一种变后缘翼型非定常压力场的预测方法

摘要: 本发明属于变体飞行器,具体涉及一种变后缘翼型非定常压力场的预测方法、装置、电子设备及计算机可读存储介质。背景技术:1、变后缘翼型相对于传统翼型能够较显著地增大升...
一种变后缘翼型非定常压力场的预测方法

本发明属于变体飞行器,具体涉及一种变后缘翼型非定常压力场的预测方法、装置、电子设备及计算机可读存储介质。

背景技术:

1、变后缘翼型相对于传统翼型能够较显著地增大升力系数、减小阻力系数、提高俯仰力矩系数,是变体飞行器技术中最受关注的研究方向之一。翼型后缘的连续偏转会诱导复杂的非定常流动现象,流场状态随时间和几何边界剧烈变化,这对气动特性的实时预测提出了严峻挑战。随着飞行器设计向智能化与高效化发展,传统计算流体力学方法在计算成本与效率上的局限性日益凸显,难以满足变体飞行器快速气动分析与实时控制的需求。

2、目前变后缘翼型的非定常气动特性获取主要依赖风洞试验和计算流体力学(computational fluid dynamics,cfd)数值模拟。风洞试验成本高、周期长,难以覆盖大量变形工况;计算流体力学方法虽然能够获得较为详细的流场信息,但在非定常变形过程中通常需要动网格技术和长时间推进计算,计算量大,难以满足快速分析和实时预测需求。

3、近年来,深度学习方法逐渐应用于流场预测领域,可在已有数据基础上建立输入参数与流场状态之间的映射关系,从而提高预测效率。然而,现有方法在处理变后缘翼型非定常流场预测问题时仍存在以下不足:

4、第一,通用的视觉变换器模型transformer将流场图像分割为小块图像进行处理,这种分割方式容易破坏近壁面流动的物理结构,特别是边界层法向梯度的完整性,导致预测精度下降。

5、第二,现有方法对动态几何边界的表征能力不足。变后缘翼型在变形过程中几何边界持续变化,如何有效编码动态边界信息并将其融入深度学习模型,是非定常流场预测的关键难题。

6、第三,现有方法在处理流场的时空相关性时,往往难以兼顾全局依赖关系的捕捉与局部物理特征的保留,导致模型在长期预测中的精度和稳定性不足。

7、综上所述,亟需一种能够高效表征动态几何边界、保留流场物理结构完整性、并准确捕捉时空相关性的变后缘翼型非定常压力场预测方法。

技术实现思路

1、本发明的目的是提供一种变后缘翼型非定常压力场的预测方法,以解决现有变后缘翼型非定常流场预测过程中计算成本高、预测效率不足、动态边界表征困难以及近壁面物理结构易被破坏的问题。

2、为了解决上述技术问题,本发明采用以下技术方案:

3、一种变后缘翼型非定常压力场的预测方法,包括如下步骤:

4、步骤一、构建变后缘翼型非定常流场数据集;非定常流场数据集包括变后缘翼型在动态变形过程中多个时间步的流场压力场数据,以及对应于多个时间步的几何边界信息;几何边界信息包括变后缘翼型的翼型角度数据和翼型坐标数据;

5、步骤二、对各时间步中物理空间排布的流场压力场数据进行网格展开处理,转换为规则计算网络排布的流场压力场数据;

6、步骤三、根据各时间步中的几何边界信息,在规则计算网格中对变后缘翼型的几何边界进行符号距离场(signed distance field,sdf)编码,以获得变后缘翼型的符号距离场数据;其中,符号距离场数据用于表征变后缘翼型的几何边界特征;

7、步骤四、汇总各时间步中采用规则计算网络排布的流场压力场数据与符号距离场数据,构成时序输入样本;其中,时序输入样本中各时间步对应的数据依次排布;

8、步骤五、将时序输入样本输入变换器模型transformer的数据切片层,由数据切片层沿规则计算网格对应的流向方向对时序输入样本进行切片处理,以输出流向时序切片序列;

9、步骤六、将流向时序切片序列输入transformer的映射处理层,由映射处理层以各切片为注意力计算单元,基于多头自注意力机制建立已知流场状态与未知流场状态之间的映射关系,以获得下一时间步的预测流场压力场数据;其中,预测流场压力场数据采用规则计算网格排布;

10、步骤七、利用翼型坐标数据,将规则计算网格排布的预测流场压力场数据重新切换为物理空间排布的预测流场压力场数据。

11、在一些实施例中,步骤三包括:

12、根据各时间步中的翼型坐标数据,确定变后缘翼型中的每个位置点与规则计算网格中每个网格点的对应关系;

13、根据各时间步中的翼型角度数据和对应关系,在规则计算网格中对变后缘翼型的几何边界进行符号距离场编码,以获得变后缘翼型的符号距离场数据。

14、在一些实施例中,步骤四包括:

15、将各时间步中采用规则计算网络排布的流场压力场数据与符号距离场数据组合,得到每个时间步对应的数据对;

16、将各时间步对应的数据对按时序顺序排布,构成时序输入样本。

17、在一些实施例中,步骤七包括:

