【技术实现步骤摘要】
本专利技术涉及水下减阻，尤其涉及一种水下水动力实时预测方法及可变倾角微沟槽减阻结构。
技术介绍
1、在跨国运输中，海运承担着重要的任务。水中航行器的能耗的70％-80％都用于克服接触流体介质间阻力，大大限制了航行器的速度和续航能力。水中的主要阻力因素包括压差阻力、兴波阻力和表面摩擦力。现有技术条件下，压差阻力和兴波阻力在优化航行器的宏观形状结构下得到了大幅的降低，如巨轮的船首球鼻艏结构可减少兴波阻力。而表面摩擦力作为主要阻力因素，常常采用表面微结构减阻的方法减少表面摩擦阻力，但是减阻微结构是固定的，适用工况较小，适应性较差，实际减阻效果不理想。
2、公开号为cn103112547a提供了一种船舶表面的微孔射流减阻结构，其在吃水线以下的船舶表面设置导流槽，并在导流槽上覆盖多孔盖板或者船首网板，达到减小航行阻力的目的。但是导流槽的位置和形状是固定的，迎流表面的夹角是不变的，即对水下阻力的改善是有限的、不可变的，导致其适用范围较小。
3、综上所述，提供一种能对水下的水动力实时预测并相应改善迎流表面的夹角，根据水下水动力实时预测方法及可变倾角微沟槽减阻结构，最大程度降低了航行器的减阻能耗，是非常必要的。
技术实现思路
1、有鉴于此，本专利技术提出了一种根据水下水动力实时状况预测后续时刻的水动力实时状况的预测方法及可变倾角微沟槽减阻结构。
2、本专利技术的技术方案是这样实现的：一方面，本专利技术提供了一种水下水动力实时预测方法，包括如下步骤：
4、s2：获取水下航行器流场仿真数据，并构建数据集；
5、s3：利用数据集，对步骤s1构建的所述cnn-lstm算法框架进行训练；
6、s4：将完成训练并满足预期的cnn-lstm算法框架，装配在水下航行器的信息处理单元中，用于预测水下航行器前方流场，并解析得到前方流场对水下航行器产生的相对作用。
7、在以上技术方案的基础上，优选的，步骤s1所述构建水下流场的预测的cnn-lstm算法框架，包括顺次设置的cnn模块和lstm模块；cnn模块用于对图像进行特征提取和分类输出，lstm模块进一步将cnn模块分类输出的特征进行预测。
8、优选的，所述cnn模块包括三个顺次设置的卷积层单元、两个批归一化单元、随机失活单元和压平层；
9、三个卷积层单元均包括顺次设置的卷积层和relu层；卷积层用于图像的特征提取；relu层引入非线性激活函数，防止卷积层单元发生过拟合；
10、批归一化单元设置在相邻的两个卷积层单元之间，用于将上一级卷积层单元的输出进行非线性特征分布趋同的优化，加速神经网络的训练收敛速度；
11、随机失活单元设置在最后一层卷积层单元的输出端，用于缓解卷积层单元的过拟合；
12、压平层设置在随机失活单元的输出端，压平层内的每一个神经元均与上一层的随机失活单元的神经元一一对应连接，用于将三个卷积层单元分类的特征进行一维输出。
13、优选的，所述lstm模块包括顺次设置的第一lstm层和第二lstm层；第一lstm层分别与压平层和第二lstm层连接；第一lstm层用于提取cnn模块输出的一维输出中的时间序列；第二lstm层用于预测输出一个或者多个时间序列。
14、优选的，步骤s2所述获取水下航行器流场仿真数据，并构建数据集，是根据动力学原理分析水下航行器流场仿真数据，获得按时间顺序的水动力结果图像，将三个连续时刻的水动力结果图像作为一个顺序单元，将仿真数据中所获得的所有顺序单元构建数据集。
15、优选的，步骤s3所述利用数据集，对步骤s1构建的所述cnn-lstm算法框架进行训练，是将数据集分为训练集和验证集，训练集用于训练cnn-lstm算法框架，验证集用于验证训练后的cnn-lstm算法框架是否满足要求；将每个顺序单元中的前两个连续时刻i和i+1对应的时间序列φ(i)和φ(i+1)作为输入序列，将该顺序单元中的第三个时刻i+2对应的时间序列φ(i+2)用于验证输出结果；通过输入时间序列φ(i)和φ(i+1)，由cnn-lstm算法框架输出预测时间序列，并将预测时间序列与第三个时刻i+2对应的时间序列φ(i+2)进行对比，根据对比结果调整cnn-lstm算法框架的权重，通过训练后，输出最优的参数结果。
