一种基于深度学习的气膜冷却温度场数字孪生方法及系统

1.本发明涉及热防护技术领域，尤其涉及一种基于深度学习的气膜冷却温度场数字孪生方法及系统。


背景技术：

2.设计、制造、检测、运维的智能化是热防护技术的发展趋势。对于关联/经验模型，其缺点是高维低、精度低；而对于实验/cfd(计算流体动力学)方法，其缺点是成本高，耗时长；因此，建立可靠的高维、高精度预测模型，实现多物理场的快速预测，对航空航天热防护的设计和优化十分必要。
3.燃气轮机系统对更高效率要求更高的运行温度。目前燃气轮发动机的涡轮入口温度远远超出了并行高温合金材料的可容忍范围。因此，开发高温合金/陶瓷材料以及应用主动冷却技术来保护燃气轮机系统的热段变得至关重要。目前实施的冷却技术一般集成了各种内部冷却方法和外部冷却方法。在这些方法中，气膜冷却是应用最广泛的外部冷却方法之一。冷却剂空气通过槽或离散孔排出，在热部件的外表面形成冷却剂空气薄膜，避免了高温气体对涡轮叶片的热侵蚀，达到了冷却保护的目的。
4.绝热壁面冷却效果是评价气膜冷却的主要标准。气膜冷却效率受吹气比、密度比、主流湍流强度、孔形和孔位等多种因素的影响。为了达到更高的冷却性能，需要准确预测局部温度细节，优化气膜冷却参数。然而，由于冷却剂射流与主流流动之间的复杂相互作用，很难理解气膜冷却流场及其相应的冷却效率分布。目前对气膜冷却的可行性评价，仍是在实验的基础上，借助成熟的非接触测量技术，如压敏涂料、红外热成像和液晶。为了缓解上面提到的挑战，获得高保真和快速响应的二维有效性分布，目前在气膜冷却建模方面提出的一些方法有如下的优缺点：
5.1)在预测单孔排的冷却效果方面，应用最广泛的相关性之一是baldauf的一维相关性，继一维相关之后，sellers最早提出了气膜冷却槽的叠加计算模型。其缺点是baldauf相关性不能准确预测不同类型气膜冷却的有效性；sellers的叠加方程不能考虑到局部条件或局部几何的细节。简单的显式方程不足以模拟叠加的气膜冷却结构的复杂表面温度分布，即使是横向平均值。除了精度问题外，这些相关性的维数也很低，只能为规则排列的气膜冷却孔提供一维结果。利用随机分布的离散孔洞，很少有能够预测表面二维冷却效率分布的相关性。这是由于随机分布射流从上游到下游相互影响并叠加的流场具有极高的复杂性和非线性。特别是当考虑到高温高压条件时，问题中应该涉及到更多的非线性特征，如气体/空气物性的变化，冷却效果的响应就变得更加复杂。
6.2)在cfd的方面，近十年来对横流射流现象的研究表明，对气膜冷却结构近壁面湍流的模拟存在着巨大的困难。各向异性湍流扩散被认为是传统的双方程湍流方法(如剪应力输运模型)无法模拟的一种重要机制。同时，普朗特数的计算也存在不准确性，反梯度标量扩散机制异常，超出了扩散模型的能力。为解决这些气膜冷却预测问题而进行的研究尝试，一般都是基于湍流的先验知识和解析推导，与数据的整合程度较低。遵循这一技术路线
的先驱研究来自li等人。为了获得更精确的雷诺应力和湍流标量通量模型，他们提出了一个代数各向异性湍流模型，并通过前缘带莲蓬头发散和全覆盖发散的叶片实验对其进行了验证。通过对四种不同湍流模型的比较，他们证明了代数各向异性模型与实验数据在定性和定量上有较好的一致性。li等人的后续研究提出了一种改进的代数各向异性涡流黏度法(aaev)，该方法考虑了壁面和平均流场应变对各向异性比的影响。新的aaevk-ε模型正确地预测了膜的展向扩展和二次涡的衰减。
7.3)在机器学习方面，虽然湍流建模是计算流体动力学不可避免的问题，但数据驱动方法可以以牺牲数据为代价规避这种困难。2012年出现的深度学习方法在用图像或矩阵格式回归许多物理场方面显示出了巨大的潜力，并自然而然地与气膜冷却预测兼容。在普适逼近定理的保证下，研究人员试图建立几何形状与气膜冷却效果之间的映射关系。结果表明，深度学习模型能够以较高的精度和良好的泛化能力识别数据集中的抽象特征。这些深度学习方法的主要优点是气膜冷却预测速度极快，一般比cfd方法快105倍。然而，也因为使用了数值数据来训练深度学习模型，对于气膜冷却的准确性仍然存在着担忧，因为回归模型不会比驱动它的数据有更高的精度。可能的方法在于实验数据或les数据。不幸的是，这种更高保真度的数据对于训练深度神经网络还是远远不够的，无论是对于气膜冷却数据的数量还是分布都是如此。
