箭弹类模型尾支撑干扰预测方法、电子设备及存储介质与流程

本发明属于高速风洞试验，具体涉及箭弹类模型尾支撑干扰预测方法、电子设备及存储介质。

背景技术：

1、高速风洞箭弹类模型进行尾支撑测力试验时，一般都要进行尾部畸变处理，主要包括因支撑空间需要进行的局部放大、截短和切口等，这就带来了尾部畸变和尾支杆干扰的影响，二者属于强耦合作用，工程试验中往往作为整体进行支撑干扰评估并予以扣除。特别是大长细比箭弹类模型进行尾支试验，难以通过试验两步法进行支撑干扰修正。另外，针对尾支撑干扰评估，无论是cfd计算还是试验手段，均存在周期较长和成本较大的问题，难以涵盖整个样本空间。为满足高速风洞试验箭弹尾支撑干扰修正以及尾支撑优化设计的需求，有必要发展一种新的风洞试验模型尾支撑干扰预测方法。

技术实现思路

1、本发明要解决的问题是快速评估箭弹模型在不同来流、模型尾部和支杆直径条件下的尾支撑干扰，提出箭弹类模型尾支撑干扰预测方法、电子设备及存储介质。

2、为实现上述目的，本发明通过以下技术方案实现：

3、一种箭弹类模型尾支撑干扰预测方法，包括如下步骤：

4、s1. 抽样采集用于箭弹类模型尾支撑干扰预测的参数，包括来流参数、真实模型尾部几何参数、畸变模型尾部几何参数和尾支杆几何参数；

5、s2. 基于步骤s1采集的用于箭弹类模型尾支撑干扰预测的参数，构建五个无量纲参数包括真实模型尾部收缩比、真实模型尾部相对长度、尾支杆相对直径，畸变模型尾部收缩相对直径和畸变模型尾部相对长度，然后对五个无量纲参数分别进行线性变换，然后采用分层拉丁超立方方法抽取出个和个样本点；

6、s3. 基于步骤s1采集的来流参数包括马赫数、迎角，进行线性变换，然后采用分层拉丁超立方方法抽取出个和个样本点；

7、s4. 基于步骤s2得到的个和个样本点、步骤s3得到的个和个样本点，构建包括个样本点的高保真度尾支撑数据集、个样本点的低保真度尾支撑数据集；

8、s5. 对于步骤s4得到的低保真度尾支撑数据集，通过cfd方法数值求解定常欧拉方程，分别计算得到各个样本点的真实模型和畸变尾撑模型的气动系数，二者作差得到低保真度的尾支撑干扰量，得到低保真度尾支撑干扰量数据集；

9、s6. 对于步骤s4得到的高保真度尾支撑数据集，通过cfd方法数值求解定常rans方程（雷诺平均的ns方程），分别计算得到各个样本点的真实模型和畸变尾撑模型的气动系数，二者作差得到高保真度的尾支撑干扰量，得到高保真度尾支撑干扰量数据集；

10、s7. 建立多保真度高斯过程尾支撑干扰预测模型，将步骤s5得到的低保真度尾支撑干扰量数据集、步骤s6得到的高保真度尾支撑干扰量数据集中的数据按照一定的比例随机划分为训练集和测试集，利用训练集对多保真度高斯过程尾支撑干扰预测模型进行训练，得到训练好的多保真度高斯过程尾支撑干扰预测模型；

11、s8. 利用测试集对步骤s7训练好的多保真度高斯过程尾支撑干扰预测模型进行测试，预测得到箭弹类模型尾支撑干扰量。

12、进一步的，步骤s1中采集的来流参数包括马赫数、迎角，真实模型尾部几何参数包括收缩前模型等直段直径 d、收缩后模型尾部直径、模型收缩段长度，尾支杆几何参数为尾支杆直径，畸变模型尾部几何参数为收缩后模型尾部直径、模型收缩段长度，其中下标clean表示真实模型尾部参数，sup表示尾支撑畸变模型尾部模型参数。

