一种发汗冷却表面热通量辨识预测方法及系统

本发明属于航空航天热防护技术与人工智能交叉，特别涉及一种发汗冷却表面热通量辨识预测方法及系统。

背景技术：

1、高速飞行器在高速飞行或大气层再入过程中，表面温度较高，这对热防护系统的可靠性提出了较高要求。准确且及时地获取表面热通量信息，是实现主动热防护系统（如发汗冷却系统）冷却工质质量流率精细调控与优化设计的基础。

2、当前工程上通常在防热层内部嵌入温度传感器，通过内壁温度反演外表面热通量。然而，发汗冷却等系统内部涉及复杂的微通道渗流传热与相变过程，使得热传导存在显著的时间延迟，温度响应严重滞后于外表面热通量的变化，即“热滞后效应”。现有的经典理论方法（如fay-riddell公式、参考焓方法）难以应对复杂几何与时变流场条件；传统的逆向求解算法（如共轭梯度法）则难以克服时间上的延迟，难以及时响应时变热载荷。现有基于深度学习的气动热预测方法（如u-net等）多侧重于静态输入特征，在应对动态热滞后效应方面针对性不足，难以提前预测后续热通量演化趋势。预测能力不足可能导致冷却工质质量流率的动态调节滞后，并可能引起局部热失控甚至结构失效。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种发汗冷却表面热通量辨识预测方法及系统，主要解决传统方法在处理热滞后效应时存在的响应及时性不足、计算开销大，以及难以为冷却工质供给系统提供前馈控制数据等技术问题中的至少一个。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种发汗冷却表面热通量辨识预测方法，包括以下步骤：

4、步骤1，在所述发汗冷却系统的多孔介质材料内部，沿厚度方向布设多层温度传感器阵列；按预设采样频率采集连续多个时间步的内部离散温度数据，并将其构建为具有时间与空间拓扑结构的四维温度特征输入张量，从而获取发汗冷却系统的多维时空温度特征序列；为实现未来预设时间窗口内的热通量波动趋势预测，所述连续采集的时间步数对应的时间跨度大于或等于所述发汗冷却系统的固有热响应迟滞时间；

5、步骤2，构建基于对称编码器-解码器架构的深度神经网络，在所述网络的瓶颈层嵌入卷积长短期记忆网络模块，用于提取时间序列的动态演化特征；在所述编码器与解码器对应的跳跃连接处串联配置压缩与激励通道注意力模块，用于自适应校准跨时间帧拼接特征中的通道权重；从而得到带有通道注意力机制的时空特征提取与预测网络模型；

6、步骤3，基于历史工况数据进行网络模型训练；

7、步骤4，利用训练完毕的网络模型进行在线辨识与多步预测。

8、本发明的一个实施例，步骤1中所述的四维温度特征输入张量的维度表示为

t×

w×

h×

n，其中，

t为连续采集的时间步数，

w与

h分别为每层温度传感器阵列的横向与纵向空间采样节点维度，

n为沿厚度方向布设的所述温度传感器阵列的层数。

9、本发明的一个实施例，步骤2中所述的瓶颈层嵌入卷积长短期记忆网络模块，其具体运行机制为：

10、接收所述编码器输出的高维空间特征集；

11、将传统长短期记忆单元内部的矩阵乘法操作替换为二维卷积运算，在时间序列的隐状态信息传递过程中保留输入特征集的空间拓扑结构信息。

12、本发明的一个实施例，步骤2中所述的压缩与激励通道注意力模块，其运行机制包括压缩、激励与重标定三个子步骤：

13、所述压缩，采用全局平均池化操作对所述跳跃连接处拼接的跨时间帧特征图（即由编码器提取的对应层级跳跃特征按时间帧顺序在通道维度拼接形成的特征图）沿空间维度进行降维，聚合全局空间信息并生成通道级统计特征向量；

14、所述激励，将所述通道级统计特征向量输入至包含降维层与升维层的瓶颈结构多层感知机中，经非线性激活函数映射，输出数值介于0至1之间的归一化通道权重向量；

15、所述重标定，所述通道权重向量与原始输入的跨时间帧特征图进行逐通道的元素级乘法操作，用于按通道权重调节跨时间帧特征图。

16、本发明的一个实施例，所述步骤3，建立涵盖多种飞行剖面参数的发汗冷却气动热样本数据集，将其划分为训练集、验证集与测试集；利用所述训练集对步骤2中构建的网络模型进行迭代训练，优化网络参数直至损失函数收敛，获得训练完毕的预测模型。其中，所述样本数据集中的每一历史气动热样本均按照步骤1相同的采集与构建方式生成对应的四维温度特征输入张量，并以同一飞行工况下的外表面热通量时序数据作为监督标签；训练阶段的所述四维温度特征输入张量用于学习内部温度迟滞响应与外表面热通量之间的映射关系，在线阶段按步骤1实时构建的四维温度特征输入张量作为训练完毕的网络模型的输入。

17、本发明的一个实施例，所述飞行剖面参数包括马赫数、飞行高度和攻角。

18、本发明的一个实施例，步骤3中所述的样本数据集覆盖飞行高度40 km至60 km、马赫数5至20以及攻角0°至20°的范围，且在网络模型训练过程中采用adam优化器。

19、本发明的一个实施例，所述步骤4，将实际飞行工况下在线采集的所述四维温度特征输入张量嵌入所述训练完毕的网络模型中，模型同步输出所述发汗冷却系统外表面当前时刻的在线辨识热通量，以及未来预设时间窗口内的时间与热通量对应的演化预测曲线。

20、本发明还提供了一种发汗冷却表面热通量辨识预测系统，用于实现所述的发汗冷却表面热通量辨识预测方法，包括：

21、数据采集模块，用于在线获取发汗冷却系统多孔介质材料内部的瞬态温度序列数据；

22、预处理模块，用于将所述瞬态温度序列数据重构为具有时空维度的四维温度特征输入张量格式；

23、核心计算模块，内部配置有经训练的通道注意力时序u-net模型，用于提取内部温度与外表面热通量之间的非线性时空映射关系；

24、输出预测模块，用于同步输出发汗冷却系统外表面的在线辨识热通量值及未来预设时间窗口内的预测热通量曲线。

25、与现有技术相比，本发明的有益效果是：

26、1)实现主动预测范式，支持前馈优化设计。

27、本方法将被动反演转变为主动预测，可同步辨识当前热通量，并可预测未来10 s至30 s的热通量波动趋势。这有助于降低热滞后带来的影响，为发汗冷却系统中冷却工质质量流率供给策略的优化设计及在线前馈控制提供了一定的系统响应时间。

28、2)提升计算效率与预测精度。

29、区别于将注意力机制置于编码器内部的做法，本发明将其轻量化地部署在跳跃连接处。测试结果表明，在均方根误差（rmse）低至0.0189 mw/m2（较基准模型下降84.7%）、决定系数（r2）达0.9984的前提下，模型参数量为14.5×106，所需计算量为25.94 gmac，单次推理耗时约5.04 s。

30、3)鲁棒性与抗噪能力。

31、由于conv-lstm模块具有时序平滑作用，再加之通道注意力机制的筛选，本发明即使在设定的高频噪声干扰条件下可降低噪声传导影响，最大相对误差为1.6%，满足预设飞行环境下的工程测试要求。