8.4)在热流体问题的数据融合方法，提高气膜冷却建模精度的一种潜在技术是将模拟数据与实验数据集成，称为“数据同化”。这类方法通常基于现有的部分解析的物理，如navier-stokes方程，并用实验数据对这些方程中的几个参数进行建模。li等人提出了一种连续伴随数据同化模型，该模型成功地从有限数量的壁面压力测量中重建了全球湍流平均流。该模型对高雷诺数分离流、强逆压梯度流和复杂流均有较好的预测效果。他们引入了一种各向异性的伴随数据同化方案，对有限空间范围和可测量的湍流平均流量测量数据进行了补充。他们对圆形射流流场、过钝板流场和过肋壁流场的复杂流场重建取得了良好的结果。deng等人使用基于集成-卡尔曼滤波的数据同化方法优化rans模型常数，从局部测量数据中恢复全局流场。他们分别对四种不同的rans模型验证了数据同化方法的效果。所有采用数据同化方法的研究模型都有显著改善，其中k-k模型表现最好。虽然数据同化方法可以作为提高气膜预测精度的好工具，但仍存在两大缺点:a)实验气膜冷却数据普遍为界面温度(有效性)，而大量模拟数据处于主流流中，导致数据分布不匹配；b)数据同化方法仍然需要求解navier-stokes方程，速度太慢，无法向设计人员提供即时响应。解决方案可能仍然与机器学习有关。
9.迁移学习是机器学习和数据同化方法的一个特殊类别，它提供了借助从相似数据集获得的预训练模型提高一个数据集建模精度的能力。在大多数情况下，源数据集数据量大，数据分布良好，而目标数据集可能只有很少的数据。预先训练的模型在源数据集上学习一个初始映射，然后在目标数据集上进行微调。如果两个学习任务相似，转移的模型将成功完成预训练模型的部分内部结构，并在目标数据集中准确执行。现有的迁移学习方法包括基于模型的迁移学习(微调)、基于实例的迁移学习和基于特征的迁移学习。
10.在最近关于迁移学习和物理学的研究中，一些关于热流体问题的出版物已经揭示了迁移学习在小数据集上实现高精度的潜力。wang等人提出了一种基于条件生成对抗网络(cgan)的转移学习模型，用于预测涡轮叶片表面的三维压力分布。该模型从大规模低保真
数据集中学习到的知识被转移到小规模高保真数据集中。结果表明，转移学习有效地提高了小规模数据集上的泛化精度。obiols-sales等人引入了超分辨率流网络(surfnet)，可以加速高分辨率湍流cfd模拟。surfnet在低分辨率模拟数据中进行训练，然后通过高分辨率数据集进行微调。该模型以1/15的训练数据为代价，表现出良好的分辨率不变性和泛化能力。
11.因此，本领域的技术人员致力于开发一种基于深度学习的气膜冷却温度场数字孪生方法及系统。


技术实现要素：

12.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是实验气膜冷却数据普遍为界面温度，而大量模拟数据处于主流流中，导致数据分布不匹配，数据同化方法求解速度慢，无法向设计人员提供即时响应，为实现上述目的，本发明提供了一种基于深度学习的气膜冷却温度场数字孪生方法，其特征在于，所述方法包括如下步骤：
13.s101：构建气膜冷却实验装置，所述实验装置包括传感器、测量和数据采集系统，所述实验装置完成实验数据的测量和采集；
14.s103：采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，所述实验数据用于对预训练模型进行微调，生成迁移模型；
15.s105：训练所述预训练模型，采用cfd结果作为预训练数据源，生成所述预训练模型；
16.s107：同化数值数据，使用基于迭代神经算子的迁移学习方法来同化所述数值数据，所述数值数据包括来自不同图像大小和图像层的数据；
17.s109：分别进行空间、结构和工况推演，更新物理-虚拟同步模型。
18.进一步地，在所述步骤s101中，所述气膜冷却实验装置包括风洞、压力容器、流量计、低温恒温器、红外热成像仪、测量和数据采集系统；其中，所述风洞截面为矩形，在所述风洞的测量区域上游安装蜂巢，以提供均匀的气流；所述压力容器为主流流和二次流提供驱动力；所述流量计安装在所述风洞中部，测量所述主流流的速度；所述二次流在进行压力和温度的测量之前由所述低温恒温器将所述二次流冷却到-5℃；所述红外热成像仪记录射流冷却板外表面温度分布，所述测量和数据采集系统采用热电偶对所述主流流和二次流的温度进行实时测量，并进行数据采集，所述主流流和所述二次流的混合物最终从所述风洞出口排放到环境中。
19.进一步地，在所述步骤s103中，所述实验数据在预定实验条件获得，所述预定实验条件包括：实验在常温常压下进行，所述主流流和所述二次流的背压为1atm，所述主流流的温度为299.60k，所述二次流的温度为273.15k；实验样品材料为增材制造材料，所述增材制造材料为不饱和聚酯树脂，所述材料的导热系数为0.1w/m/k。
20.进一步地，在所述步骤s105中，所述训练预训练模型包括如下步骤：
21.s1051：使用cfd结果作为预训练数据源；
22.s1052：利用五折交叉验证选出合适的超参数；
23.s1053：训练过程中的学习率设置为1e-3；
24.s1054：采用adam优化器更新所述预训练模型权重；
25.s1055：将所述数值数据样本转换为图像进行机器学习，得到具有泛化精度的所述预训练模型。