16、进一步优选的，所述将预测时间序列与第三个时刻i+2对应的时间序列φ(i+2)进行对比，是以采用均方误差作为损失函数，当损失函数取值最小时，认为cnn-lstm算法框架已训练达到最优。
17、另一方面，本专利技术还提供了一种可变倾角微沟槽减阻结构，设置在水下航行器的迎流面，包括直线驱动单元、铰接形变单元和微槽减阻单元；铰接形变单元包括若干第一连接板和若干第二连接板，若干第一连接板和若干第二连接板相互交错设置且铰连接；位于起始端的第一连接板和第二连接板之间设置有直线驱动单元，各第一连接板和第二连接板的铰接部还与微槽减阻单元的不同位置的表面铰连接；所述直线驱动单元的控制器内置了cnn-lstm算法框架，cnn-lstm算法框架采用了上述的水下水动力实时预测方法进行预测，cnn-lstm算法框架的输出预测使直线驱动单元的轴向长度发生改变，调节起始端的第一连接板和第二连接板之间的间距。
18、优选的，所述微槽减阻单元包括若干顺次连接的折板，相邻折板的端部铰连接设置，第一连接板和第二连接板端部的铰接点处也对应设置有直线驱动单元，第一连接板和第二连接板端部的铰接点处的直线驱动单元与伸缩杆的一端固定连接，伸缩杆的另一端朝着远离第一连接板和第二连接板端部的铰接点处的直线驱动单元的方向向外伸出，伸缩杆远离直线驱动单元的一端设置有滑块；各折板的边缘分别与至少两个滑块铰连接，相邻的折板之间的角度或者间距可调节，使得可变倾角微沟槽减阻结构对水体的阻力发生变化。
19、本专利技术提供的一种水下水动力实时预测方法及可变倾角微沟槽减阻结构，相对于现有技术，具有以下有益效果：
20、(1)本申请将事先构建的cnn-lstm算法框架应用于水下水动力实时预测，使得水下航行器可以提前预测前方的流场信息，航行器可以适配最佳的运动状态；cnn-lstm算法框架的预测结果比较可靠；
21、(2)本申请的算法架构预置在直线驱动单元内，通过交变输出，使直线驱动单元发生形变，从而改变微槽减阻单元的各折板形成的沟槽的角度，实现微槽减阻单元的姿态的微调，最大程度降低水下阻力对航行器的影响。
本文档来自技高网...【技术保护点】
1.一种水下水动力实时预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种水下水动力实时预测方法，其特征在于，步骤S1所述构建水下流场的预测的CNN-LSTM算法框架，包括顺次设置的CNN模块和LSTM模块；CNN模块用于对图像进行特征提取和分类输出，LSTM模块进一步将CNN模块分类输出的特征进行预测。
3.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，所述CNN模块包括三个顺次设置的卷积层单元、两个批归一化单元、随机失活单元和压平层；
4.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，所述LSTM模块包括顺次设置的第一LSTM层和第二LSTM层；第一LSTM层分别与压平层和第二LSTM层连接；第一LSTM层用于提取CNN模块输出的一维输出中的时间序列；第二LSTM层用于预测输出一个或者多个时间序列。
5.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，步骤S2所述获取水下航行器流场仿真数据，并构建数据集，是根据动力学原理分析水下航行器流场仿真数据，获得按时间顺序的水动力结果图
6.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，步骤S3所述利用数据集，对步骤S1构建的所述CNN-LSTM算法框架进行训练，是将数据集分为训练集和验证集，训练集用于训练CNN-LSTM算法框架，验证集用于验证训练后的CNN-LSTM算法框架是否满足要求；将每个顺序单元中的前两个连续时刻i和i+1对应的时间序列Φ(i)和Φ(i+1)作为输入序列，将该顺序单元中的第三个时刻i+2对应的时间序列Φ(i+2)用于验证输出结果；通过输入时间序列Φ(i)和Φ(i+1)，由CNN-LSTM算法框架输出预测时间序列，并将预测时间序列与第三个时刻i+2对应的时间序列Φ(i+2)进行对比，根据对比结果调整CNN-LSTM算法框架的权重，通过训练后，输出最优的参数结果。
