一种机翼表面压力重构方法、电子设备及存储介质与流程

1.本发明属于风洞试验技术领域，具体涉及一种机翼表面压力重构方法、电子设备及存储介质。


背景技术：

2.在飞行器设计的各个阶段，空气动力学的研究对于飞机气动特征估计至关重要。而飞行器各部件表面的压力分布为飞行器及各部件结构强度的计算提供气动载荷分布的原始数据，同时为研究飞行器及各部件的性能以及研究模型的绕流特性提供依据，是空气动力学的研究至关重要的一环。目前获取飞行器各部件表面的压力分布的主要途径为：风洞测压试验和计算流体动力学数值模拟仿真计算方法（cfd，computational fluid dynamics），但是两种方法均有缺陷和不足。
3.风洞测压试验技术是生产型风洞的常规试验技术能力之一，是衡量一个风洞试验技术发展成熟与否的标志性技术，是风洞的试验能力建设水平的体现。风洞试验的可信度较高，获取的气动力/载荷结果往往作为考核数值仿真方法精度的标准。然而，由于风洞试验的周期较长，对试验人员的经验性依赖较高，试验方案的合理性直接影响气动载荷的获取效率和效果。现有的工程实践普遍认为翼型表面至少需要布置50～100个测压孔，经过压力分布积分得到的升力和俯仰力矩系数精度才较为可信。为获得翼型表面完整的流场信息，传统方法通常在翼型表面布置足够多的测压孔进行风洞试验，通过简单的插值重构获得翼型全表面的压力分布需要较多的测压孔。对于复杂飞行器，受限于空间位置和试验成本，测压数据获得不充分，使得传统的方法精度不够；且复杂飞行器跨声速风洞试验的气动载荷受参数影响敏感，精细化的气动力/载荷的测量难度更大、周期更长。数值模拟仿真计算有着实施简单、方便灵活等特点，却因为物理模型的不明确，复杂流动的模拟往往与真实结果存在较大出入，无法达到与风洞试验一致的准确度。


技术实现要素：

4.本发明要解决的问题是为了解决常规测压试验受限于空间位置和试验成本，难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息，直接积分获得的升力和力矩精度不足；而数值仿真方法又因为物理模型的不明确，复杂流动的模拟往往与真实结果存在一定出入，且无法将其规律简单应用到风洞试验数据的问题，提出一种机翼表面压力重构方法、电子设备及存储介质。
5.为实现上述目的，本发明通过以下技术方案实现：一种机翼表面压力重构方法，包括如下步骤：s1、通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据，将得到的机翼表面原始压力数据进行预处理，构建用于机翼表面压力重构的深度神经网络数据集；s2、构建机翼表面压力重构深度神经网络模型，通过损失函数的修改实现步骤s1
得到的用于机翼表面压力重构的深度神经网络数据集中试验数据和数值仿真数据两种来源数据样本的融合，并对构建的机翼表面压力重构深度神经网络模型进行训练测试；s3、对步骤s2构建的机翼表面压力重构深度神经网络模型的超参数采用粒子群优化算法进行优化，得到优化后的机翼表面压力重构深度神经网络模型；s4、利用步骤s3得到的优化后的机翼表面压力重构深度神经网络模型，应用于新飞机模型风洞测压试验，重构模型机翼表面的全息压力分布，预测模型机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证。
6.进一步的，步骤s1的具体实现方法包括如下步骤：s1.1、三维机翼风洞测压试验和三维机翼模型数值仿真计算采集机翼表面原始压力数据，包括马赫数、攻角、侧滑角、总压、雷诺数、表面压力系数；s1.2、设置三维机翼模型的预期精度为三维机翼的展向节点数为57~81，三维机翼的弦向节点数为161~241，根据三维机翼模型的预期精度进行网格划分，得到三维机翼模型的网格节点，作为三维机翼模型的全息网格节点；s1.3、将步骤s1.2得到的三维机翼模型的全息网格节点根据三维机翼模型的网格节点按照行、列进行排列，得到展开的三维机翼模型的全息网格节点；s1.4、根据步骤s1.3得到的展开的三维机翼模型的全息网格节点坐标信息数据对步骤s1.1获得的机翼表面原始压力数据进行采样，通过插值得到三维机翼模型的全息网格节点压力数据；并根据风洞测压试验测压点位置获得对应三维机翼模型的全息网格节点的二维展开坐标信息数据；s1.5、构建用于机翼表面压力重构的深度神经网络数据集，包括：用于机翼表面压力重构的深度神经网络数据集的数据包括工况状态参数、预期精度网格点数据、测压试验原始表面压力数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的位置数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的数值仿真表面压力数据。