26.进一步地，在所述步骤s1051中，通过在等温条件下模拟一个随机分布的渗出孔穿过的平板，来获取气膜几何图形，利用所述气膜几何图形进行cfd模拟生成cfd数值数据。
27.进一步地，所述cfd模拟的计算域只包含流体域，计算单元为非结构化多面体，边界层区域生成棱柱网格；所述气膜几何图形在预设的约束条件下生成，所述约束条件为在等温条件下随机分布的渗出孔模拟穿过平板，所述渗出孔分布区域长度为40mm，所述渗出孔直径为1mm，所述渗出孔数量为10～15个，所述渗出孔按照预定条件分布；其中，所述预定条件包括：所述孔不重叠，所述孔中心距离不小于所述孔直径的2倍；所述孔的孔洞构型具有多样性；所述外表面的孔分布在40mm
×
20mm的矩形区域内。
28.进一步地，在所述步骤s107中，所述迭代神经算子的偏微分方程为：
29.，
30.差异形式表示为:
31.，
32.其中，u为所需解的物理量，f为关于u及其导数的非线性函数，ω为计算域，γ为边界。
33.进一步地，在所述步骤s109中，通过基于模型的迁移学习方法，将所述预训练模型迁移到所述实验数据，对所述预训练模型进行微调，生成所述迁移模型，将微调过程的学习率设置为1e-4，将微调过程中所述预训练模型中的所有卷积层设置为可训练。
34.进一步地，所述推演使用预定的卷积核大小、隐含层个数和隐藏状态图层数参数，对所述迭代神经算子网络模型进行训练，通过adam优化器更新模型权重，其中，
35.所述空间推演，使用残缺气膜冷却效率图像训练所述迭代神经算子网络，使所述迭代神经算子网络学习到空间共性的物理规律，并推演出残缺部分的物理图像，输出完整的所述气膜冷却效率图像，恢复整个温度场的图像；
36.所述结构推演，使用孔数和孔排布方式与训练集完全不同的测试样本训练所述迭代神经算子网络，使所述迭代神经算子网络能够推演出不同孔分布及位置的几何图层和预测气膜叠加现象，并输出完整的气膜冷却效率图像，恢复整个温度场的图像；
37.所述工况推演，使用工况条件与训练集完全不同的测试样本训练所述迭代神经算子网络，使所述迭代神经算子网络从中学习工况条件对于气膜冷却效率的影响，并推演出不同工况条件下的物理图像，输出完整的气膜冷却效率图像，恢复整个温度场的图像；所述工况条件包括：不同的吹风比、不同的湍流强度和不同的密度比。
38.另一方面，本发明还提供了一种基于深度学习的气膜冷却温度场数字孪生系统，其特征在于，所述系统采用基于深度学习的气膜冷却温度场数字孪生方法构建，所述系统包括模型训练模块、传感器模块、数据采集模块、数据处理模块、物理-虚拟同步模块和推演模块；其中，
39.所述模型训练模块，利用机器学习对模型进行预训练，得到预训练模型，并通过迁
移学习对所述预训练模型进行微调，生成迁移模型；
40.所述传感器模块，包括传感器接口，通过所述传感器接口，配合所述数据采集模块完成气膜冷却试验数据的采集；
41.所述数据采集模块，采集cfd仿真数据和所述气膜冷却实验数据，所述数据经过所述数据处理模块处理后，作为所述模型训练模块的训练数据和测试数据；
42.所述数据处理模块，对所述数据采集模块采集的数据进行处理，所述处理包括将所述cfd仿真数值转换为图像，对数值数据同化处理，对所述cfd仿真数据和所述实验数据进行回归处理；
43.所述物理-虚拟同步模块，通过基于模型的迁移学习方法，将所述预训练模型迁移到所述实验数据，对所述预训练模型进行微调，生成所述迁移模型，实现物理模型和虚拟模型的同步；
44.所述推演模块，应用所述模型训练模块训练的模型，实现对空间、结构和工况的推演，更新物理-虚拟同步模型。
45.在本发明的较佳实施方式中，和现有技术相比，本发明具有如下有益效果：
46.1、本发明设计的适用于气膜冷却的数字孪生方法，具有数据同化和推演功能，可支撑气膜冷却的高效精准设计；
47.2、本发明设计的迭代神经算子模型能够精确捕获积液的非线性特征，并能高质量地预测随机孔构型的局部积液冷却效果。与直接机器学习方法相比，在达到相同的精度的情况下，转移学习显著降低了对训练样本数量(减少2-3倍)和训练周期(减少5-6倍)的要求，在数据成本和训练成本相同的情况下，迁移学习的误差分别降低了63.7％、41.8％和46.2％。
48.以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
49.图1是本发明的一个较佳实施例的流程示意图；
50.图2是本发明的一个较佳实施例的构建框架示意图；
51.图3是是本发明的一个较佳实施例的实现步骤示意图；
52.图4是是本发明的一个较佳实施例的基于迭代神经算子的迁移学习方法来同化数值数据步骤示意图；
53.图5是是本发明的一个较佳实施例的迁移学习步骤示意图；
54.图6是是本发明的一个较佳实施例的软硬件同步示意图；
55.图7是是本发明的一个较佳实施例的气膜冷却实验装置示意图；
56.图8是本发明的一个较佳实施例的结构推演效果图；
