组合式细节特征增强的隔离段流场智能重构方法OA
针对超声速流场智能重构方法存在的复杂波系结构特征丢失、无法有效捕捉非定常流场的时间演化特性,以及共同导致的无法准确辨识激波串前缘位置(shock train leading edge,STLE)等问题,提出基于组合式细节特征增强的神经网络模型。基于稀疏压力数据实现密度梯度场的高精度预测,模型通过多层卷积网络串联建立流场的主要波系结构特征,利用残差网络通过跳跃连接将不同尺度感受野的特征进行融合,增强重构流场的细节特征表达能力。基于冲压发动机数值模拟计算构建的数据集进行验证,结果显示,与多层卷积神经网络相比,该方法在整个测试集上的平均峰值信噪比提升了9.5%。重构流场的STLE与数值计算结果高度吻合,进一步证明了所提方法的有效性。
吴京润;邓雪;田野;胥梦绮;张华
西南科技大学信息工程学院,四川绵阳621000中国空气动力研究与发展中心空天技术研究所,四川绵阳621000西南科技大学信息工程学院,四川绵阳621000 中国空气动力研究与发展中心空天技术研究所,四川绵阳621000西南科技大学信息工程学院,四川绵阳621000 中国空气动力研究与发展中心空天技术研究所,四川绵阳621000西南科技大学信息工程学院,四川绵阳621000
航空航天
冲压发动机隔离段流场重构激波串前缘位置深度学习
《国防科技大学学报》 2026 (1)
P.274-286,13
国家自然科学基金资助项目(11902337)西南科技大学研究生创新基金资助项目(25ycx2019)。
评论