18、根据各时间步中的翼型坐标数据,确定变后缘翼型中的每个位置点与规则计算网格中每个网格点的对应关系;

19、基于对应关系,将规则计算网格排布的预测流场压力场数据插值至变后缘翼型的对应位置点;

20、并变后缘翼型的边界位置点进行约束处理,获得变后缘翼型的预测流场压力场数据。

21、在一些实施例中,符号距离场数据用于指示规则计算网络中任意网格点与变后缘翼型的表面的最短距离。

22、在一些实施例中,方法还包括:通过计算流体力学数值模拟方法,生成非定常流场数据集;其中,非定常流场数据集中至少包括翼型后缘从初始偏转角连续变化至目标偏转角过程中的多个时间步的流场压力场数据。

23、在一些实施例中,方法还包括:采用自回归预测方式,将前k个时间步输出的预测流场压力场数据输入transformer,重新预测下一时间步对应的预测流场压力场数据。

24、一种变后缘翼型非定常压力场的预测装置,包括:

25、构建模块,配置为构建变后缘翼型非定常流场数据集;非定常流场数据集包括变后缘翼型在动态变形过程中多个时间步的流场压力场数据,以及对应于多个时间步的几何边界信息;几何边界信息包括变后缘翼型的翼型角度数据和翼型坐标数据;

26、转换模块,配置为对各时间步中物理空间排布的流场压力场数据进行网格展开处理,转换为规则计算网络排布的流场压力场数据;

27、编码模块,配置为根据各时间步中的几何边界信息,在规则计算网格中对变后缘翼型的几何边界进行符号距离场编码,以获得变后缘翼型的符号距离场数据;其中,符号距离场数据用于表征变后缘翼型的几何边界特征;

28、生成模块,配置为将各时间步中采用规则计算网络排布的流场压力场数据与符号距离场数据共同构成时序输入样本;其中,时序输入样本中各时间步对应的数据依次排布;

29、切片模块,配置为将时序输入样本输入transformer的数据切片层,由数据切片层沿规则计算网格对应的流向方向对时序输入样本进行切片处理,以输出流向时序切片序列;

30、映射模块,配置为将流向时序切片序列输入transformer的映射处理层,由映射处理层以各切片为注意力计算单元,基于多头自注意力机制建立已知流场状态与未知流场状态之间的映射关系,以获得下一时间步的预测流场压力场数据;其中,预测流场压力场数据采用规则计算网格排布;

31、预测模块,配置为利用翼型坐标数据,将规则计算网格排布的预测流场压力场数据重新切换为物理空间排布的预测流场压力场数据。

32、一种电子设备,包括:

33、处理器;

34、用于存储计算机程序或指令的存储器;

35、其中,所述处理器执行所述计算机程序或指令,以实现变后缘翼型非定常压力场预测方法。

36、一种非临时性计算机可读存储介质,所述存储介质存储有计算机程序或指令,当所述存储介质中的计算机程序或指令由处理器执行时,实现变后缘翼型非定常压力场预测方法。

37、与现有技术相比,本发明具有以下技术特点:

38、本发明首先构建包含动态变形过程中多时间步流场压力场数据及对应翼型角度、翼型坐标等几何边界信息的非定常流场数据集;接着将各时间步下物理空间排布的流场压力场数据转换为规则计算网格排布,同时依据几何边界信息在规则计算网格中对变后缘翼型几何边界进行符号距离场编码,以符号距离场数据表征其几何边界特征;之后汇总流场压力场数据与符号距离场数据构成时序输入样本;并将时序输入样本输入transformer的数据切片层,沿流向方向进行切片处理,直至输出流向时序切片序列,再将该流向时序切片序列输入映射处理层,以各切片为注意力计算单元,基于多头自注意力机制建立已知流场状态与未知流场状态之间的映射关系,从而能够获得下一时间步规则计算网格排布的预测流场压力场数据;最后利用翼型坐标数据将规则计算网格排布的预测流场压力场数据重新切换为物理空间排布,最终得到满足多种应用场景需求的流场压力场数据。

39、本发明不仅将变后缘翼型非定常压力场预测建模为时空序列学习过程,还通过引入符号距离场对动态几何边界进行编码,有效解决了变后缘翼型在连续变形过程中几何边界动态变化难以表征的问题。

40、进一步的,不同于现有技术中将图像分割为小块图像的通用视觉transformer方法,本发明沿流向方向对流场进行切片和堆叠,每个切片保留完整的法向流场信息,从而在捕捉全局流场依赖关系的同时有效保留边界层法向梯度的完整性,防止近壁面剧烈梯度变化导致预测误差增加。

41、进一步的,本发明通过transformer架构的多头自注意力机制,能够有效捕捉流场在时间和空间两个维度上的依赖关系,实现高精度的非定常流场演化重构。

42、进一步的,本发明在保证预测精度的前提下,显著降低了非定常流场的获取成本,为变体飞行器的非定常气动特性快速评估及实时主动控制提供了一种高效的预测压力场数据解决方案。