一种非定常热载荷发汗冷却流量优化方法

本发明属于航空航天智能热防护及控制优化，尤其涉及一种针对非定常热载荷环境下，基于深度神经算子与主动学习反馈机制的多孔介质相变发汗冷却系统流量反向优化方法。

背景技术：

1、飞行器在以较高速度穿越大气层或执行大机动飞行任务时，表面承受着复杂的非定常、非线性气动加热环境。传统的被动热防护系统存在外形改变、维护成本高且不可重复使用的局限性。发汗冷却技术通过使冷却工质流经多孔介质骨架进行对流换热，并利用相变潜热吸收能量，在外表面形成冷却气膜，是一种冷却效率较高的主动热防护技术。然而，发汗冷却系统在实际工程应用中面临着供给与需求动态失配的难题。发汗冷却本质上是一个具有滞后特性的热惯性系统，从冷却工质注入质量流率改变到壁面温度响应之间存在明显的时间延迟。如果采用传统的开环控制策略，按照预设不利工况设计保守的恒定较大质量流率冷却，会导致冷却工质在低热流飞行阶段消耗增加，占用有效载荷空间；若采用简单的温度反馈控制，由于传热的滞后效应，可能导致冷却工质消耗增加或结构瞬时超温风险。

2、为了克服滞后性，基于物理模型（如fdm或cfd）的逆向规划是一种可选方案。但由于发汗冷却涉及多相流、相变潜热吸收以及复杂的流固耦合，单次计算耗时较长。当采用优化式算法（如多目标遗传算法）进行寻优时，需多次调用求解器，计算成本增加，难以满足超长航时飞行器在线控制或快速迭代设计的需求。近年来，科学机器学习为解决此类高维反问题提供了解决方案。然而，深度神经网络在学习高频函数时可能存在“谱偏差”现象，常规训练得到的网络存在梯度病态，即输出对输入的导数包含高频噪声。在基于梯度的逆向设计中，这种噪声可能导致优化算法发散；并且，离线代理模型在远离训练分布中心的优化极值边界处存在认知不确定性，仅依赖离线模型进行开环梯度下降，优化器可能利用模型误差收敛到非物理的“伪安全域”，导致物理约束失效。

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非定常热载荷发汗冷却流量优化方法，旨在解决现有数据驱动代理模型存在的梯度病态问题，降低极值边界处的预测偏差，并在保持泛化能力的前提下实现计算效率较高且鲁棒性较好的冷却工质质量流率优化。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种非定常热载荷发汗冷却流量优化方法，包括以下步骤：

4、步骤1，建立多孔介质发汗冷却的流固耦合传热物理模型，获取不同非定常热流密度和冷却工质质量流率下，多孔介质外壁面温度场的动态演化数据，构建包含输入控制量与输出状态量的物理响应数据集；

5、步骤2，构建用于替代所述传热物理模型的物理信息神经算子代理模型，以随时间变化的环境热流密度与冷却工质质量流率序列作为输入，预测系统在对应物理工况下的外壁面温度场；

6、步骤3，在所述代理模型的离线训练中引入物理一致性约束，构建包含预测温度值误差以及反映传热过程升降温速率的时间导数误差的整体损失函数，使所述代理模型学习符合传热过程物理规律的平滑温度映射关系；

7、步骤4，构建针对发汗冷却系统的流量反向变分优化模型，将目标函数设定为降低飞行过程中的冷却工质总消耗，并引入针对热防护结构最高安全温度的越界惩罚项以及抑制冷却工质质量流率高频突变的平滑正则项；

8、步骤5，在对所述反向变分优化模型进行流量寻优的过程中，调用所述传热物理模型进行高保真物理反馈，计算高保真温度与预测温度的瞬时残差以对质量流率进行动态偏差修正，并在使冷却工质质量流率满足物理上下限约束的同时，利用新获得的边界高保真样本对代理模型进行在线微调，直至输出符合结构温度安全约束的冷却工质质量流率优化序列。

