融合物理的神经网络方法在流场重建中的应用

神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型（physical-informed neural network, PINN）,赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。     

基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解

建立了一种基于内嵌物理机理神经网络(PINN)的热传导方程的正问题及逆问题求解方法.该方法利用自动微分技术将一维热传导方程嵌入到深度网络的损失函数中,通过以损失函数最小为目标来优化深度网络,求解一维热传导方程以及对方程中的未知导热系数进行辨识.随后,分析了基于PINN求解正问题的收敛精度以及参数辨识的鲁棒性,并得出以下结论:在给定网络结构的情况下,基于PINN求解一维热传导方程的收敛误差在样本点数较少时主要由采样误差主导,而当样本点数较多时,收敛误差由优化误差主导;由于损失函数中包含了方程相关的正则化项,以及采用了自动微分技术,因此,基于PINN的参数辨识方法噪声标签数据具有较强的鲁棒性.     

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN）,并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。     

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

基于POD-RBFN降阶模型的串列叶栅流场预测

通过传统实验或CFD 手段获取流场信息的方法往往需要耗费大量资源或时间,这在需要快速获取大量流场信息时产生的成本是无法接受的,发展比传统CFD 更快速的流场预测方法具有重要意义。采用本征正交分解（POD）方法对样本流场进行模态分解,提取流场的主导模态;而后采用径向基函数神经网络（RBFN）响应POD 基函数的系数,实现流场降阶预测模型的构建,并在模型中采用基于函数响应偏差的自适应抽样方法;通过某串列叶栅非定常流场数据对预测模型进行验证。结果表明：本文构建的POD-RBFN 混合模型可以快速准确地预测出串列叶栅的流场参数分布;与静态采样相比,本文采用的自适应采样方法在采样效率上表现出明显优势,同样重构精度所需的样本数降低了25% 左右。     

基于热力学的涡扇发动机神经网络建模方法

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26 970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。     

航空发动机小偏差状态变量模型的建立方法

采用最小二乘拟合法建立用于航空发动机鲁棒控制系统设计的小偏差状态变量模型，即根据发动机非线性模型的小偏差动态响应数据直接拟合出其小偏差状态变量模型。由于建模误差在最小二乘意义下最小，因而应用该方法可以保证所建模型具有较高精度。此外该方法亦不受模型阶次的限制。应用该方法建立某型涡记扇发动机的小偏差状态变量模型，具有较高的精度，从而验证了该方法的有效性。     

基于神经网络模型的动态非线性气动力辨识方法

 在标准径向基函数（RBF）神经网络模型的基础上发展了带输出反馈的RBF神经网络。将计算流体力学(CFD)方法计算的时域气动载荷作为输入信号,建立跨声速非定常非线性气动力模型,并进一步运用CFD方法验证模型的精度。算例表明带输出反馈的RBF神经网络较标准RBF神经网络精度更高,能更准确描述跨声速激波大幅振荡时的非线性和非定常特性,并可推广用于多自由度运动的动态非线性气动力建模。用多级信号训练,预测简谐信号输入下的气动力算例表明带输出反馈的RBF神经网络能够预测不同振幅、不同频率的信号激励下的非线性气动力。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

无人机制造外形气动偏差评估方法

气动外形对无人机起着至关重要的作用,有必要对其制造外形的气动偏差进行评估。利用数字摄影测量系统获得无人机制造外形的点云数据;以机头为参考点,将测量点云数据模型与理论模型的坐标系重合,对比重合度并统计无人机制造外形与理论外形的几何偏差分布;根据点云数据进行逆向建模,获得无人机制造外形的三维模型;对无人机理论外形进行CFD计算,与其风洞试验数据进行对比,通过调整网格及计算方法,得到与试验数据相吻合的CFD计算方法;以此方法计算得到无人机制造外形的气动数据,并与无人机的理论气动力进行对比。结果表明:此评估方法能够定量地评估外形制造偏差对无人机气动特性的影响。     

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。     

基于深度学习的单排孔气膜冷却性能预测

气膜冷却是增强涡轮叶片的高温耐受力,间接提高涡轮进口温度的有效手段之一。目前气膜冷却孔布局的主流设计方法是先通过计算流体力学（CFD）筛选和优化初始方案,再进行模型实验。这种方法设计周期长,时间成本高。传统上用于快速评估冷却效率的经验公式法存在函数形式复杂,拟合精度有限,参数适用范围较窄等问题。因此基于深度学习原理,设计了一种基于多层感知器模型（MLP）的深度神经网络,建立了绝热气膜冷却效率的预测模型。使用CFD数据训练网络,结果表明：深度学习模型在训练集和验证集上具有大于0.95的拟合度,在测试集上具有大于0.99的拟合度,可以较好地识别数据集中的抽象特征,具有较高的精度和较好的泛化能力。此外,在满足精度要求的前提下,一个完成训练的深度学习模型能够有效减少预测耗时,提高预测效率,在快速评估冷却布局性能方面具有较好的应用前景。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

