一种超声速燃烧室多物理场智能预测方法及可视化系统

本发明属于超声速流动燃烧和人工智能领域的交叉融合，尤其涉及一种超声速燃烧室多物理场智能预测方法及可视化系统。

背景技术：

1、空天飞行器作为大国竞争的焦点之一，在军用及民用领域均有重要战略意义，超燃冲压发动机作为飞行器的理想动力装置，成为国内外研究热点之一。燃烧室作为超声速发动机的重要部件之一，包含了燃料快速混合、可靠点火、稳定燃烧等多种技术，涉及许多复杂的物理和化学反应过程。因此，对燃烧室性能的优化及重点问题的突破将最终决定超燃冲压发动机能否走向工程应用。然而，不同于低马赫数条件，在高马赫数宽域条件下的燃烧室需要在临近空间中段长时间工作，超声速流动、燃烧及表面现象会更加复杂，不仅难以提高燃料掺混效率与火焰稳定，而且阻力大大增加，飞行马赫数上限尚未可知，因此高马赫数流场分析变得十分复杂。由于地面风洞实验成本高、数值模拟耗时长，在高马赫数条件下的传统燃烧室流场流动分析仍存在一定的困难。

2、近年来，随着人工智能的迅速发展，人工智能技术已成为燃烧室多物理场预测诊断的重要应用。由于高马赫数的燃烧流动实验复杂且成本昂贵，低马赫数情况下的数据比较容易获得，并且两者具有物理相似性和基础流动机制，因此可以借助迁移学习方法，将不同燃烧室构型在低马赫数条件下数值模拟所获得的流动动力学、热传导和化学反应等方面的数据和构建的模型，迅速应用于高马赫数条件。同时，得益于脉冲神经网络在神经形态架构上极高的能源效率，将迁移学习方法运用到脉冲神经网络中，并将脉冲神经网络分别与残差神经网络以及循环神经网络相结合，有效利用上一时刻信息预测下一时刻多物理场，实现高马赫数宽域变几何超声速燃烧室多物理场高精度、低功耗预测。通过将基于迁移学习的脉冲神经网络可实现高马赫数宽域变几何超声速燃烧室多物理场的智能预测以及可视化分析，不仅提高了超声速发动机的设计进程，缩短设计周期，加速迭代过程，还减轻了对高性能计算资源的需求，降低了对传统数值模拟方法所需的时间复杂性。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种超声速燃烧室多物理场智能预测方法及可视化系统，以准确快速地预测高马赫数宽域条件下的变几何超声速燃烧室多物理场结构。

2、为了达到以上目的，本发明采用的技术方案为：一种超声速燃烧室多物理场智能预测方法，包括以下步骤：

3、s1、基于不同燃烧室的构型，分别在低马赫数和高马赫数条件下进行非定常数值仿真计算；

4、s2、基于其中一固定燃烧室的构型，利用地面风洞试验获取的非定常数值仿真计算的准确性，构建高保真度的数据集；

5、s3、对获取的数据集进行预处理；

6、s4、根据经预处理后的数据集，将低马赫数数据作为源域数据，将高马赫数数据作为目标域数据，并分别打乱且按比例分成迁移学习源域模型和目标域模型的训练集和测试集；

7、s5、构建适用于低马赫数宽域下变几何超声速燃烧室多物理场智能预测的迁移学习源域模型；

8、s6、利用低马赫数数据对基于低马赫数的迁移学习源域模型进行训练与测试，获得迁移学习源域模型的最优权重，用于加载迁移学习目标域模型的初始权重；

9、s7、冻结并修改迁移学习源域模型，得到基于高马赫数宽域下变几何超声速燃烧室多物理场的迁移学习目标域模型；

10、s8、将高马赫数数据输入至基于高马赫数的迁移学习目标域模型进行训练与测试，更新并获得迁移学习目标域模型的最优权重；

11、s9、设计可视化系统，并利用最优的迁移学习目标域模型，进行高马赫数宽域变几何超声速燃烧室多物理场智能预测图像的可视化操作，完成对燃烧室多物理场的智能预测。

12、本发明的有益效果是：在高马赫数宽域变几何超声速燃烧室多物理场智能预测中，模型采用迁移学习方法，将低马赫数的数据和知识迁移到高马赫数的问题中，有利于缓解高马赫数的数据通常难以获取，样本数量低的问题，并且加速模型收敛，减少训练时间和模型消耗。同时，结合脉冲神经元，通过双通道脉冲神经网络实现低功耗高精度预测。

