(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210936815.5 (22)申请日 2022.08.05 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 张斌　刘洪　王友进　丁东明　 (74)专利代理 机构 上海交达专利事务所 31201 专利代理师 王毓理　王锡麟 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 30/23(2020.01) G06F 111/10(2020.01) G06F 113/08(2020.01)G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于神经网络的高超声速稀薄流下圆柱壁 面热流预测方法 (57)摘要 一种基于神经网络的高超声速稀薄流下圆 柱壁面热流预测方法， 在离线阶段通过直接模拟 蒙特卡洛算法经过热流无关性验证获得参数设 置标准后， 使用该标准下的归 一化的DSMC模拟样 本训练神经网络， 在在线阶段针对高超声速氩气 流下的圆柱绕流问题， 对已知宽范围内的来流努 森数、 温度比以及马赫数的值， 根据神经网络内 已有的连接关系及相应的训练参数得到圆柱壁 面的多点热流系数值。 本发明实现在宽范围稀薄 流条件下能够快速且准确的预测 高超声速氩气 流下的圆柱壁面热流系数， 测试集的21个结果表 明驻点热流误差在1.5％以内， 壁面热流最大误 差不超过4.8％， 而计算速度近似于理论公式的 计算速度。 权利要求书2页 说明书3页 附图4页 CN 115422651 A 2022.12.02 CN 115422651 A 1.一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征在于， 在离 线阶段通过直接模拟蒙特卡洛算法经过热流无关性验证获得参数设置标准后， 使用该标准 下的归一化的DS MC模拟样 本训练神经网络， 在在线阶段针对高超声速氩气流下的圆柱绕流 问题， 对已知宽范围内的来流努森数、 温度比以及马赫数的值， 根据神经网络内已有的连接 关系及相应的训练参数 得到圆柱壁 面的多点热流系数值。 2.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的稀薄流是指： 来 流努森数 大于0.01的流动。 3.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的DSMC是指： 直接模拟蒙特卡洛方法可变径硬球模型、 NTC碰撞方案以及基 于网格内粒子数进行分配的负载平衡并行 方案， 具体步骤 包括： 1)流场初始化， 即在流场内按来 流条件布撒模拟粒子； 2)粒子移动， 即根据粒子三个方向的速度在一定的时间步长内对粒子进行匀速移动， 若与边界接触则考虑反射； 3)粒子索引， 确定每 个粒子所在的网格编号； 4)碰撞和化学反应， 确定每个网格的碰撞对以及相应的化学反应过程， 对粒子的能量 及速度进行重新分配； 5)采样， 对每 个网格内粒子种类、 总数、 速度及能量进行统计； 6)输出， 根据每 个网格内的粒子统计信息计算温度、 压力、 速度信息 。 4.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的热流无关性验证是指： DSMC计算得到的壁面热流结果与计算参数的设置 密切相关， 需要对参数设置标准进 行确定， 具体为： 首先设置网格为0.2 倍当地分子自由程， 时间步长为0.1倍当地分子碰撞时间， 壁面网格180， 子网格2*2， 初始网格粒子数200， 采样 次数10万次以获得准确 值作为后续参照， 后针对网格和时间步长分别进行无关性验证， 得 到参数设置标准为， 网格为1倍当地分子自由程， 时间步长为0.33倍当地分子碰撞时间， 热 流误差可以控制在0.1％以内， 确保后续建立的样本的准确性。 5.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的归一化是指： 将输入参数用各自范围的最大最小值进行[0,1]的映射， 其 中努森数 先取对数后再进行[0,1]的映射。 6.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的高超声速氩气流下 的圆柱绕流问题是指： 来流气体为氩气， 速度大于5马 赫， 二维圆柱在该 条件流场下的相关问题。 7.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的宽范围是指： 来流努森数Kn∞范围[0.0072,14.47]， 温度比Tw/Ts范围 [0.012,0.2]， 马赫数Ma范围[5,20]， 其中： Tw为圆柱壁面温度， Ts为根据来流温度、 马赫数及 比热比理论计算得到的驻 点温度。 8.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的神经网络包括： 输入单元、 第一隐藏层单元、 第二隐藏层单元以及输出单 元， 其中： 输入单元根据确定壁面热流所需最少变量个数 的信息， 进行无量纲处理， 得到需 使用3个无量纲参数对高超声速稀薄流下 的热流进行预测的结果， 第一隐藏层单元和第二权　利　要　求　书 1/2 页 2 CN 115422651 A 2隐藏层单元根据神经网络训练得到的误差信息， 进行迭代调整神经元个数处理， 得到最终 的隐藏层神经元个数选定结果， 输出单元根据1/4圆柱 壁面重要 热流信息 分布位置信息， 进 行均匀布置处 理， 得到0°～80°9个热流预测位置结果。 9.根据权利要求8所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的输入单元由三个输入层组成， 两个隐藏层单元分别由20个神经元和15个 神经元组成， 输出单元由九个输出层组成， 层与层之间采用全连接， 即每一个神经元都与下 一层的每个神经元连接， 每一个连接都对应一个具体的权值， 隐藏层的每个神经元以及每 个输出都对应一个具体的基础值， 权值与基础值即为训练参数， 其中训练参数由102个在宽 范围内随机选取的点的DSMC模拟结果训练得到， 损失函数为均方误差， 并利用Levenberg – Marquardt算法进行优化， 收敛 条件为均方差小于 0.001或迭代步数达 到2500步。 10.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法， 其特征是， 所述的圆柱壁面上的多点是指： 从驻点开始， 以10 °为步长依次选取共9个点， 覆 盖范围为0 °～80°。权　利　要　求　书 2/2 页 3 CN 115422651 A 3