57.图9是本发明的一个较佳实施例的工况推演效果图。
58.其中：1-压缩机、2-阀门、3-流量计、4-蜂巢、5-红外热成像仪、6-红外透明玻璃、7-气流通道、8-气膜冷却板、9-风洞墙、10-送风室、11-冷却空气入口、12-上位机、13-数据采集器、14-低温恒温器、15-流量控制器、16-压力调节器。
具体实施方式
59.以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
60.在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
61.如图1所示，本发明实施例提供的一种基于深度学习的气膜冷却温度场数字孪生方法，该方法包括如下步骤：
62.s101：构建气膜冷却实验装置，该实验装置完成实验数据的测量和采集。
63.该气膜冷却实验装置包括风洞、压力容器、流量计3、低温恒温器14、红外热成像仪5、测量和数据采集系统，如图7所示。其中，该风洞截面为矩形，在风洞的测量区域上游安装蜂巢4，以提供均匀的气流；压力容器为主流流和二次流提供驱动力；流量计3安装在风洞中部，测量主流流的速度；二次流在进行压力和温度的测量之前由低温恒温器14将二次流冷却到-5℃；红外热成像仪5记录射流冷却板外表面温度分布，测量和数据采集系统采用热电偶对主流流和二次流的温度进行实时测量，并进行数据采集，主流流和二次流的混合物最终从风洞出口排放到环境中。
64.s103：采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，所述实验数据用于对预训练模型进行微调，生成迁移模型。
65.上述实验数据在预定实验条件获得，该预定实验条件包括：实验在常温常压下进行，主流流和二次流的背压为1atm，主流流的温度为299.60k，二次流的温度为273.15k；实验样品材料为增材制造材料，该增材制造材料为不饱和聚酯树脂，该材料的导热系数为0.1w/m/k。
66.s105：训练预训练模型，采用cfd结果作为预训练数据源，生成所述预训练模型。
67.在进行预训练模型的训练时，包括如下步骤：
68.s1051：使用cfd结果作为预训练数据源：通过在等温条件下模拟一个随机分布的渗出孔穿过的平板，来获取气膜几何图形，利用该气膜几何图形进行cfd模拟生成cfd数值数据，该cfd数值数据作为预训练的数据源。cfd模拟的计算域只包含流体域，计算单元为非结构化多面体，边界层区域生成棱柱网格；该气膜几何图形在如下约束条件下生成：在等温条件下随机分布的渗出孔模拟穿过平板，该渗出孔分布区域长度为40mm，渗出孔直径为1mm，渗出孔数量为10～15个，上述渗出孔按照如下条件分布：孔不重叠，孔中心距离不小于孔直径的2倍；孔的孔洞构型具有多样性；外表面的孔分布在40mm
×
20mm的矩形区域内。
69.s1052：利用五折交叉验证选出合适的超参数；
70.s1053：训练过程中的学习率设置为1e-3；
71.s1054：采用adam优化器更新所述预训练模型权重；
72.s1055：将所述数值数据样本转换为图像进行机器学习，得到具有泛化精度的所述预训练模型。
73.s107：同化数值数据，使用基于迭代神经算子的迁移学习方法来同化所述数值数据，所述数值数据包括来自不同图像大小和图像层的数据。
74.迁移学习是机器学习和数据同化方法的一个特殊类别，它提供了借助从相似数据集获得的预训练模型提高一个数据集建模精度的能力。在大多数情况下，源数据集数据量大，数据分布良好，而目标数据集可能只有很少的数据。预先训练的模型在源数据集上学习一个初始映射，然后在目标数据集上进行微调。如果两个学习任务相似，转移的模型将成功完成预训练模型的部分内部结构，并在目标数据集中准确执行。现有的迁移学习方法包括基于模型的迁移学习(微调)、基于实例的迁移学习和基于特征的迁移学习。迭代神经算子模型能够精确捕获积液的非线性特征，并能高质量地预测随机孔构型的局部积液冷却效果。与直接机器学习方法相比，转移学习显著降低了对训练样本数量(减少2-3倍)和训练周期(减少5-6倍)的要求，以达到相同的精度。同时，在数据成本和训练成本相同的情况下，迁移学习的误差分别降低了63.7％、41.8％和46.2％。
75.本发明实施例中使用的迭代神经算子的偏微分方程为：
76.，
77.差异形式表示为:
78.，
79.其中，u为所需解的物理量，f为关于u及其导数的非线性函数，ω为计算域，γ为边界。
80.s109：分别进行空间、结构和工况推演，更新物理-虚拟同步模型。
81.通过基于模型的迁移学习方法，将预训练模型迁移到实验数据，对该预训练模型进行微调，生成迁移模型，将微调过程的学习率设置为1e-4，将微调过程中预训练模型中的所有卷积层设置为可训练。在进行推演时，使用预定的卷积核大小、隐含层个数和隐藏状态图层数参数，对所述迭代神经算子网络模型进行训练，通过adam优化器更新模型权重，其中，