13、进一步地，所述s3包括以下步骤：

14、s301、对获取的数据集进行清洗处理；

15、s302、根据经清洗后的数据，分别对图像数据和非图像数据，进行数据增强处理；

16、s303、根据经数据增强后的数据，分别对时序数据和空间数据，利用小波变换提取不同尺度下的特征，完成对数据集的预处理。

17、上述进一步方案的有益效果是：确保所有数据都是完整且准确的，移除或修正任何错误的记录，比如异常值或损坏的流场数据。同时加速模型的收敛速度，提升模型泛化能力，并提高其预测精度。

18、再进一步地，所述s5中迁移学习源域模型的非线性特征映射关系的表达式如下：

19、

20、其中，x表示基于循环脉冲神经网络与脉冲残差神经网络的双模态特征融合模型网络，表示低马赫数下预测的多物理场，θ表示双模态特征融合模型网络的模型参数，表示燃烧室的上壁面压力，表示燃烧室的下壁面压力，t表示时间，ma表示马赫数，s表示燃烧室的构型设计变量表示。

21、上述进一步方案的有益效果是：循环脉冲神经网络和脉冲残差神经网络结合，可以有效地处理时序数据和图像数据，同时维持较低的能量消耗。双模态特征融合模型能够有效地处理多模态数据集，实现更好的模型性能。

22、再进一步地，所述s5中迁移学习源域模型包括：

23、输入处理模块，用于接收输入的非图像数据和图像数据，并将接收的非图像数据和图像数据进行脉冲编码，生成脉冲序列，所述输入处理模块包括两个通道，一通道接收输入的非图像数据，二通道接收输入的图像数据；

24、脉冲神经网络模块，用于利用循环脉冲神经网络作为一通道的脉冲神经网络模块，提取脉冲序列的特征，以及利用脉冲残差神经网络作为二通道的脉冲神经网络模块，提取脉冲序列的特征，其中，所述一通道的脉冲神经网络模块，包括若干层具有周期性并以前馈方式连接的脉冲神经元层组成的多个循环层；所述二通道的脉冲神经网络模块包括若干层脉冲残差块连接而成的脉冲残差神经网络，脉冲残差块在映射路径上的卷积前添加了lif神经元；

25、特征融合模块，用于将一通道和二通道提取的特征分别展平为一维特征向量，并利用函数融合为含有多模态信息的特征向量，其中，表示特征拼接函数，用于拼接将一通道和二通道的一维特征向量；

26、输出模块，用于将融合的特征向量展平并计算均值，并利用两层全连接层获取多物理场的张量，并输出。

27、上述进一步方案的有益效果是：输入处理模块将数据分为两通道，进行卷积操作以及脉冲编码，以便后续脉冲神经网络模块特征提取。脉冲神经网络模块分别对两通道的数据进行特征提取，一通道通过循环连接的脉冲网络有效捕捉时间序列中的动态信息，二通道采用脉冲残差块引入跳跃连接缓解了梯度消失和爆炸问题。特征融合模块将时序模态和图像模态的信息结合，提高模型泛化能力。输出模块完成数据转换并进行多物理场的预测输出。

28、再进一步地，所述脉冲神经元的替代函数为使用负斜率的多高斯代理梯度：

29、

30、其中， 表示多高斯代理梯，表示脉冲神经元的膜电位，表示脉冲神经元的内部阈值，和均表示超参数，表示多重高斯函数，表示协方差矩阵；

31、所述脉冲残差块的输出的表达式如下：

32、

33、其中，表示第l个脉冲残差块的输出，表示残差路径，表示直接映射路径，表示将和输出张量相加，表示第l-1个脉冲残差块的输出。

34、上述进一步方案的有益效果是：使用负斜率的多高斯代理梯度作为脉冲神经元的替代函数，有效解决脉冲神经元不能直接进行训练的问题，并缓解神经元在输入小于零时，无法更新权重的问题，提高模型的预测能力。

35、再进一步地，所述迁移学习源域模型的损失函数的表达式如下：

36、

37、

38、

39、所述迁移学习目标域模型的损失函数的表达式如下：

40、

41、

42、

43、其中，表示迁移学习源域模型的损失函数，表示迁移学习目标域模型的损失函数，表示均方误差，表示结构相似性指数，n表示神经网络模型的训练次数，表示第i个样本的迁移学习源域模型预测的多物理场，表示第个样本的迁移学习目标域模型预测的多物理场，x表示数值计算获取的第一多物理场，表示数值计算获取的第二多物理场，y表示迁移学习源域模型预测的多物理场，表示迁移学习目标域模型预测的多物理场，分别表示x和y的平均值，分别表示和的平均值，分别表示x和y的方差，分别表示和的方差，表示x和y的协方差，表示和的协方差，表示第一常数，表示第二常数，表示第i个样本的数值模拟获取的多物理场，表示第个样本的数值模拟获取的多物理场。

