一种基于卷积深度算子网络的未知上升气流环境估计方法

本发明涉及一种基于卷积深度算子网络的未知上升气流环境估计方法，通过考虑红外传感测量的温度场数据可以提升风资源探测效率，而卷积深度算子网络能够让无人机在未知工况下准确估计出上升气流环境，能为长航时无人机的控制策略提供风资源的探索方向，属于无人机风能利用过程中的风资源探测与风场环境估计领域。

背景技术：

1、静态滑翔是一种广泛使用的无人机风能利用技术，主要通过在上升气流中进行盘旋爬升来延长无人机的整体飞行时间。在稳定上升气流环境中的无人机自主控制相对比较简单，但随着对流强度的增加，上升气流环境也会变得越来越紊乱，例如会产生强烈的湍流结构。目前，大多数研究采用由热驱动的上升气流环境，通常会基于统计数据建立上升气流的标准经验模型，并结合无人机测量到的风速与位置信息来识别上升气流。然而，实际上升气流的复杂湍流特征通常无法用一个简单的经验公式来表示，这时通常采用cfd数值方法来求解更加准确的上升气流特征。

2、在缺少飞行环境有效信息的情况下，盲目地对可利用的上升气流环境进行大范围的搜索，会显著降低无人机的风能利用效率。因此，在无人机正式飞行之前通常会对上升气流的整体环境进行探测，通过合适的算法处理探测到的风资源图(例如风速场)后，可以在正式飞行过程中根据估计的风场信息来选择更优的飞行路线和控制策略。然而，常规的机载风速测量系统通常只能用于测量稀疏空间位置处的风场信息，使得无人机获取环境信息的效率会比较低。同时，传统的回归估计算法在面对全新环境时会导致估计性能显著下降，即无法准确地评估全新工况下的上升气流环境。

技术实现思路

1、本发明的目的在于针对常规机载风传感测量范围小、数据稀疏的缺点，以及传统无模型回归算法泛化能力差的问题，提出一种基于卷积深度算子网络的未知上升气流环境估计方法，与传统方法相比，本发明考虑了测量更广、更连续的红外传感数据，并且能够通过卷积深度算子网络来对未知工况下的上升气流环境进行准确的估计。

2、本发明的目的是通过以下技术方案来实现的：

3、一种基于卷积深度算子网络的未知上升气流环境估计方法，该方法具体为：

4、获取机载传感器测量得到的温度场数据及对应的位置坐标数据；

5、将温度场数据转换为无量纲温度场数据；

6、将无量纲温度场数据及对应的位置坐标数据输入至一训练好的卷积深度算子网络，输出获得估计的未知上升气流的无量纲速度场，即未知上升气流环境；

7、所述训练好的卷积深度算子网络是基于不同工况下上升气流的温度场与速度场数据库，通过最小化网络输出与真值的损失函数进行训练获得的。

8、进一步地，所述机载传感器采用红外传感系统，红外传感系统测量范围更广、采样数据更连续的红外传感系统，并可通过数值模拟方法来模拟实际机载传感数据。

9、进一步地，所述不同工况下上升气流的温度场与速度场数据库通过模拟获得，具体如下：

10、选择二维rayleigh-benard自然热对流问题来模拟实际上升气流，设置瑞利数ra作为流动工况条件，通过改变二维rayleigh-benard自然热对流场的上下边界温度差值δt来改变瑞利数ra工况，在开源程序openfoam中通过数值求解得到高保真度的上升气流的无量纲温度场θ与速度场(ux，uy)数据。

11、进一步地，根据oberbeck-bossinesq近似假设，忽略navier-stokes方程组中除了与浮升有关的其他项的密度变化，简化二维rayleigh-benard自然热对流问题。

12、进一步地，在开源程序openfoam中通过数值求解得到高保真度的上升气流的无量纲温度场θ与速度场(ux，uy)数据，具体如下：对rb对流计算域两侧边界施加周期性边界条件，对底部热壁施加无滑移恒温t＝th边界条件，对顶部冷壁施加无滑移恒温t＝tc边界条件，参考温度设置为tref＝(th+tc)/2；th，tc分别为rb对流场的上、下边界温度；采用openfoam程序中的bouyantboussinesqpimplefoam求解器来对压力与速度耦合求解，对于数值离散格式，采用欧拉格式进行时间的离散化，采用高斯线性格式梯度项的离散化，采用单元有限的二阶高斯线性逆风格式进行速度扩散项的离散化，采用校正后的高斯线性格式进行拉普拉斯项的离散化。

13、进一步地，所述卷积深度算子网络采用fnn网络、deeponet(fnn)网络或deeponet(cnn)网络；其中，所述deeponet(fnn)网络包括主干网络、分支网络和内积层；主干网络用于对位置坐标数据进行编码并输出一组标量；分支网络用于对无量纲温度场数据进行编码并输出另一组标量，内积层用于合并两组标量并输出估计的无量纲速度场；主干网络与分支网络采用fnn结构；所述deeponet(cnn)网络包括主干网络、分支网络和内积层；主干网络用于对位置坐标数据进行编码并输出一组标量；分支网络用于对无量纲温度场数据进行编码并输出另一组标量，内积层用于合并两组标量并输出估计的无量纲速度场；主干网络采用fnn结构，分支网络采用cnn结构。

14、进一步地，所述deeponet(cnn)代理模型通过如下方法训练获得：

15、采用adam优化器来快速收敛并且减少训练时间，学习率设置为1×10-5，最大迭代次数为200000，激活函数采用relu函数，dropout比例设置为0.3，p＝256，每次训练实例数为250个，损失函数采用均方误差形式。对于deeponet(cnn)网络，其主干网络采用隐藏层为[9×300]的fnn结构，而分支网络采用具有三层卷积层的cnn结构。

16、进一步地，所述deeponet(cnn)代理模型的训练与测试采用不同瑞利数工况下的数值模拟数据：

17、训练数据的工况包括在瑞利数ra＝3×107～6×107范围内的16个已知工况，测试数据的工况采用3个未被训练的工况ra＝3.5×107，ra＝4.5×107，ra＝5.5×107(在ra＝3×107～6×107范围内)和2个全新工况ra＝2.8×107，ra＝6.2×107(在ra＝3×107～6×107范围外)。

18、进一步地，所述损失函数采用均方误差形式。

19、一种无人机飞行控制方法，包括：

20、利用所述一种基于卷积深度算子网络的未知上升气流环境估计方法获得估计的无量纲速度场；

21、基于估计的无量纲速度场采用模型预测控制方法选择更优的飞行路线和控制策略控制无人机飞行。

22、本发明的有益效果是：

23、1.采用测量范围更广、采样数据更连续的红外传感系统，并通过数值模拟的rb自然热对流场来模拟实际机载传感数据，弥补了常规机载风传感测量范围小、采样数据稀疏的缺点，有效提升了长航时无人机的风资源探测效率，从而进一步提升长航时无人机的风能利用效果。

24、2.在常规deeponet架构的基础上，搭建了一种deeponet(cnn)架构，采用cnn结构作为分支网络来提取输入数据的主要特征，降低了数据的维度，从而在训练deeponet(cnn)时能够减轻计算机内存与运算的压力。

25、3.通过deeponet(cnn)架构来学习热上升气流的温度场到速度场的映射，与其他常规网络架构相比，能够在未知工况下对风场环境进行更加准确的估计，有助于提升长航时无人机的风能利用效果。