82.空间推演，使用残缺气膜冷却效率图像训练迭代神经算子网络，使迭代神经算子网络学习到空间共性的物理规律，并推演出残缺部分的物理图像，输出完整的所述气膜冷却效率图像，恢复整个温度场的图像；
83.结构推演，使用孔数和孔排布方式与训练集完全不同的测试样本训练迭代神经算子网络，使迭代神经算子网络能够推演出不同孔分布及位置的几何图层和预测气膜叠加现象，并输出完整的气膜冷却效率图像，恢复整个温度场的图像；
84.工况推演，使用工况条件与训练集完全不同的测试样本训练迭代神经算子网络，使迭代神经算子网络从中学习工况条件对于气膜冷却效率的影响，并推演出不同工况条件下的物理图像，输出完整的气膜冷却效率图像，恢复整个温度场的图像；不同的工况条件包括：不同的吹风比、不同的湍流强度和不同的密度比。
85.本发明实施例设计的一种适用于气膜冷却的数字孪生方法，涵盖了数据同化和推演功能，可支撑气膜冷却的高效精准设计。本发明适用于空间非完整和物理非完整数据的气膜冷却问题，通过极少实测信息获取精准的全局物理场。通过对cfd结果的数值数据进行机器学习，获得预训练模型；使用由物理定律驱动的一种基于迭代神经算子的迁移学习方
法来同化数值数据，用于对cfd仿真和实验获得的图像数据进行回归。通过基于模型的迁移学习方法(微调)，将预训练模型迁移到实验数据集。本方法构建的数字孪生系统，在已知1％的数据的情况下所推演的完整数据与实验所得数据基本吻合，对于非完整数据的同化能力效果显著。
86.如图2所示，本发明实施例提供的一种基于深度学习的气膜冷却温度场数字孪生系统，该系统采用基于深度学习的气膜冷却温度场数字孪生方法构建，该系统包括模型训练模块、传感器模块、数据采集模块、数据处理模块、物理-虚拟同步模块和推演模块；其中，
87.模型训练模块，利用机器学习对模型进行预训练，得到预训练模型，并通过迁移学习对该预训练模型进行微调，生成迁移模型；
88.传感器模块，包括传感器接口，通过传感器接口，配合数据采集模块完成气膜冷却试验数据的采集；
89.数据采集模块，采集cfd仿真数据和气膜冷却实验数据，上述数据经过数据处理模块处理后，作为模型训练模块的训练数据和测试数据；
90.数据处理模块，对数据采集模块采集的数据进行处理，包括将cfd仿真数值转换为图像，对数值数据同化处理，对cfd仿真数据和实验数据进行回归处理；
91.物理-虚拟同步模块，通过基于模型的迁移学习方法，将预训练模型迁移到实验数据，对预训练模型进行微调，生成迁移模型，实现物理模型和虚拟模型的同步；
92.推演模块，应用模型训练模块训练的模型，实现对空间、结构和工况的推演，更新物理-虚拟同步模型。
93.本发明实施例提供的软硬件集成的基于深度学习的气膜冷却温度场数字孪生系统，具有气膜冷却的物理信息空间推演、结构推演和工况推演多种功能，利用本系统所训练的模型，实现对空间、结构和不同工况的推演。本系统通过使用残缺的图像来监督网络，网络从中学习到空间共性的物理规律，以此推演出残缺部分的物理图像，恢复整个温度场的图像。本系统还可以实现结构推演，对于测试集中孔的个数和排布方式与训练集完全不同的样本，网络均能够很好的重构出冷却效率的分布，具有良好的泛化能力。当沿某一个方向连续的移动某一个气膜孔时，网络可以有效的预测气膜叠加现象，具有良好的连续响应能力，图8是本发明的一个较佳实施例的结构推演效果图。本系统可以实现工况推演，对于测试集中一些新的工况条件(如不同的吹风比、湍流强度、密度比等)，网络均能够很好的预测出气膜冷却效率，图9是本发明的一个较佳实施例的工况推演效果图。
94.下面结合本发明的优选实施例，详细对本发明进行说明。
95.实施例1
96.如图3-图6所示，本发明优选实施例提供的一种基于深度学习的气膜冷却温度场数字孪生方法，包括如下步骤：
97.步骤1：构建一套气膜冷却实验装置，主要包括:一个风洞，一个压力容器，一个流量计3，一个低温恒温器14，一个红外热成像仪5，一个测量和数据采集系统，如图7所示。在每次实验中，一个装有8杆压缩空气的压力容器进入试验台，为主流流和二次流提供驱动力。环境温度下的主流空气在进入试验段之前，要经过一系列的阀门2和一个旋涡流量计3。在测量区域的上游安装了蜂巢4，以提供均匀的气流。风洞截面为矩形，高30毫米，宽30毫米。