7.根据权利要求6所述的一种水下水动力实时预测方法，其特征在于，所述将预测时间序列与第三个时刻i+2对应的时间序列Φ(i+2)进行对比，是以采用均方误差作为损失函数，当损失函数取值最小时，认为CNN-LSTM算法框架已训练达到最优。
8.一种可变倾角微沟槽减阻结构，设置在水下航行器的迎流面，包括直线驱动单元(2)、铰接形变单元(3)和微槽减阻单元(1)；铰接形变单元(3)包括若干第一连接板和若干第二连接板，若干第一连接板和若干第二连接板相互交错设置且铰连接；位于起始端的第一连接板和第二连接板之间设置有直线驱动单元(2)，各第一连接板和第二连接板的铰接部还与微槽减阻单元(1)的不同位置的表面铰连接；其特征在于，所述直线驱动单元(2)的控制器内置了CNN-LSTM算法框架，CNN-LSTM算法框架采用了权利要求1-7任一项所述的水下水动力实时预测方法进行预测，CNN-LSTM算法框架的输出预测使直线驱动单元(2)的轴向长度发生改变，调节起始端的第一连接板和第二连接板之间的间距。
9.根据权利要求8所述的一种可变倾角微沟槽减阻结构，其特征在于，所述微槽减阻单元(1)包括若干顺次连接的折板，相邻折板的端部铰连接设置，第一连接板和第二连接板端部的铰接点(41)处也对应设置有直线驱动单元(2)，第一连接板和第二连接板端部的铰接点(41)处的直线驱动单元(2)与伸缩杆(42)的一端固定连接，伸缩杆(42)的另一端朝着远离第一连接板和第二连接板端部的铰接点(41)处的直线驱动单元(2)的方向向外伸出，伸缩杆(42)远离直线驱动单元(2)的一端设置有滑块(43)；各折板的边缘分别与至少两个滑块(43)铰连接，相邻的折板之间的角度或者间距可调节，使得可变倾角微沟槽减阻结构对水体的阻力发生变化。
...【技术特征摘要】
1.一种水下水动力实时预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种水下水动力实时预测方法，其特征在于，步骤s1所述构建水下流场的预测的cnn-lstm算法框架，包括顺次设置的cnn模块和lstm模块；cnn模块用于对图像进行特征提取和分类输出，lstm模块进一步将cnn模块分类输出的特征进行预测。
3.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，所述cnn模块包括三个顺次设置的卷积层单元、两个批归一化单元、随机失活单元和压平层；
4.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，所述lstm模块包括顺次设置的第一lstm层和第二lstm层；第一lstm层分别与压平层和第二lstm层连接；第一lstm层用于提取cnn模块输出的一维输出中的时间序列；第二lstm层用于预测输出一个或者多个时间序列。
5.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，步骤s2所述获取水下航行器流场仿真数据，并构建数据集，是根据动力学原理分析水下航行器流场仿真数据，获得按时间顺序的水动力结果图像，将三个连续时刻的水动力结果图像作为一个顺序单元，将仿真数据中所获得的所有顺序单元构建数据集。
6.根据权利要求2所述的一种水下水动力实时预测方法，其特征在于，步骤s3所述利用数据集，对步骤s1构建的所述cnn-lstm算法框架进行训练，是将数据集分为训练集和验证集，训练集用于训练cnn-lstm算法框架，验证集用于验证训练后的cnn-lstm算法框架是否满足要求；将每个顺序单元中的前两个连续时刻i和i+1对应的时间序列φ(i)和φ(i+1)作为输入序列，将该顺序单元中的第三个时刻i+2对应的时间序列φ(i+2)用于验证输出结果；通过输入时间序列φ(i)和φ(i+1)，由cnn-lstm算法框架输出预测时间序列，并将预测时间序列与第三个时刻i...
【专利技术属性】
技术研发人员：徐子祁，吴涛，沙彬彬，俞哲，吴刚，李想，张宇昂，
申请(专利权)人：中国船舶集团有限公司第七一九研究所，
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。