(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111496251.X (22)申请日 2021.12.09 (65)同一申请的已公布的文献号 申请公布号 CN 113901594 A (43)申请公布日 2022.01.07 (73)专利权人 中国空气动力研究与发展中心计 算空气动力研究所 地址 621052 四川省绵阳市涪城区二环路 南段6号 (72)发明人 王岳青　杨志供　邓亮　代喆　 杨文祥　赵丹　喻杰　王昉　陈呈　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 代理人 何祖斌(51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 10710 3117 A,2017.08.2 9 CN 106202804 A,2016.12.07 审查员 王璇 (54)发明名称 一种飞行器表面的气动热环境智能预测方 法 (57)摘要 本发明属于飞行器气动热预测技术领域， 具 体涉及一种飞行器表面的气动热环境智能预测 方法。 其技术方案为： 一种飞行器表面的气动热 环境智能预测方法， 包括构建多外形多条件气动 热数据库； 提取飞行器外形全局特征； 提取飞行 器局部区域特征； 将飞行条件参数化； 融合邻域 特性的气动热智能预测模型； 进行 飞行器表面气 动热智能预测模 型测试。 本发明提供了一种高效 精确地进行飞行器表面气动热环境预测的方法。 权利要求书3页 说明书7页 附图2页 CN 113901594 B 2022.03.08 CN 113901594 B 1.一种飞行器表面的气动热环境智能预测方法， 其特 征在于， 包括 S1： 构建多外形多条件气动热 数据库； S2： 提取飞行器外形全局特 征； S3： 提取飞行器局部区域特 征； S4： 将飞行 条件参数化； S5： 融合邻域特性的气动热智能预测模型； S6： 进行飞行器表面气动热智能预测模型测试； 步骤S1具体包括以下步骤： S11： 针对球头、 钝锥、 钝双锥、 双椭球、 升力体、 航天飞机的6大类不同飞行器三维数模 外形， 在飞行高度为2 0km、 30km、 35km、 40km、 45km、 50km、 60km， 马赫数范围为5、 10、 15、 2 0， 攻 角范围为0 °、 2.5°、 5°、 7.5°、 10°、 12.5°、 15°、 17.5°、 20°， 分别进行数值模拟计算获得飞行 器表面热流场； S12： 在任意飞行器i的表面进行随机投点采样， 获得覆盖飞行器表面的N个点的空间坐 标值(x1i,y1i,z1i)～  (xNi,yNi,zNi)， 通过步骤S11获得飞行器i在飞行条件j下的热流场 分布Qij； 之后对热流场Qij进行插值计算， 得到N个点对应的热流值Q1ij～Qnij； 针对步骤 S11中得到的所有飞行器外形和热流场Q ij进行投点和插值操作， 形成气动热 数据库； 步骤S2具体包括以下步骤： S21： 基于点云数据的飞行器全局特征提取： 步骤S12中获得了覆盖飞行器表面的N个点 的坐标， 使用这N个点作为输入， 通过自动编码器编码到64维的特征向量d1， 再解码到与输 入大小相同的输出向量， 通过最小化输出与输入之间的重构误差训练自动编码器； 训练完 成后， 将向量d1视为飞行器表面的特 征向量； S22： 基于投影的飞行器全局特征提取： 对飞行器的三维数模外形分别在x ‑y、 y‑z和x‑z 平面进行投影， 获得3个投影平面的二维飞行器外形， 通过二维自动编码 器抽取飞行器的投 影特征d2， d2维度为64； S23： 将步骤S21获得的向量d1和步骤S22获得的向量d2拼接得到飞行器外形全局特征 向量dg， 向量维度为128维。 2.