98.步骤2：调配实验装置，开始实验。通过安装在风洞中部的皮托管进一步测量了主流的速度，验证了流量计3的测量结果。在测量二次流的压力和温度之前，用低温恒温器14将二次流冷却到-5℃，开启压缩机1，供气压力升至0.8mpa。安装红外热像仪5，并连接至红外图像采集上位机(如图6中的电脑1)，使用数据传输线连接红外图像采集上位机(如图6中的电脑1)和深度学习上位机(如图6中的电脑2)。安装实验孔板后开启主流及二次流，设置流量，开始实验。采用数字流量控制器15调节二次风质量流量，可调范围为20～50slm。采用ni-cr/ni-al k型热电偶对两道气流温度进行实时测量，并进行数据采集。在风洞底面安装3d打印积液试验段，用与风洞相连的3d打印静压箱定位密封。蜂巢4出口与积液冷却板上游边缘的距离为500mm。利用flir a615高分辨率红外热成像仪5记录了射流冷却板外表面温度分布。在实验样品表面喷涂黑体漆，以提高试件的发射率。实验前，采用带温控器的加热板对红外热像仪进行校准，使红外热成像仪5测温误差控制在
±
0.5％以内。二次风和主流风的混合物最终从风洞出口排放到环境中。
99.实验部分的一般设置如下:(1)实验在常温常压下进行，主流和二次流的背压为1atm，主流和二次流的温度分别约为299.60k和273.15k。(2)实验样品的材料为增材制造材料不饱和聚酯树脂(8200)，导热系数约为0.1w
·
m-1
·
k-1。由于实验样品的热导率极低，本研究的实验条件可以近似视为绝热，图7为本气膜冷却实验装置示意图。
100.步骤3：采集数据。温度场稳定后使用红外相机拍摄残缺的孔板温度图像，并保存为csv文件。使用数据传输软件将csv文件传输至深度学习电脑，读取csv文件，加载预训练模型。如图6所示，红外热成像仪5实时采集红外图像，通过数据线传输到红外图像采集上位机(如图6中的电脑1)和深度学习上位机(如图6中的电脑2)。
101.步骤4：构建预训练模型，采用cfd结果作为预训练数据源。在等温条件下模拟了一个随机分布的渗出孔穿过的平板。主流通道的矩形截面为y＝20mm
×
h＝50mm。冷却剂先流入静压箱，然后通过30度角的溢流孔注入主流通道。孔分布区域的长度l为40mm。通道在上游和下游分别延长了40mm的长度。孔d直径为1mm。几何参数在一般涡轮冷却设计的正常范围内。孔的数量在10到15个范围内变化。孔的分布遵循几个标准和约束条件:(i)孔不重叠，孔中心距离不小于直径的2倍；(ii)孔洞构型具有尽可能多的多样性，保证了模型的生成；(iii)外表面的孔洞在l＝40mm
×
y＝20mm的矩形区域内。在上述约束条件下，生成了54种用于cfd模拟和机器学习的气膜几何图形。
102.计算域只包含流体域。单元为非结构化多面体。边界层区域生成了棱柱网格。第一棱柱层在孔内的厚度为0.0008mm，在其他位置的厚度为0.002mm，确保了流体仿真网格的最小无量纲距离y+在流体畴的大部分区域小于1。厚度生长比为1.2。为了获得合适的网格密度，对热流体模拟进行了网格独立性验证。测试的外壳有10个孔。分别检测了156万、219万、292万、450万的细胞编号序列。对应的网格基底尺寸分别为0.84mm、0.67mm、0.53mm和0.42mm。对由此获取的数值数据集样本转换为图像进行机器学习，以获得预训练模型，如图4所示。
103.步骤5：同化数值数据。由于此模型必须与不同的数据大小(图像大小和图像层)兼容，故我们使用由物理定律驱动的一种基于迭代神经算子的迁移学习方法来同化数值数据，用于对cfd仿真和实验获得的图像数据进行回归，如图4所示。气膜冷却本质上是一个对流换热问题，可以用一组对流扩散偏微分方程及其边界条件进行综合描述。这些方程解出
的物理量一般遵循以下pde系统确定的规律：
104.，
105.差异形式表示为:
[0106][0107]
其中，u为所需解的物理量(即本研究中的积液冷却效果)，f为关于u及其导数的非线性函数，ω为计算域，γ为边界。
[0108]
先五折交叉验证选出合适的超参数，在此参数下训练预训练模型，使模型具有较好的泛化精度，通过基于模型的迁移学习方法(微调)，将预训练模型迁移到实验数据集，如图5所示。将预训练模型和非转移模型在训练过程中的学习率设置为1e-3，而将微调过程的学习率设置为1e-4。在微调过程中，将模型中的所有卷积层设置为可训练的。
[0109]
步骤6：分别进行空间、结构和工况推演。推演所使用的卷积核大小：15*15，隐含层个数：12隐藏状态图层数：7。迭代算子网络模型是通过开源深度学习框架tensorflow 2.0编译。在nvidia quadro rtx 4000gpu处理器上进行神经网络模型的训练，训练过程中采用adam优化器进行更新模型权重。
[0110]
在空间推演部分，使用所采集的到残缺气膜冷却效率图像训练迭代算子网络，通过使用残缺的图像来监督网络，网络从中学习到空间共性的物理规律，以此推演出残缺部分的物理图像。网络输出完整的气膜冷却效率图像，恢复整个温度场的图像。
[0111]
