CN119475605A 知识引导的流场重构及激波串前缘位置检测方法与系统 （中国空气动力研究与发展中心空天技术研究所）

知识引导的流场重构及激波串前缘位置检本发明属于超声速流动燃烧技术领域和人引导的流场重构及激波串前缘位置检测方法与提升了对复杂气动环境中流动特性的适应能力2S4、构建一个针对S2中所获得数据集的变参数边界层残差模块用于增强网络的深度学习能力以缓注意力机制模块用于捕获全局上下文信息，处理具有多尺度流动特征的复杂流动场；卷积层用于：捕捉流场中的空间模式和局部结构，增强对复杂S5、基于S3构建的训练集对变参数边界层抽吸隔S6、基于S3构建的测试集对变参数边界层抽卷积层用于：捕捉流场中的空间模式和局部结构，增强对复杂2.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在3所使用的整个数据配置包含网格点，网格的密度分布根据不同区域对为了研究不同条件下的流场特征，隔离段进口的初始流入条件被设定为：总温度为3.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在为构建数据集，以支持基于知识引导的变参数边4.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在获取了多个流场快照，每个快照包含速度场的x分量(u)、速度场5.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在采用知识蒸馏的方法构建模型，分为教师模型和学生模型两大部分4在学生模型的构建中，以卷积层和最大池化层为基础，提取结合交叉熵损失和Kullback_Leibler散度损失，学生模型能够学习教师模型中蕴含的知在使用知识蒸馏的过程中，教师模型和学生模型的损失函数由两学生模型的输出与真实标签之间的损失，另一部分是学生模型与教师模型输出之间的损多尺度卷积层通过不同大小的卷积核提取输入数据的Transformer编码层结合了前馈神经网络和多6.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在创建基于PyTorch的环境框架以支持模型的训练过程，采用了自适应矩估计的Adam优7.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在在模型训练完成后，基于构建的测试集对变参数边界层抽吸完成预测之后，通过一系列评估指标来量化模型的预测能力8.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在首先将机器学习模型所预测的压力场、密度场和速度场作为Navier_Stokes方程的初5据之间的差异，而物理机理损失则评估模型输出在满足Navier_Stokes方程及其边界条件9.根据权利要求1所述的知识引导的流场重构及激波串前缘位置检测方法，其特征在构建一个激波串前缘位置检测模型，该模型的综合考虑流场中各类特征，形成对激波前缘位置的全局理解，同时采用LeakyReLU激活函采用梯度加权类激活映射Grad_CAM方法对流场中的关键特征进行可视结合决策边界可视化方法UMAP，对特征空间中的数据分布进行将经过S5训练获得的隔离段流场重构及激波串前缘位置检测模型嵌入613.根据权利要求12所述的一种知识引导的流场重构及激波串前缘位置检测系统，其控制模块：包括将检测结果及相关性能指标及控制反馈信号这7[0002]超燃冲压发动机作为在军事防护和航空航天领域中应用的理想高超声速推进系串前缘位置的检测能力，新开发了一种结合物理机理的知识蒸馏算法的新型神经网络模S4、构建一个针对S2中所获得数据集的变参数边界层抽吸隔离段流场重构模型；8残差模块用于增强网络的深度学习能力以缓Transformer编码器模块用于：提取出流场波系结构，从而增强流场重构的准确S7、将S6得到的预测结果代入Navier_Stokes方程并结合边界条件和数值求解方9型在训练过程中不仅依赖于真实标签进行学习，还借助教师模型生成的软标签进行指导；Transformer编码层结合了前馈神经网络和多创建基于PyTorch的环境框架以支持模型的训练过程，采用了自适应矩估计的CORR这三个指标进行评价，PSNR衡量图像的重建质量，SSIM（StructuralSimilarityIndex,SSIM）则从结构信息的角度评估图像质量，CORR（CorrelationCoefficient,首先将机器学习模型所预测的压力场、密度场和速度场作为Navier_Stokes方程将经过S5训练获得的隔离段流场重构及激波串前缘位置检测模型嵌入至FPGA平[0016]本发明的第二个目的是提供一种知识引导的流场重构及激波串前缘位置检测系图2为本发明知识引导的流场重构及激波串前缘位置检测方法的整体结构示意[0022]如图1所示，一种知识引导的流场重构及激波串前缘位置检测方法，包括如下步S4、构建一个针对S2中所获得数据集的变参数边界层抽吸隔离段流场重构模型；残差模块用于增强网络的深度学习能力以缓Transformer编码器模块用于：提取出流场波系结构，从而增强流场重构的准确S7、将S6得到的预测结果代入Navier_Stokes方程并结合边界条件和数值求解方燃烧室由隔离段和燃烧段组成。隔离段进气道横截面积为30*150mm2，长度为0.3m。隔离段包括两部分：长度为0.22m的直段和长度为0.08m的膨胀段为了构建高质量的数据集以支持基于知识引导的变参数边界层抽吸隔离段流场[0030]整个数据配置由92342个网格点组成，网格的密度分布因不同区域对精度要求的入数据包括边界上的1203个点和500个内部残差点，这些点具有时间t和空间(x,y)的坐同马赫数条件下的流场特征在训练和测试中均有熵损失和Kullback_Leibler散度损失，使得学生模型能够有效地学习教师模型中的知识，从而在保持高效性的同时尽量接近教师模型[0037]在使用知识蒸馏的过程中，教师模型和学生模型的Lsoft是学生模型输出与教师模型输出之间的损失，通常使用KullbackQK[0041]Transformer编码层结合了前馈神经网络和多头注意力机制，以进一步捕捉全局CORR这三个指标进行评价，PSNR衡量图像的重建质量，SSIM（StructuralSimilarityIndex,SSIM）则从结构信息的角度评估图像质量，CORR（CorrelationCoefficient,[0043]S7、将S6得到的预测结果代入Navier_Stokes方程并结合适当的边界条件和数值理机理模型基于Navier_Stokes(NS)方程和边其中，数据驱动损失通常定义为真实标签和模型预测值之间的均方误差隔离段流场重构及激波串前缘位置检测网络的[0049]S10、将隔离段流场重构及激波串前缘