[发明专利]一种基于试验设计的气动数据融合建模方法

说明书

本发明公开了一种基于试验设计的气动数据融合建模方法，包括以下步骤；步骤一：确定气动模型的形式与参数；步骤二：使用数值模拟数据训练神经网络模型；步骤三：最优试验设计方法选择风洞试验点；步骤四：使用风洞试验数据再训练神经网络模型，优化部分模型参数，提高模型整体精度。本发明能够有效降低气动融合建模对风洞数据的需求量，提高建模效率，节约风洞试验成本。

技术领域

本发明涉及试验设计与数据融合技术领域，具体涉及一种基于试验设计的气动数据融合建模方法。

背景技术

在飞行器设计中，需要针对设计外形开展数值模拟和风洞试验以分析其气动特性优劣。数值模拟和风洞试验各有优缺点，其中数值模拟可以较低成本获得任意飞行工况下的气动特性，但数值模拟结果精度较低；风洞试验可获得较高精度的数据，但是风洞试验获取成本较高。如何结合数值模拟和风洞试验的优点，以较低的成本建立较高精度的气动模型已成为学术界和工业界共同关注的热点问题。

气动数据融合建模技术通过融合多种来源的不同精度数据，共同建立一个精度较高的气动融合模型。其中高精度风洞试验数据点分布影响着融合模型的精度和融合建模成本。现阶段常用一次一因子法设置风洞试验点，这导致融合建模效率并不高。试验设计技术是一类选择对建模精度影响最大的数据点的方法，使用试验设计选择的少量数据点所建立模型的精度可达到使用原始大量数据点所建立模型精度的相同水平。如何将试验设计方法和气动数据融合建模方法结合起来，针对融合模型设计风洞试验点分布，减少融合建模对风洞试验数据的需求，已成为气动建模领域的一个关键方向。

专利CN110188378B公开了一种基于神经网络的气动数据融合方法，专利CN115619035A公开了一种基于多精度深度神经网络的气动数据融合方法及设备，但上述两个专利均是直接使用全部多精度数据训练数据融合模型，未涉及使用试验设计手段减少融合模型所需要的高精度数据数量及设计高精度数据点分布。目前尚无公开发明专利中提出在数据融合建模过程中使用试验设计方法提高建模效率。

发明内容

为了克服以上技术问题，本发明的目的在于提供一种基于试验设计的气动数据融合建模方法，首先选择神经网络作为气动数学模型；然后使用大量数值模拟数据训练初始模型，该模型虽然精度较低，但整体变化趋势与风洞数据保持一致；而后使用试验设计方法根据当前模型选择少量高精度风洞试验数据点；最后使用风洞试验数据优化部分模型参数，提高模型整体精度。能够有效降低气动融合建模对风洞数据的需求量，提高建模效率，节约风洞试验成本。

为了实现上述目的，本发明采用的技术方案是：

一种基于试验设计的气动数据融合建模方法，包括以下步骤；

步骤一：确定气动模型的形式与参数；

步骤二：使用数值模拟数据训练神经网络模型；

步骤三：最优试验设计方法选择风洞试验点；

步骤四：使用风洞试验数据再训练神经网络模型，优化部分模型参数，提高模型整体精度。

所述步骤一具体为：

(1)根据建模对象特性选择气动模型的形式，非线性较弱的问题选择RBF神经网络模型，非线性较强的问题选择多层全连接神经网络模型；

(2)神经网络输入层神经元个数n_i为飞行器飞行工况参数数目，输出层神经元个数n_o为试验测的飞行器气动性能参数数目，中间层神经元个数可根据2^n_i+n_o确定。

所述步骤二具体为：

(1)根据飞行器设计要求确定飞行工况参数及其变化范围；

(2)随机在飞行工况参数变化区间内选择大量工况点，然后使用数值模拟获取飞行器这些工况点下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有数值模拟数据集合为低精度数据集；