一种高超声速飞行器气动热预测方法、设备及介质

本发明属于航空航天飞行器热防护设计及人工智能交叉，具体涉及一种高超声速飞行器气动热预测方法、设备及介质。

背景技术：

1、在高超声速飞行器的研发过程中，准确地预测其在实际飞行轨迹中的气动加热情况，是进行热防护系统（tps）精细化设计的关键前提。高超声速飞行期间，飞行器前端和前缘附近的激波压缩较明显，黏性耗散较强，会产生较高的热载荷。流体的动能转化为内能，在表面附近产生高温边界层，热量主要通过对流和黏性扩散传递到飞行器表面。

2、目前，主要的气动热预测方法存在以下局限性：第一，传统计算流体力学（cfd）方法可以提供详细的流场和温度场信息，但当应用于跨越整个任务剖面或全生命周期的复杂飞行器构型时，面临计算成本较高、耗时较长的问题。这使其在涉及多飞行工况的迭代设计优化、实时评估或不确定性量化中受到限制。第二，传统的风洞实验与半经验公式（如fay-riddell相关性和基于焓的近似值）虽然提供了工程方法，但其实验成本较高，测量覆盖范围稀疏，且在复杂流场区域的预测精度下降。第三，近年来引入的纯数据驱动代理模型虽然具有较高的计算效率，但它们往往难以保持物理一致性，并且往往难以泛化到其预定义训练域之外的未知构型。第四，部分结合了物理约束的网络或专门针对不规则数据设计的图网络，在处理空气动力学加热预测时，仍需要较多时间进行人工特征工程设计和先验特征选择（如估算边界层边缘特征）。这种对显式几何特征提取的依赖降低了建模效率，限制了模型在实际应用中的加速能力。因此，需要开发一种高效的建模框架，既能保持潜在控制方程所表征的物理规律，又能实现跨多种空气动力学构型的泛化，在保持计算效率的同时提高预测精度和物理可解释性。

技术实现思路

1、为了克服上述现有技术的缺点，针对现有技术中气动热预测方法在计算效率、泛化能力及物理一致性难以兼顾的问题，本发明的目的在于提供一种高超声速飞行器气动热预测方法、计算机设备及存储介质，旨在构建一个端到端的神经算子预测模型，预测复杂高超声速飞行器在实际飞行轨迹下的表面热流密度分布，适用于高超声速复杂外形飞行器表面气动热流密度分布的快速预测，并有助于提高预测结果的物理一致性。

2、为了实现上述目的，本发明采用的技术方案是：

3、第一方面，提供一种高超声速飞行器气动热预测方法，包括以下步骤：

4、步骤1，获取待预测飞行器表面的多模态输入数据，所述多模态输入数据包括三维空间坐标r= (

x,

y,

z)以及与该空间坐标关联的飞行状态参数

f(r)，所述飞行状态参数至少包括马赫数、飞行高度和迎角；

5、步骤2，对所述多模态输入数据进行预处理与特征编码，具体为：将所述三维空间坐标通过多个对数间隔的频率带进行傅里叶编码，从而将低维坐标特征映射为高维位置嵌入信息，以增强模型对空间高频细节的感知能力；示例地，所述三维空间坐标的傅里叶编码过程采用6个对数间隔的频率带进行高维位置特征提取；

6、步骤3，将所述高维位置嵌入信息与所述飞行状态参数

f(r)拼接后，输入非线性多层感知机预处理器投影至隐藏维度，并广播可学习的全局偏置向量以注入全局上下文信息；

7、步骤4，利用自适应融合模块对局部信息和全局信息进行特征增强与融合，将增强后的多模态特征输入至包含多个物理尺度块的编码器中，在不同分辨率下对表面空间节点进行多尺度聚类以捕获复杂的流场特征；

8、步骤5，将所述编码器输出的多尺度流场特征输入至解码器，依次通过层归一化、物理感知注意力机制和多层感知机操作进行逐步细化处理；

9、步骤6，通过输出投影模块，将解码后的隐藏表示映射为飞行器表面的全场热流密度分布，以获得气动热预测结果。

10、第二方面，提供一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的高超声速飞行器气动热预测方法的步骤。

11、第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的高超声速飞行器气动热预测方法的步骤。

12、与现有技术相比，本发明的有益效果是：

13、1)端到端预测与计算效率提升。

14、本发明构建了一个端到端的神经算子架构，减少了传统方法对人工网格剖分和人工先验特征提取的依赖。模型学习从飞行参数（马赫数、高度、迎角）及几何特征到全场热流密度的非线性映射，能够降低相对于高保真cfd模拟的计算耗时，支持较快的流场评估，适用于快速气动热设计优化和基于轨迹的风险评估。

15、2)泛化能力与预测精度。

16、通过多尺度几何编码和自适应融合机制，本发明可兼顾局部大梯度流动特征与梯度空间分布。在钝锥、双锥、双椭球和升力体等四种代表性构型上，平均相对误差分别为1.13%、1.00%、0.97%和0.47%。在传统的神经网络容易产生剧烈振荡和相位偏移的驻点及前缘区域，本发明的相对误差可保持在1%以内，接近计算流体力学基准的精度。

17、3)物理一致性与可解释性。

18、物理系统固有地表现出多尺度特性，本发明引入了多尺度物理感知注意力机制来同时捕获跨多个尺度的相互作用。通过对潜在表示进行多尺度聚类和自适应融合局部与全局注意力，模型将网络注意力分布与cfd样本气动特征分布对齐，对激波压缩较明显、黏性耗散较强且物理相关性较高的区域赋予相对较高的表征权重，有助于使预测结果符合三维非定常可压缩纳维-斯托克斯方程及傅里叶热传导定律所表征的物理机制。

1.一种高超声速飞行器气动热预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在步骤2中，所述三维空间坐标的傅里叶编码过程采用6个对数间隔的频率带进行高维位置特征提取。

3.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在步骤3中，广播可学习的全局偏置向量以注入全局上下文信息，实现方法如下：

4.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在步骤4中，自适应融合模块为包含可学习权重的特征加权网络，所述局部信息来自于傅里叶编码后的空间特征和当前的飞行参数，所述全局信息来自于广播的全局偏置向量。

5.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在步骤4中，所述物理尺度块包括预归一化处理、物理感知注意力模块和前馈多层感知机，且在每次操作后应用残差连接；所述多尺度聚类的分辨率预设为16、32和64；

6.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在步骤6中，所述输出投影模块包含层归一化和线性变换单元；模型训练过程中对所述全场热流密度分布施加傅里叶热传导定律的物理一致性约束；

7.根据权利要求1所述高超声速飞行器气动热预测方法，其特征在于，在执行步骤1之前，还包括基于计算流体力学的模型预训练过程，具体为：

8.根据权利要求7所述高超声速飞行器气动热预测方法，其特征在于，所述协同多尺度神经算子网络的架构包括nt个transformer层，每层配置nh个隐藏单元和na个注意力头。

9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的高超声速飞行器气动热预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的高超声速飞行器气动热预测方法的步骤。