13、进一步的，步骤s2的具体实现方法包括如下步骤：

14、s2.1. 基于步骤s1采集的用于箭弹类模型尾支撑干扰预测的参数，构建五个无量纲参数包括真实模型尾部相对直径、真实模型尾部相对长度、尾支杆相对直径，畸变模型尾部收缩相对直径和畸变模型尾部相对长度；

15、s2.2. 对步骤s2.1构建的五个无量纲参数进行线性变换，处理方法为对于取值范围区间的变量 x，经线性变换后的变量；

16、s2.3. 线性变换后的五维样本空间为，然后划分等份，在各个子区间内进行随机采样，采用分层拉丁超立方方法抽取出个和个样本点。

17、进一步的，步骤s5的具体实现方法包括如下步骤：

18、s5.1. 对于步骤s4得到的低保真度尾支撑数据集，通过cfd方法数值求解定常欧拉方程0,，分别计算得到低保真度尾支撑数据集中各个样本点的真实模型和畸变尾撑模型的气动系数，其中为密度，为速度矢量，为压力梯度；

19、s5.2. 将步骤s5.1计算得到的低保真度尾支撑数据集中各个样本点的畸变尾撑模型的气动系数减去真实模型的气动系数，得到低保真度的尾支撑轴向力干扰量、低保真度的尾支撑法向力干扰量、低保真度的尾支撑俯仰力矩干扰量，然后得到低保真度尾支撑干扰量数据集。

20、进一步的，步骤s6的具体实现方法包括如下步骤：

21、s6.1. 对于步骤s4得到的高保真度尾支撑数据集，通过cfd方法数值求解定常rans方程，，分别计算得到高保真度尾支撑数据集中各个样本点的真实模型和畸变尾撑模型的气动系数，其中，和为略去平均符号的雷诺平均速度分量，为密度，为压强，和为脉动速度分量，为应力张量分量，和空间坐标，和为三维空间分量标记，，；

22、s6.2. 将步骤s6.1计算得到的高保真度尾支撑数据集中各个样本点的畸变尾撑模型的气动系数减去真实模型的气动系数，得到高保真度的尾支撑轴向力干扰量、高保真度的尾支撑法向力干扰量、高保真度的尾支撑俯仰力矩干扰量，然后得到到高保真度尾支撑干扰量数据集。

23、进一步的，步骤s7的具体实现方法包括如下步骤：

24、s7.1. 建立多保真度高斯过程尾支撑干扰预测模型，表达式为：

25、；

26、其中，为低保真度高斯过程，为高保真度高斯过程，为将高低保真度高斯过程关联的缩放因子，为表示和之间差异的函数；

27、s7.2. 将步骤s5得到的低保真度尾支撑干扰量数据集、步骤s6得到的高保真度尾支撑干扰量数据集中的数据按照4:1的比例随机划分为训练集和测试集，对步骤s7.1的多保真度高斯过程尾支撑干扰预测模型进行训练，得到训练好的多保真度高斯过程尾支撑干扰预测模型。

28、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种箭弹类模型尾支撑干扰预测方法的步骤。

29、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种箭弹类模型尾支撑干扰预测方法。

30、本发明的有益效果：

31、本发明所述的一种箭弹类模型尾支撑干扰预测方法，将设计变量划分为来流变量和几何变量两组，对两组变量分别进行拉丁超立方设计，得到组合状态下的样本点，在尽可能覆盖样本空间的同时减少了数值模拟网格生成工作，在获得数据样本的效率方面较不分组抽样更高。

32、本发明所述的一种箭弹类模型尾支撑干扰预测方法，采用多源数据融合建模方式，利用低保真度数据集对样本量进行扩充，拓展了预测模型的使用边界。

33、本发明所述的一种箭弹类模型尾支撑干扰预测方法，尾支撑干扰预测方法时效性强，可以实时为尾支撑风洞试验提供支撑干扰修正数据。

34、本发明所述的一种箭弹类模型尾支撑干扰预测方法，利用所建立的尾支撑干扰预测模型，可以生成干扰量关于输入变量的响应面，以辅助尾支杆和放大后体设计，选取干扰量较小的尾支杆和放大后体开展尾支撑试验。