高效率采样的数据关联融合气动力建模方法

飞行器设计阶段的气动分析需要大量的高保真度气动力数据以提高设计性能,但其获取成本十分高昂。为了缓解建模成本与模型精度之间的矛盾,构建了关联不同保真度数据的多保真度气动数据融合模型,并提出了最优关联点选取方法和均匀性增强序贯采样方法,以此实现co-Kriging变可信度模型的高效初始化与最速收敛。作为验证,选用标准数值算例开展建模研究,并结合统计结果对方法精度优劣进行了对比。最后将该建模框架成功应用于NACA0012翼型跨声速气动力工程算例当中。结果表明,与传统模型相比,在仅有的少量高保真度样本下,所采用的方法可以大幅提升变可信度模型收敛精度和建模效率,有效降低了采样成本;相较于高保真度单精度元模型,误差可降低50%以上。     

基于数据驱动的复杂进气下风扇转子叶根损失模型

发展了一种基于数据驱动的复杂进气下风扇转子叶根损失预测方法。提取了影响风扇转子叶根损失的关键气动参数作为输入变量，熵损失系数作为输出参数；采用计算耗时小的单叶片通道定常模型，通过给定不同边界条件并进行组合来构建样本数据库，使得数据库中样本点尽可能覆盖更广的复杂进气工况；采用径向基神经网络训练并构建输入变量与输出参数之间的映射，实现叶根损失的快速预测。计算结果表明：该损失模型能够准确捕捉叶根损失的径向分布趋势，并且相比于传统损失模型能够大幅提升预测精度。在不同流量、进气旋流以及畸变强度工况下，叶根流动损失平均预测误差基本小于10%。     

基于神经网络补偿的室内无人机组合导航系统

针对无人飞行器在环境特征突变情况下数据融合的可靠性大幅下降问题，提出了神经网络预测补偿的组合导航算法。首先利用扩展卡尔曼滤波和粒子滤波对激光、光流等传感器得到的数据进行融合，然后采用径向基函数（RBF）神经网络对粒子滤波前后的误差进行预测。当激光数据可靠时，RBF神经网络进行训练学习模式，当激光数据中断或者不可靠时，利用训练后的模型对系统进行误差补偿。利用无人飞行器在室内环境下进行定点和轨迹实验，结果表明补偿后的位置导航信息能够明显降低激光数据不可靠时带来的定位误差。     

高速空气动力学三大手段数据融合研究进展

风洞试验、数值计算和模型飞行试验三大手段的深度融合，是开展新一代高速飞行器研究的必然需求。本文重点介绍了高速风洞试验设备、数值计算软硬件建设和航天模型飞行试验能力建设情况，以及自主研制的表面温度、热流、脉动压力、摩阻等飞行试验测量技术；并根据气动数据融合特点，提出了一种基于气动数据和物理模型相关度的融合准则，发展了基于组合深度神经网络的气动数据融合方法，解决了不同来源数据之间的数据关联问题，大幅提升了融合数据的可信度，在某高速飞行器俯仰力矩系数和头罩典型构型的气动热数据天地关联方面得到成功应用；综合运用三大手段，开展了高速激波-边界层干扰基础流动问题研究，建立了激波-边界层干扰力/热载荷天地相关性经验公式，修正了压力-热流关联关系，并首次证实了分离泡低频振荡现象在真实飞行条件下客观存在。     

基于深度学习的飞行器故障情况下可配平能力快速预示方法

针对飞行器在执行机构故障条件下配平能力受限的问题，本文提出了一种基于深度学习的故障情况下可配平能力快速预示方法。首先，建立飞行器气动力矩和执行机构故障模型，并给出飞行器旋转配平条件。其次，在不同执行机构故障情况下，采用基于二次规划的可配平能力求解方法，在迎角/侧滑角二维平面内进行遍历求解，得到当前故障情况下的可配平能力剖面，并采用8个特征点进行包络，同时为所提方法提供样本。再次，利用深度神经网络强大的拟合能力，从样本中提取故障和气动力矩信息作为网络输入，特征点的迎角和侧滑角的值作为网络输出，离线训练深度神经网络。利用训练好的深度神经网络根据当前故障信息实时计算可配平能力剖面。最后，通过仿真验证了所提方法的有效性和实时性。     

耦合粒子图像测速误差的连续伴随数据同化技术

提出了一种耦合粒子图像测速(PIV)实验误差的连续伴随数据同化算法，通过优化目标损失函数，增强算法在不同误差场景下的鲁棒性。为了验证该算法的有效性，先对已知PIV流场植入合成误差进行同化对比测试，继而对PIV互相关算法不同参数设置所获得的流场进行同化研究。结果表明：相比于原连续伴随数据同化，耦合PIV实验误差的同化算法能够对实验观测数据去伪存真，抗误差干扰能力明显提升，鲁棒性更强，能够对高误差场景下的流动数据进行更好地同化，准确地预测流场的真实分布规律，还原流场细节。