在结构推演部分，其原理是由于训练集中的样本具有孔数及孔位置的变化，因此迭代算子网络在训练时从中学习到了潜在的物理规律，例如气膜孔下游温度低以及气膜孔的叠加规律，因此通过修改网络输入的几何图层中的孔分布及位置，网络就能快速预测出该孔板的气膜冷却效率。即使是对于测试集中孔的个数和排布方式与训练集完全不同的样本，只需将其几何图层输入至迭代算子网络，网络均能够很好的重构出冷却效率的分布，具有良好的泛化能力。当沿某一个方向连续的移动某一个气膜孔时，网络可以有效的预测气膜叠加现象，具有良好的连续响应能力。进行结构推演的步骤是在使用训练集训练模型之后修改网络输入中的几何图层，加载训练好的权重，运行代码，网络预测出不同气膜孔分布下的冷却效率。图8是进行结构推演的效果示意图。
[0112]
在工况推演部分，训练集中的样本同样包含了工况条件(如不同的吹风比、湍流强度、密度比等)的变化，迭代算子网络在训练过程中学习到了工况条件对于气膜冷却效率的影响，因此通过修改网络输入图层中的吹风比、湍流强度、密度比图层的数值，就能快速预测出该工况条件下的气膜冷却效率。对于测试集中一些不包含在训练集中的工况条件，网络均能够很好的预测出气膜冷却效率，具有良好的泛化能力。进行工况推演的步骤是在使用训练集训练模型之后修改网络输入中的边界条件图层，加载训练好的权重，运行代码，网络预测不同工况条件下的冷却效率。图9是进行工况推演的效果示意图。
[0113]
实施例2
[0114]
如图2所示，本发明优选实施例提供的一种基于深度学习的气膜冷却温度场数字孪生系统，涵盖了软硬件系统的结合、数据同化和推演功能，可支撑气膜冷却的高效精准设
计，可广泛应用于气膜冷却相关的设计、制造、运维和检测场景中，该系统采用基于深度学习的气膜冷却温度场数字孪生方法构建，包括模型训练模块、传感器模块、数据采集模块、数据处理模块、物理-虚拟同步模块和推演模块；其中，
[0115]
模型训练模块，通过构建适用于气膜冷却温度场的仿真体，通过图像深度学习实现物理场信息快速预测，利用机器学习对模型进行预训练，得到预训练模型，并通过迁移学习对该预训练模型进行微调，生成迁移模型；
[0116]
传感器模块，包括各种传感器，通过传感器接口，配合数据采集模块完成气膜冷却试验数据的采集；
[0117]
数据采集模块，采集cfd仿真数据和气膜冷却实验数据，将上述数据经过数据处理模块处理，实现多源异构数据的兼容，处理后的数据作为模型训练模块的训练数据和测试数据；
[0118]
数据处理模块，对数据采集模块采集的数据进行处理，包括将cfd仿真数值转换为图像，对数值数据同化处理，对cfd仿真数据和实验数据进行回归处理；
[0119]
物理-虚拟同步模块，通过基于模型的迁移学习方法，将预训练模型迁移到实验数据，对预训练模型进行微调，生成迁移模型，实现物理模型和虚拟模型的同步，完成软件和硬件同步；
[0120]
推演模块，应用模型训练模块训练的模型，实现对空间、结构和工况的推演，更新物理-虚拟同步模型。
[0121]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种基于深度学习的气膜冷却温度场数字孪生方法，其特征在于，所述方法包括如下步骤：s101：构建气膜冷却实验装置，所述实验装置包括传感器、测量和数据采集系统，所述实验装置完成实验数据的测量和采集；s103：采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，所述实验数据用于对预训练模型进行微调，生成迁移模型；s105：训练所述预训练模型，采用cfd结果作为预训练数据源，生成所述预训练模型；s107：同化数值数据，使用基于迭代神经算子的迁移学习方法来同化所述数值数据，所述数值数据包括来自不同图像大小和图像层的数据；s109：分别进行空间、结构和工况推演，更新物理-虚拟同步模型。2.如权利要求1所述的方法，其特征在于，在所述步骤s101中，所述气膜冷却实验装置包括风洞、压力容器、流量计、低温恒温器、红外热成像仪、测量和数据采集系统；其中，所述风洞截面为矩形，在所述风洞的测量区域上游安装蜂巢，以提供均匀的气流；所述压力容器为主流流和二次流提供驱动力；所述流量计安装在所述风洞中部，测量所述主流流的速度；所述二次流在进行压力和温度的测量之前由所述低温恒温器将所述二次流冷却到-5℃；所述红外热成像仪记录射流冷却板外表面温度分布，所述测量和数据采集系统采用热电偶对所述主流流和二次流的温度进行实时测量，并进行数据采集，所述主流流和所述二次流的混合物最终从所述风洞出口排放到环境中。3.如权利要求1所述的方法，其特征在于，在所述步骤s103中，所述实验数据在预定实验条件获得，所述预定实验条件包括：实验在常温常压下进行，所述主流流和所述二次流的背压为1atm，所述主流流的温度为299.60k，所述二次流的温度为273.15k；实验样品材料为增材制造材料，所述增材制造材料为不饱和聚酯树脂，所述材料的导热系数为0.1w/m/k。4.