9、具体地，流量寻优包括：

10、执行融合高保真物理反馈的动态惩罚投影梯度下降算法，在迭代优化的外层循环中获取高保真温度响应并计算瞬时残差，通过动量更新机制维护时变偏差修正项；在内层梯度优化中，将所述时变偏差修正项引入约束条件指导梯度寻优，并在每次参数更新后执行正交投影操作，使所述冷却工质质量流率序列满足物理上下限约束；

11、采用基于锚点数据的在线联合微调策略，从所述离线训练数据集中采样历史锚点数据，与主动学习探索得到的新边界高保真样本共同构建联合损失函数，对所述代理模型进行在线增量反向传播更新，直至输出优化后的冷却工质质量流率序列，其中所述离线训练数据基于一维局部热非平衡发汗冷却有限元求解器生成。

12、与现有技术相比，本发明的有益效果是：

13、1)缓解数据驱动代理模型的梯度病态问题。

14、本发明通过引入sobolev物理一致性训练策略，抑制神经网络的“谱偏差”现象，改善网络预测精度和梯度平滑性。

15、2)利用热惯性前馈补偿，降低超温风险。

16、本发明构建的主动学习闭环框架在连续时间流量序列优化中利用了多孔骨架由于较大比热容导致的热传导滞后效应。通过动量偏差修正机制，在面对冲击热载荷时，可在热流跃升前的预设提前窗口内提高冷却工质质量流率，并使系统满足预设耐温约束。

17、3)鲁棒性与降低历史特征遗忘风险。

18、针对增量学习易陷入局部过拟合的问题，本发明提出的基于锚点数据的联合微调策略，通过维持离线基础分布与在线难例分布的梯度平衡，降低了泛化能力退化风险。

1.一种非定常热载荷发汗冷却流量优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述非定常热载荷发汗冷却流量优化方法，其特征在于，步骤2中所述的物理信息神经算子代理模型，采用傅里叶特征映射以提高网络对高频细节的表达能力，其网络结构包括输入层、多个隐层以及输出层，隐层中采用多头注意力机制对特征进行处理。

3. 根据权利要求1所述的发汗冷却流量优化方法，其特征在于，步骤3中所述的物理一致性约束为sobolev物理一致性训练策略，所述整体损失函数定义为：

4. 根据权利要求1所述非定常热载荷发汗冷却流量优化方法，其特征在于，步骤4中所述的流量反向变分优化模型的目标函数为拉格朗日目标函数，具体表示为：

5.根据权利要求1所述非定常热载荷发汗冷却流量优化方法，其特征在于，步骤5中所述的流量寻优，包括：

6.根据权利要求5所述非定常热载荷发汗冷却流量优化方法，其特征在于，所述在迭代优化的外层循环中获取高保真温度响应并计算瞬时残差，具体包括：将当前轮冷却工质质量流率序列输入所述传热物理模型或有限元高保真求解器，获得对应时间步的高保真温度响应；将所述高保真温度响应与代理模型在相同热流密度和质量流率输入下输出的预测温度逐时间步相减，得到瞬时残差；

7. 根据权利要求5所述非定常热载荷发汗冷却流量优化方法，其特征在于，所述的时变偏差修正项的动量更新机制，其数学表达式为：

8.根据权利要求5或6所述非定常热载荷发汗冷却流量优化方法，其特征在于，所述内层梯度优化中，利用所述时变偏差修正项重构预测温度约束；当代理模型预测温度偏低导致存在潜在超温风险时，所述时变偏差修正项呈现正值，在自动微分寻优中引导优化器在优化过程中提前增加冷却工质质量流率输入，以实现对安全边界的前馈补偿。

9. 根据权利要求5或6所述非定常热载荷发汗冷却流量优化方法，其特征在于，所述的联合损失函数定义为：