7.进一步的，步骤s2的具体实现方法包括如下步骤：s2.1、机翼表面压力重构深度神经网络模型，采用二维u型卷积神经网络结构，包括卷积层、池化层、反卷积层，其中卷积层卷积核尺寸为3
×
3；池化层负责对输入的数据空间维度进行下采样，设置2
×
2的感受野为最大值池化，滑动步长为2；反卷积层的卷积核尺寸为2
×
2进行上采样；s2.2、设置机翼表面压力重构深度神经网络模型的学习速率、迭代次数、层数、每层神经元的个数、批尺寸，激活函数，以均方根误差作为损失函数进行训练，均方根误差损失函数的计算公式为：
ꢀꢀꢀ
(1)其中，为损失函数，为权重参数、为偏置项参数，为训练样本数，和为已知样本数据，为模型预测值，为模型预测函数，为输入值经过前向传播的函数公式；训练采用反向传播算法，利用链式求导法则计算已知样本数据与模型预测值之间的损失函数对每个权重参数或偏置项的偏导数，然后逐层反向地更新权重参数或偏置项参
数，用于构建机翼表面压力重构深度神经网络模型，机翼表面压力重构深度神经网络模型中参数的梯度下降算法的计算公式为：
ꢀꢀꢀ
(2)
ꢀꢀꢀꢀ
(3)其中，是第l层节点到第l-1层节点的权重，是第层节点的偏置项，为梯度算子，为学习速率；根据链式求导法则，求解损失函数对每个权重或偏置项的导数，计算公式为：(4) (5)其中，、是第层节点的输出值、第层节点的输出值，是第层节点经过 计算得到的结果，等于；令每个神经元的误差的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)将公式(6)代入公式(4)、公式(5)可得：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)输出层的计算公式为：
ꢀꢀꢀꢀ
(9)将公式(9)带入公式(6)，得到每个神经元的误差的计算公式为：
ꢀꢀ
(10)将公式(10)带入公式(7)、公式(8) 可计算出输出层中的权重和偏置项的梯度更新值；隐藏层的计算公式，根据复合函数求导公式得到计算公式为：
(11)将公式(11)带入公式(6)可得： (12)将公式 (12) 带入公式(7)、公式(8) 推算出隐藏层中的权重和偏置项的梯度更新值；通过迭代优化完成模型训练；s2.3、对步骤s2.2得到的机翼表面压力重构深度神经网络模型进行校准：对均方根误差损失函数进行修正：通过使用惩罚系数进行修正，得到平均平方误差损失函数的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，为数值模拟样本数据的数量；为风洞试验样本数据的数量；为数值模拟样本数据的惩罚系数。
8.进一步的，步骤s3的具体实现方法包括如下步骤：s3.1、首先，采用非线性化的调整策略对粒子群优化算法中惯性因子进行改进，通过调整惯性因子对全局的最佳粒子进行扰动，增加停滞检测，惯性因子的计算公式为：
ꢀꢀꢀꢀꢀ
（14）其中，表示最大惯性因子；表示最小惯性因子；表示当前的迭代次数；表示最大迭代次数。
9.s3.2、将步骤s3.1改进的粒子群优化算法用于步骤s2构建的机翼表面压力重构深度神经网络模型超参数优化中，以学习速率、迭代次数、层数、每层神经元的个数、批尺寸、及损失函数中的权值作为优化参数，从随机解出发，通过迭代寻找最优超参数；s3.3、将步骤s3.2得到的最优超参数用于步骤s2构建的机翼表面压力重构深度神经网络模型，得到优化后的机翼表面压力重构深度神经网络模型，并对优化后的机翼表面压力重构深度神经网络模型进行训练测试。
10.进一步的，步骤s4的具体实现方法包括如下步骤：s4.1、利用步骤s3得到的优化后的的机翼表面压力重构深度神经网络模型，重新训练测试，重构模型机翼表面的全息压力分布，并将模型机翼表面的全息压力分布结果进行逆操作，实现模型机翼表面的全息压力分布可视化；s4.2、对优化前后的机翼表面压力重构深度神经网络模型的预测效果进行比较验证评估；s4.3、将得到的优化后的机翼表面压力重构深度神经网络模型应用于模型风洞测
压试验，对机翼部件进行有限压力测点的全息表面压力重构建模和验证评估。
11.电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种机翼表面压力重构方法的步骤。
12.计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种机翼表面压力重构方法。
13.本发明的有益效果：本发明所述的一种机翼表面压力重构方法，通过融合试验数据和cfd仿真数据，利用不同数据源的特征进行相互关联，提升气动数据一致性，有效挖掘气动数据的内在联系，降低多源数据的内部偏差。