根据权利要求1所述的一种飞行器表面的气动热环境智能预测方法， 其特征在于， 步 骤S3具体包括以下步骤： S31： 对步骤S12中产 生的N个点， 计算任意两个点之间的距离， 并获得离每个点最近的3 个邻居点的坐标， 形成N个点的邻居列表 L， L中每一项是一个3*3的矩阵， 第一个3表 示3个邻 居点， 第二个3表示x,y,z三个坐标值； S32： 使用步骤S31中得到的邻居列表L， 计算每个点的邻居坐标协方差矩阵， 之后计算 协方差矩阵的特征值和特征向量， 并使用最小特征值对应的特征向量作为法向量， 最终获 得所有点处的法向量； S33： 使用步骤S31中得到的邻 居列表L和步骤S32中获得的所有点法向量， 得到N个点的 邻居点的法向量列表， 计算每 个点的法向量与其3个邻居点的法向量之间的夹角； S34： 计算 N个点处的表面曲率、 主曲率、 高斯曲率和平均曲率； S35： 对所有点计算步骤S32获得的法向量与飞行攻角之间的夹角， 并依据夹角判断各 个点处于迎风区还是背风区， 当点的法向量与攻角方向的夹角在0～90 °之间， 说明该点处权　利　要　求　书 1/3 页 2 CN 113901594 B 2于迎风区， 当夹角为 钝角时， 说明该点处于背风区； S36： 对每个表面点， 将步骤S12中得到的三维点坐标、 步骤S32中得到的三维法向量、 步 骤S33中得到的三维法向量夹角 、 步骤S34中得到的4个四维曲率、 步骤S35中得到的一维夹 角以及一维迎风背风区归属， 共6个步骤的输出向量 拼接成一个长度为15的向量； S37： 对所有外形的所有表面点， 均采用步骤S31～S36产生100*N个15维向量， 并使用这 些数据训练一个自动编码 器， 自动编 码器输入长度为 15， 包含编码 器和解码 器， 编码器输出 为128， 解码 器输入为编码器输出， 解码器输出长度与编码器输入长度相同， 均为 15， 通过最 小化解码器输出与自动编码器输入的重构误差训练自动编 码器； 训练完成后， 抛弃解码 器， 使用编码器输出的128维向量dL代表表面点的局部特 征。 3.根据权利要求2所述的一种飞行器表面的气动热环境智能预测方法， 其特征在于， 步 骤S4的具体步骤为： 将步骤S11中的飞行条件进行参数化， 得到128维的特征向量： 首先通过飞行高度获得 该高度处空气密度、 空气温度、 压强3个值， 然后将飞行高度、 密度、 温度、 压强、 马赫 数、 攻角 6个值通过自动 编码器的编码器编码成128维的特 征向量。 4.根据权利要求3所述的一种飞行器表面的气动热环境智能预测方法， 其特征在于， 步 骤S5具体包括以下步骤： S51： 融合邻域特性的气动热智能预测模型及代价 函数设计； S52： 融合邻域信息的预测值 微调网络 。 5.根据权利要求4所述的一种飞行器表面的气动热环境智能预测方法， 其特征在于， 步 骤S51的具体步骤为： 将步骤S23、 步骤S37和步骤S4获得的向量拼接， 得到长度为384维的输入向量， 将步骤 S1中使用数值方法得到的每个点处的热流值作为指导标签； 构建深度神经网络开展模型训 练， 神经网络通过构造代价函数指导训练过程； 在深度神经网络的代价函数中增加邻居信 息， 代价函数为： （1） ； 公式 （1） 中， Q指 当前点的真实热流值， Q ’指通过深度神经网络预测的该点的热流值， 代 价函数第一项表示要不断调整网络参数以最小化预测热流和数值模拟结果； 第二项中Qi’ 表示当前点的第i个邻居点通过神经网络预测的热流值， di表示当前点与第i个邻居点之间 的距离， L表示当前点共有L个邻居点； 使用公式 （1） 作为代价函数调整网络参数， 直到训练 误差下降到指定阈值后固定网络参数， 得到智能预测模型M1。 6.根据权利要求5所述的一种飞行器表面的气动热环境智能预测方法， 其特征在于， 步 骤S52的具体步骤为： 将飞行器表面所有点均使用步骤S51获得的网络M1后， 获得所有点的预测热流值； 计算 每个点的k个邻居节点， 设计一个新的网络M2， 并将公式 （2） 作为神经网络的输入， 用真实Q 值做标签指导M2的训练；权　利　要　求　书 2/3 页 3 CN 113901594 B 3