如权利要求1所述的方法，其特征在于，在所述步骤s105中，所述训练预训练模型包括如下步骤：s1051：使用cfd结果作为预训练数据源；s1052：利用五折交叉验证选出合适的超参数；s1053：训练过程中的学习率设置为1e-3；s1054：采用adam优化器更新所述预训练模型权重；s1055：将所述数值数据样本转换为图像进行机器学习，得到具有泛化精度的所述预训练模型。5.如权利要求4所述的方法，其特征在于，在所述步骤s1051中，通过在等温条件下模拟一个随机分布的渗出孔穿过的平板，来获取气膜几何图形，利用所述气膜几何图形进行cfd模拟生成cfd数值数据。6.如权利要求5所述的方法，其特征在于，所述cfd模拟的计算域只包含流体域，计算单元为非结构化多面体，边界层区域生成棱柱网格；所述气膜几何图形在预设的约束条件下生成，所述约束条件为在等温条件下随机分布的渗出孔模拟穿过平板，所述渗出孔分布区域长度为40mm，所述渗出孔直径为1mm，所述渗出孔数量为10～15个，所述渗出孔按照预定条件分布；其中，所述预定条件包括：所述孔不重叠，所述孔中心距离不小于所述孔直径的2倍；所述孔的孔洞构型具有多样性；所述外表面的孔分布在40mm
×
20mm的矩形区域内。
7.如权利要求1所述的方法，其特征在于，在所述步骤s107中，所述迭代神经算子的偏微分方程为：，差异形式表示为:，其中，u为所需解的物理量，f为关于u及其导数的非线性函数，ω为计算域，γ为边界。8.如权利要求1所述的方法，其特征在于，在所述步骤s109中，通过基于模型的迁移学习方法，将所述预训练模型迁移到所述实验数据，对所述预训练模型进行微调，生成所述迁移模型，将微调过程的学习率设置为1e-4，将微调过程中所述预训练模型中的所有卷积层设置为可训练。9.如权利要求8所述的方法，其特征在于，所述推演使用预定的卷积核大小、隐含层个数和隐藏状态图层数参数，对所述迭代神经算子网络模型进行训练，通过adam优化器更新模型权重，其中，所述空间推演，使用残缺气膜冷却效率图像训练所述迭代神经算子网络，使所述迭代神经算子网络学习到空间共性的物理规律，并推演出残缺部分的物理图像，输出完整的所述气膜冷却效率图像，恢复整个温度场的图像；所述结构推演，使用孔数和孔排布方式与训练集完全不同的测试样本训练所述迭代神经算子网络，使所述迭代神经算子网络能够推演出不同孔分布及位置的几何图层和预测气膜叠加现象，并输出完整的气膜冷却效率图像，恢复整个温度场的图像；所述工况推演，使用工况条件与训练集完全不同的测试样本训练所述迭代神经算子网络，使所述迭代神经算子网络从中学习工况条件对于气膜冷却效率的影响，并推演出不同工况条件下的物理图像，输出完整的气膜冷却效率图像，恢复整个温度场的图像；所述工况条件包括：不同的吹风比、不同的湍流强度和不同的密度比。10.一种基于深度学习的气膜冷却温度场数字孪生系统，其特征在于，所述系统采用如权利要求1-9任意一项所述的数字孪生方法构建，所述系统包括模型训练模块、传感器模块、数据采集模块、数据处理模块、物理-虚拟同步模块和推演模块；其中，所述模型训练模块，利用机器学习对模型进行预训练，得到预训练模型，并通过迁移学习对所述预训练模型进行微调，生成迁移模型；所述传感器模块，包括传感器接口，通过所述传感器接口，配合所述数据采集模块完成气膜冷却试验数据的采集；所述数据采集模块，采集cfd仿真数据和所述气膜冷却实验数据，所述数据经过所述数据处理模块处理后，作为所述模型训练模块的训练数据和测试数据；所述数据处理模块，对所述数据采集模块采集的数据进行处理，所述处理包括将所述cfd仿真数值转换为图像，对数值数据同化处理，对所述cfd仿真数据和所述实验数据进行回归处理；所述物理-虚拟同步模块，通过基于模型的迁移学习方法，将所述预训练模型迁移到所
述实验数据，对所述预训练模型进行微调，生成所述迁移模型，实现物理模型和虚拟模型的同步；所述推演模块，应用所述模型训练模块训练的模型，实现对空间、结构和工况的推演，更新物理-虚拟同步模型。

技术总结
本发明公开了一种基于深度学习的气膜冷却温度场数字孪生方法及系统，涉及热防护技术领域，该方法包括如下步骤：构建气膜冷却实验装置，该实验装置包括传感器、测量和数据采集系统，完成实验数据的测量和采集；采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，实验数据用于对预训练模型进行微调，生成迁移模型；训练预训练模型，采用CFD结果作为预训练数据源，生成预训练模型；同化数值数据，使用基于迭代神经算子的迁移学习方法来同化数值数据，数值数据包括来自不同图像大小和图像层的数据；分别进行空间、结构和工况推演，更新物理-虚拟同步模型。本发明具有数据同化和推演功能，可支撑气膜冷却的高效精准设计。可支撑气膜冷却的高效精准设计。可支撑气膜冷却的高效精准设计。


技术研发人员：杨力 李晓鹏 王子奕 余鸿乾 陈启悦
受保护的技术使用者：上海交通大学
技术研发日：2023.04.04
技术公布日：2023/7/25