14.本发明所述的一种机翼表面压力重构方法，具有共用性，具有一定的普适性和推广性，可用于复杂飞行器的常规测压试验，并在数据预处理阶段将三维模型展开为二维模型，降低了模型构建难度，提升了模型训练效率；并通过超参数优化算法，解决了人工设置调整超参数过程复杂，效率低下的问题。将数值仿真与风洞试验数据进行融合，既利用了风洞试验实测数据，又能发挥cfd技术的优势，利用稀疏的试验测压数据重构出完整压力分布，提升风洞试验数据的空间分辨率，为非测量点的气动载荷设计提供更高准确度的气动特性数据，解决空间受限稀疏观测条件下的分布载荷精细化重构难题。
附图说明
15.图1为本发明所述的一种机翼表面压力重构方法的流程图；图2为本发明所述的三维机翼模型的全息网格节点示意图；图3为本发明所述的三维机翼模型的三维向二维相互转换的空间示意图。
具体实施方式
16.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
17.因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
18.为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-附图3详细说明如下：具体实施方式一：
19.一种机翼表面压力重构方法，包括如下步骤：s1、通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据，将得到的机翼表面原始压力数据进行预处理，构建用于机翼表面压力重构的深度神经网络数据集；
进一步的，步骤s1的具体实现方法包括如下步骤：s1.1、三维机翼风洞测压试验和三维机翼模型数值仿真计算采集机翼表面原始压力数据，包括马赫数、攻角、侧滑角、总压、雷诺数、表面压力系数；s1.2、设置三维机翼模型的预期精度为三维机翼的展向节点数为57~81，三维机翼的弦向节点数为161~241，根据三维机翼模型的预期精度进行网格划分，得到三维机翼模型的网格节点，作为三维机翼模型的全息网格节点；s1.3、将步骤s1.2得到的三维机翼模型的全息网格节点根据三维机翼模型的网格节点按照行、列进行排列，得到展开的三维机翼模型的全息网格节点；s1.4、根据步骤s1.3得到的展开的三维机翼模型的全息网格节点坐标信息数据对步骤s1.1获得的机翼表面原始压力数据进行采样，通过插值得到三维机翼模型的全息网格节点压力数据；并根据风洞测压试验测压点位置获得对应三维机翼模型的全息网格节点的二维展开坐标信息数据；进一步的，考虑到模型表面上相邻点压力数据存在空间依赖，按照展开网格节点按顺序对数值模拟原始表面压力数据进行采样；同时，考虑风洞试验数据的测压孔位置信息，与全息网格节点位置进行对应，得到其对应位置信息；将所有数据按以上要求进行预处理；s1.5、构建用于机翼表面压力重构的深度神经网络数据集，包括：用于机翼表面压力重构的深度神经网络数据集的数据包括工况状态参数、预期精度网格点数据、测压试验原始表面压力数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的位置数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的数值仿真表面压力数据；s2、构建机翼表面压力重构深度神经网络模型，通过损失函数的修改实现步骤s1得到的用于机翼表面压力重构的深度神经网络数据集中试验数据和数值仿真数据两种来源数据样本的融合，并对构建的机翼表面压力重构深度神经网络模型进行训练测试；进一步的，步骤s2的具体实现方法包括如下步骤：s2.1、机翼表面压力重构深度神经网络模型，采用二维u型卷积神经网络结构，包括卷积层、池化层、反卷积层，其中卷积层卷积核尺寸为3
×
3；池化层负责对输入的数据空间维度进行下采样，设置2
×
2的感受野为最大值池化，滑动步长为2；反卷积层的卷积核尺寸为2
×
2进行上采样；s2.2、设置机翼表面压力重构深度神经网络模型的学习速率、迭代次数、层数、每层神经元的个数、批尺寸，激活函数，以均方根误差作为损失函数进行训练，均方根误差损失函数的计算公式为：
ꢀꢀꢀ
(1)其中，为损失函数，为权重参数、为偏置项参数，为训练样本数，和为已知样本数据，为模型预测值，为模型预测函数，为输入值经过前向传播的函数公式；对于卷积神经网络模型，预测值与实际值的误差越小，说明模型越好，因此，网络结构的训练过程就是最小化损失函数的过程，即求解损失数的极值点；
训练采用反向传播算法，利用链式求导法则计算已知样本数据与模型预测值之间的损失函数对每个权重参数或偏置项的偏导数，然后逐层反向地更新权重参数或偏置项参数，用于构建机翼表面压力重构深度神经网络模型，机翼表面压力重构深度神经网络模型中参数的梯度下降算法的计算公式为：