44、上述进一步方案的有益效果是：提供了一种简单直观的像素差异度量，有助于确保预测流场与真实流场在亮度上的接近性，通过考虑亮度、对比度和结构相似性，有助于保留流场的纹理和细节。通过赋予和不同的权重（如0.7和0.3），为模型训练提供了一个更加全面和鲁棒的损失函数，有效提高多物理场预测精度。

45、再进一步地，所述s7具体为：

46、冻结已训练的迁移学习源域模型的输入处理模块、一通道中的四层循环脉冲网络层以及二通道中的四层残差脉冲网络层，并在迁移学习源域模型的输出模块上添加卷积层、归一化层和激活函数层，得到基于高马赫数宽域下变几何超声速燃烧室多物理场的迁移学习目标域模型。

47、上述进一步方案的有益效果是：卷积层能有效捕捉高马赫数多物理场的空间特征，归一化层有助于加速训练过程，激活函数层引入非线性，允许网络学习更复杂的特征映射，以便网络学习到高马赫数多物理场的复杂特征，实现从低马赫数到高马赫数的迁移学习。

48、再进一步地，所述s8具体为：

49、加载已训练的迁移学习源域模型冻结部分的权重，作为初始权重，利用目标域数据的训练集，更新迁移学习目标域模型未冻结部分的权重。将目标域数据的测试集输入至训练好的高马赫数的迁移学习目标域模型，评估迁移学习目标域模型，得到适用于高马赫数宽域下变几何超声速燃烧室多物理场智能预测模型的最优权重。

50、上述进一步方案的有益效果是：冻结部分权重将低马赫数相关知识迁移至高马赫数模型训练中，有效缓解在高马赫数条件下，数据难以获取以及模型难以拟合的问题。通过更新未冻结部分的权重，提取高马赫数多物理场特征，获得目标域模型，即高马赫数宽域变几何超声速燃烧室多物理场预测模型。通过在目标域数据上的测试集上评估模型，可以验证模型的泛化能力，找到能够最准确预测目标领域数据的模型。

51、再进一步地，所述s9包括以下步骤：

52、s901、通过用户界面设计工具创建前端用户界面，并通过javascript编写交互逻辑；

53、s902、将最优的迁移学习目标域模型部署至服务器，并构建的api接口；

54、s903、根据构建的api接口，采用web的javascript库d3.js将高马赫数宽域变几何超声速燃烧室多物理场转换为直观的图形，以展示燃烧室的多物理场特性。

55、上述进一步方案的有益效果是：创建一个直观和用户友好的前端界面，提高用户交互性。同时通过将高复杂度的多物理场仿真数据转换成直观的图形和图像，使得用户可以更容易地理解和分析超声速燃烧室内的物理现象，帮助用户更快地做出决策。

56、本发明提供了一种超声速燃烧室多物理场智能预测可视化系统，包括：

57、数据获取子系统，用于基于不同燃烧室的构型，分别在低马赫数和高马赫数条件下进行非定常数值仿真计算；

58、数据集构建子系统，用于基于其中一固定燃烧室的构型，利用地面风洞试验获取的非定常数值仿真计算的准确性，构建高保真度的数据集；

59、数据预处理子系统，用于对获取的数据集进行预处理；

60、模型训练子系统，用于利用低马赫数数据对基于低马赫数的迁移学习源域模型进行训练，对迁移学习源域模型进行调整，并将高马赫数数据输入至基于高马赫数的迁移学习目标域模型，完成迁移学习并保存权重；

61、模型预测子系统，用于将迁移学习目标域模型权重存储在本地文件系统中，加载训练迁移学习目标域模型以及迁移学习目标域模型权重，对接收新的输入数据进行多物理场实时预测，并将预测结果以适当的数据格式输出；

62、可视化子系统，用于采用web的javascript库d3.js可视化库，将下一时刻多物理场转换为图形图像，并提供用户交互功能。

63、本发明的有益效果是：本发明通过研发高马赫数宽域变几何超声速燃烧室多物理场智能预测可视化系统，方便用户更好地理解和分析可视化结果，及时控制并做出决策。这对加速超声速发动机优化设计进程，降低数值模型的时间复杂性，确保发动机正常工作具有重要意义。