信度建模方法。
3、现有的多可信度模型大多只适用于单个输出的情况。但在cfd中，关注的输出不仅包括单个变量，还可能包括随时间或空间变化的流场变量，例如壁面压力系数分布、飞行器的非定常气动力等。不同位置或时刻的流场变量可能存在潜在的相关性，输出的维度可能高达成百上千。而且不同可信度下的输出维度很可能不同，如不同网格尺度下的流场、不同时间步长下的非定常气动力。因此，如何发展适用于多维相关流场响应不确定度传播建模的多可信度模型，仍是亟待解决的难题。
技术实现思路
1、为克服现有技术的不足，本专利技
2、本专利技术解决上述问题所采用的技术方案是：
3、一种流场多维相关响应的不确定度传播模型构建方法，包括以下步骤：
4、s1，获得输入参数空间的训练样本，然后根据获得的训练样本输入，从训练样本输入中选择高可信度样本输入；
5、s2，对所有训练样本输入，获得训练样本输入对应的低可信度输出；对高可信度样本输入，计算获得其对应的高可信度输出；
6、s3，基于所有训练样本构建输入参数和每个基函数系数的co-kriging模型；
7、s4，co-kriging预测模型根据给定的新的输入参数样本还原出完整的流场输出。
8、作为一种优选的技术方案，步骤s1中，采用拉丁超立方抽样方法获得ntrain个训练样本输入。
9、作为一种优选的技术方案，步骤s1中，基于morris–mitchell判据的交换算法从训练样本输入中选择高可信度样本输入，包括以下步骤：
10、s11，从ntrain个训练样本中随机选择nhigh个样本为高精度样本集，计算样本之间的最小距离；
11、s12，从剩余的ntrain-nhigh个样本中依次选择一个样本点，替换高精度样本集中的第一个样本点；
12、s13，保留最小距离最大化的高精度样本集。
13、作为一种优选的技术方案，步骤s2中，使用不同疏密的网格或者不同大小的物理时间步长进行cfd计算获得不同可信度的样本数据。
14、作为一种优选的技术方案，步骤s2中，使用基于kriging模型的插值方法将高可信度样本的输出转化到低可信度输出空间，使得两者维度一致，且对应元素是相同位置或时刻的。
15、作为一种优选的技术方案，步骤s2中，基于kriging模型的插值方法是指对于某一模型参数下的高可信度输出，构建从空间位置x或时间时刻t到流场变量的kriging模型；基于kriging模型，在低可信度输出每个元素对应的空间位置x或时间时刻t预测高可信度流场变量。
16、作为一种优选的技术方案，步骤s3中，将低可信度输出和转化后的高可信度输出组装成联合的训练样本输出快照，对联合的训练样本输出快照进行pod分解，获得正交基函数空间，通过投影得到每个训练样本的基函数系数向量，视为新的样本输出，基于所有训练样本构建模型参数和每个基函数系数的co-kriging模型。
17、作为一种优选的技术方案，步骤s3中，pod分解为：为高维空间中的一组向量张成的空间寻找一组新的基，使得原始向量在这组基的少数维度上的投影尽可能大。
18、作为一种优选的技术方案，步骤s3中，co-kriging模型的表达式为yh(x)＝ρyl(x)+zd(x)；其中，yl(x)表示低可信度样本构建的kriging模型，zd(x)表示高可信度样本与低可信度样本的差值构建的kriging代理模型，ρ为放大因子。
19、作为一种优选的技术方案，步骤s3中，根据给定的新的输入参数，co-kriging预测模型给出对应的高可信度基函数系数，然后根据pod分解的双向表达，还原出完整的流场输出。
20、本专利技术相比于现有技术，具有以下有益效果：
21、本专利技术在高维相关流场的建模问题上，相较于只使用高可信度数据建模的方法在近似相同的样本计算成本下，多可信度建模方法能够结合高、低可信度样本数据，且在效率和精度上的更有优势。
本文档来自技高网...【技术保护点】
1.一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S1中，采用拉丁超立方抽样方法获得ntrain个训练样本输入。
3.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S1中，基于Morris-Mitchell判据的交换算法从训练样本输入中选择高可信度样本输入，包括以下步骤：
4.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S2中，使用不同疏密的网格或者不同大小的物理时间步长进行CFD计算获得不同可信度的样本数据。
5.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S2中，使用基于Kriging模型的插值方法将高可信度样本的输出转化到低可信度输出空间，使得两者维度一致，且对应元素是相同位置或时刻的。
6.根据权利要求5所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S2中，
7.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S3中，将低可信度输出和转化后的高可信度输出组装成联合的训练样本输出快照，对联合的训练样本输出快照进行POD分解，获得正交基函数空间，通过投影得到每个训练样本的基函数系数向量，视为新的样本输出，基于所有训练样本构建模型参数和每个基函数系数的Co-Kriging模型。
8.根据权利要求7所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S3中，POD分解为：为高维空间中的一组向量张成的空间寻找一组新的基，使得原始向量在这组基的少数维度上的投影尽可能大。
9.根据权利要求7所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S3中，Co-Kriging模型的表达式为YH(x)＝ρYL(x)+Zd(x)；其中，YL(x)表示低可信度样本构建的Kriging模型，Zd(x)表示高可信度样本与低可信度样本的差值构建的Kriging代理模型，ρ为放大因子。
10.根据权利要求7至9任一项所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤S3中，根据给定的新的输入参数，Co-Kriging预测模型给出对应的高可信度基函数系数，然后根据POD分解的双向表达，还原出完整的流场输出。
...【技术特征摘要】
1.一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤s1中，采用拉丁超立方抽样方法获得ntrain个训练样本输入。
3.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤s1中，基于morris-mitchell判据的交换算法从训练样本输入中选择高可信度样本输入，包括以下步骤：
4.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤s2中，使用不同疏密的网格或者不同大小的物理时间步长进行cfd计算获得不同可信度的样本数据。
5.根据权利要求1所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤s2中，使用基于kriging模型的插值方法将高可信度样本的输出转化到低可信度输出空间，使得两者维度一致，且对应元素是相同位置或时刻的。
6.根据权利要求5所述的一种流场多维相关响应的不确定度传播模型构建方法，其特征在于，步骤s2中，基于kriging模型的插值方法是指对于某一模型参数下的高可信度输出，构建从空间位置x或时间时刻t到流场变量的kriging模型；基于kriging模型，在低可信度输出每个元素对应的空间位置x或时间时刻t...
【专利技术属性】
技术研发人员：陈江涛，吕罗庚，肖维，赵炜，赵娇，张培红，沈盈盈，胡向鹏，吴晓军，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
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。