ꢀꢀꢀ
(2)
ꢀꢀꢀꢀ
(3)其中，是第l层节点到第l-1层节点的权重，是第层节点的偏置项，为梯度算子，为学习速率；根据链式求导法则，求解损失函数对每个权重或偏置项的导数，计算公式为：(4) (5)其中，、是第层节点的输出值、第层节点的输出值，是第层节点经过 计算得到的结果，等于；令每个神经元的误差的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)将公式(6)代入公式(4)、公式(5)可得：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)输出层的计算公式为：
ꢀꢀꢀꢀ
(9)将公式(9)带入公式(6)，得到每个神经元的误差的计算公式为：
ꢀꢀ
(10)将公式(10)带入公式(7)、公式(8) 可计算出输出层中的权重和偏置项的梯度更新值；
隐藏层的计算公式，根据复合函数求导公式得到计算公式为：(11)将公式(11)带入公式(6)可得： (12)将公式 (12) 带入公式(7)、公式(8) 推算出隐藏层中的权重和偏置项的梯度更新值；通过迭代优化完成模型训练；s2.3、对步骤s2.2得到的机翼表面压力重构深度神经网络模型进行校准：对均方根误差损失函数进行修正：通过使用惩罚系数进行修正，得到平均平方误差损失函数的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，为数值模拟样本数据的数量；为风洞试验样本数据的数量；为数值模拟样本数据的惩罚系数；s3、对步骤s2构建的机翼表面压力重构深度神经网络模型的超参数采用粒子群优化算法进行优化，得到优化后的机翼表面压力重构深度神经网络模型；进一步的，步骤s3的具体实现方法包括如下步骤：s3.1、首先，采用非线性化的调整策略对粒子群优化算法中惯性因子进行改进，通过调整惯性因子对全局的最佳粒子进行扰动，增加停滞检测，如果经过连续的n次迭代，全局最优粒子的变化小于某一个阈值，则表明此时种群可能陷入了局部最优，出现停滞现象，则对当前的粒子进行扰动以改变它的位置，其余粒子仍然采用原来的方法进行更新；惯性权重在算法停滞的情况下进行递减，当优化稳定时值不变；在此改进过程中，惯性权重的计算表达式为：
ꢀꢀꢀꢀꢀ
（14）其中，表示最大惯性因子；表示最小惯性因子；表示当前的迭代次数；表示最大迭代次数。
20.s3.2、将步骤s3.1改进的粒子群优化算法用于步骤s2构建的机翼表面压力重构深度神经网络模型超参数优化中，以学习速率、迭代次数、层数、每层神经元的个数、批尺寸、及损失函数中的权值作为优化参数，从随机解出发，通过迭代寻找最优超参数；s3.3、将步骤s3.2得到的最优超参数用于步骤s2构建的机翼表面压力重构深度神经网络模型，得到优化后的机翼表面压力重构深度神经网络模型，并对优化后的机翼表面压力重构深度神经网络模型进行训练测试；
s4、利用步骤s3得到的优化后的机翼表面压力重构深度神经网络模型，应用于新飞机模型风洞测压试验，重构模型机翼表面的全息压力分布，预测模型机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证；进一步的，步骤s4的具体实现方法包括如下步骤：s4.1、利用步骤s3得到的优化后的的机翼表面压力重构深度神经网络模型，重新训练测试，重构模型机翼表面的全息压力分布，并将模型机翼表面的全息压力分布结果进行逆操作，实现模型机翼表面的全息压力分布可视化；s4.2、对优化前后的机翼表面压力重构深度神经网络模型的预测效果进行比较验证评估；s4.3、将得到的优化后的机翼表面压力重构深度神经网络模型应用于飞机模型风洞测压试验，对机翼部件进行有限压力测点的全息表面压力重构建模和验证评估。
21.从图3能够看出三维机翼模型三维向二维的相互转换操作，主要依靠表面网格节点位置信息数据的不同表达，同一节点位置信息数据三维可以以坐标形式表示，二维可以以不同方向的编号形式显示，存在一一对应，通过不同位置信息数据表示方式的相互转换实现三维机翼模型三维向二维的相互转换操作。
22.具体实施方式二：电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种机翼表面压力重构方法的步骤。
23.本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种机翼表面压力重构方法的步骤。
24.所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
25.所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
26.具体实施方式三：计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种机翼表面压力重构方法。
27.本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机
程序时，可以实现上述的一种机翼表面压力重构方法的步骤。
28.所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
29.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
30.虽然在上文中已经参考具体实施方式对本技术进行了描述，然而在不脱离本技术的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本技术所披露的具体实施方式中的各项特征均可通过任意方式相互结合 起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节 约资源的考虑。因此，本技术并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

技术特征：
1.一种机翼表面压力重构方法，其特征在于，包括如下步骤：s1、通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据，将得到的机翼表面原始压力数据进行预处理，构建用于机翼表面压力重构的深度神经网络数据集；s2、构建机翼表面压力重构深度神经网络模型，通过损失函数的修改实现步骤s1得到的用于机翼表面压力重构的深度神经网络数据集中试验数据和数值仿真数据两种来源数据样本的融合，并对构建的机翼表面压力重构深度神经网络模型进行训练测试；s3、对步骤s2构建的机翼表面压力重构深度神经网络模型的超参数采用粒子群优化算法进行优化，得到优化后的机翼表面压力重构深度神经网络模型；s4、利用步骤s3得到的优化后的机翼表面压力重构深度神经网络模型，应用于新飞机模型风洞测压试验，重构模型机翼表面的全息压力分布，预测模型机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证。2.根据权利要求1所述的一种机翼表面压力重构方法，其特征在于，步骤s1的具体实现方法包括如下步骤：s1.1、三维机翼风洞测压试验和三维机翼模型数值仿真计算采集机翼表面原始压力数据，包括马赫数、攻角、侧滑角、总压、雷诺数、表面压力系数；s1.2、设置三维机翼模型的预期精度为三维机翼的展向节点数为57~81，三维机翼的弦向节点数为161~241，根据三维机翼模型的预期精度进行网格划分，得到三维机翼模型的网格节点，作为三维机翼模型的全息网格节点；s1.3、将步骤s1.2得到的三维机翼模型的全息网格节点根据三维机翼模型的网格节点按照行、列进行排列，得到展开的三维机翼模型的全息网格节点；s1.4、根据步骤s1.3得到的展开的三维机翼模型的全息网格节点坐标信息数据对步骤s1.1获得的机翼表面原始压力数据进行采样，通过插值得到三维机翼模型的全息网格节点压力数据；并根据风洞测压试验测压点位置获得对应三维机翼模型的全息网格节点的二维展开坐标信息数据；s1.5、构建用于机翼表面压力重构的深度神经网络数据集，包括：用于机翼表面压力重构的深度神经网络数据集的数据包括工况状态参数、预期精度网格点数据、测压试验原始表面压力数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的位置数据、测压试验原始表面压力数据对应三维机翼模型的全息网格节点的数值仿真表面压力数据。3.根据权利要求1或2所述的一种机翼表面压力重构方法，其特征在于，步骤s2的具体实现方法包括如下步骤：s2.1、机翼表面压力重构深度神经网络模型，采用二维u型卷积神经网络结构，包括卷积层、池化层、反卷积层，其中卷积层卷积核尺寸为3
×
3；池化层负责对输入的数据空间维度进行下采样，设置2
×
2的感受野为最大值池化，滑动步长为2；反卷积层的卷积核尺寸为2
×
2进行上采样；s2.2、设置机翼表面压力重构深度神经网络模型的学习速率、迭代次数、层数、每层神经元的个数、批尺寸，激活函数，以均方根误差作为损失函数进行训练，均方根误差损失函数的计算公式为：
ꢀꢀꢀ
(1)其中，为损失函数，为权重参数、为偏置项参数，为训练样本数，和为已知样本数据，为模型预测值，为模型预测函数，为输入值经过前向传播的函数公式；训练采用反向传播算法，利用链式求导法则计算已知样本数据与模型预测值之间的损失函数对每个权重参数或偏置项的偏导数，然后逐层反向地更新权重参数或偏置项参数，用于构建机翼表面压力重构深度神经网络模型，机翼表面压力重构深度神经网络模型中参数的梯度下降算法的计算公式为：
ꢀꢀꢀ
(2)
ꢀꢀꢀꢀ
(3)其中，是第l层节点到第l-1层节点的权重，是第层节点的偏置项，为梯度算子，为学习速率；根据链式求导法则，求解损失函数对每个权重或偏置项的导数，计算公式为：(4) (5)其中，、是第层节点的输出值、第层节点的输出值，是第层节点经过 计算得到的结果，等于；令每个神经元的误差的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)将公式(6)代入公式(4)、公式(5)可得：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)输出层的计算公式为：
ꢀꢀꢀꢀ
(9)将公式(9)带入公式(6)，得到每个神经元的误差的计算公式为：
ꢀꢀ
(10)将公式(10)带入公式(7)、公式(8) 可计算出输出层中的权重和偏置项的梯度更新值；隐藏层的计算公式，根据复合函数求导公式得到计算公式为：(11)将公式(11)带入公式(6)可得： (12)将公式 (12) 带入公式(7)、公式(8) 推算出隐藏层中的权重和偏置项的梯度更新值；通过迭代优化完成模型训练；s2.3、对步骤s2.2得到的机翼表面压力重构深度神经网络模型进行校准：对均方根误差损失函数进行修正：通过使用惩罚系数进行修正，得到平均平方误差损失函数的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，为数值模拟样本数据的数量；为风洞试验样本数据的数量；为惩罚系数。4.根据权利要求3所述的一种机翼表面压力重构方法，其特征在于，步骤s3的具体实现方法包括如下步骤：s3.1、首先，采用非线性化的调整策略对粒子群优化算法中惯性因子进行改进，通过调整惯性因子对全局的最佳粒子进行扰动，增加停滞检测，惯性因子的计算公式为：
ꢀꢀꢀꢀꢀ
（14）其中，表示最大惯性因子，表示最小惯性因子，表示当前的迭代次数，表示最大迭代次数；s3.2、将步骤s3.1改进的粒子群优化算法用于步骤s2构建的机翼表面压力重构深度神经网络模型超参数优化中，以学习速率、迭代次数、层数、每层神经元的个数、批尺寸、及损失函数中的惩罚系数作为优化参数，从随机解出发，通过迭代寻找最优超参数；s3.3、将步骤s3.2得到的最优超参数用于步骤s2构建的机翼表面压力重构深度神经网络模型，得到优化后的机翼表面压力重构深度神经网络模型，并对优化后的机翼表面压力重构深度神经网络模型进行训练测试。5.根据权利要求4所述的一种机翼表面压力重构方法，其特征在于，步骤s4的具体实现方法包括如下步骤：s4.1、利用步骤s3得到的优化后的的机翼表面压力重构深度神经网络模型，重新训练测试，重构模型机翼表面的全息压力分布，并将模型机翼表面的全息压力分布结果进行逆
操作，实现模型机翼表面的全息压力分布可视化；s4.2、对优化前后的的机翼表面压力重构深度神经网络模型的预测效果进行比较验证评估；s4.3、将得到的优化后的的机翼表面压力重构深度神经网络模型应用于模型风洞测压试验，对机翼部件进行有限压力测点的全息表面压力重构建模和验证评估。6.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的一种机翼表面压力重构方法的步骤。7.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种机翼表面压力重构方法。

技术总结
一种机翼表面压力重构方法、电子设备及存储介质，属于风洞试验技术领域。为解决风洞测压试验的高效和准确的问题。本发明通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据进行预处理，生成用于机翼表面压力重构的深度神经网络数据集；构建的机翼表面压力重构深度神经网络模型，通过损失函数的修改融合风洞试验和数值仿真两种来源的数据集，采用粒子群优化算法对模型超参数进行优化得到优化后深度神经网络模型进行训练测试；将方法用于模型风洞测压试验，重构机翼表面的全息压力分布，预测机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证。本发明可用于复杂飞行器的常规测压试验。规测压试验。规测压试验。


技术研发人员：王祥云 李鸿岩 张小亮 曹晓峰 郭承鹏 刘哲 王强 崔榕峰
受保护的技术使用者：中国航空工业集团公司沈阳空气动力研究所
技术研发日：2023.04.21
技术公布日：2023/7/18