航空学院硕士研究生于涛，通过实验研究了单边膨胀喷管（SERN）的启动和关闭过程，并采用深度学习方法建立了实验结果与CFD结果之间的数据融合模型，以实现使用CFD结果来预测实验结果的目的。研究结果表明，该模型能够准确预测SERN的壁面压力分布，预测误差较低。这为克服实验数据获取挑战和限制提供了可行的解决方案。相关工作以“Establishment and validation of a relationship model between nozzle experiments and CFD results based on convolutional neural network”为题发表在国际Top期刊Aerospace Science and Technology（AST, IF=5.6, DOI: 10.1016/j.ast.2023.108694）上。本文第一作者为航空学院硕士研究生于涛，其所在研究团队的巫骁雄老师为论文的通讯作者。
单边膨胀喷管（SERN）构型因其与飞行器外形高度融合、减小整体飞行器阻力、提高飞行性能的特点而著名。由于SERN构型对高超声速飞行器具有重要的应用价值，研究人员进行了大量的数值模拟研究。虽然数值模拟提供了重要的信息和初步结论，但实验验证是确认这些结论的关键步骤。然而，实验数据获取面临着复杂性和高成本的挑战，同时实验条件控制和测量技术也存在限制。鉴于此，近日重庆交通大学硕士研究生于涛采用深度学习方法建立了实验结果与CFD结果之间的数据融合模型。该工作详细介绍了实验方法、数值模拟方法和卷积神经网络（CNN）模型，并对该模型进行了训练和测试。
|
图1 模型训练过程 |
共设计了10个案例来验证所提出的模型的准确性和泛化能力。其中，6个案例从测试集中选择，属于内插案例；剩下的4个案例为整个数据集范围之外的独立测试集，属于外推案例。通过内插案例和外推案例研究证明了CNN模型能够准确预测SERN的壁面压力分布，并捕捉到内部分离模式转换的情况，与实验结果具有高度一致性，决定系数均超过96%，证明了该模型的有效性。而CFD计算在某些情况下与实验结果存在较大差异，并且对于分离模式转换的临界NPR预测不够准确。
|
图2 内插案例中实验、CNN预测与CFD计算的压力分布对比 |
|
图3 内插案例中实验、CNN预测与CFD计算的决定系数对比 |
|
图4 外推案例中实验、CNN预测与CFD计算的压力分布对比 |
|
图5 外推案例中实验、CNN预测与CFD计算的决定系数对比 |
为了进一步验证该CNN模型的优越性，将其与在原有数据集基础上去除CFD数据的CNN模型进行了对比。结果表明，与去除CFD数据的CNN模型相比，该CNN模型在内插和外推案例中表现出更高的预测性能，给出的案例显示，有CFD数据的CNN模型性能平均提高了14%。
表1原CNN模型与去除CFD数据的CNN模型的对比
|
Interpolation case |
Extrapolation case |
|
start-up |
shutdown |
start-up |
shutdown |
NPR |
2.4 |
2.8 |
2.8 |
2.4 |
2.0 |
2.1 |
3.2 |
3.1 |
|
0.9669 |
0.9882 |
0.9987 |
0.9968 |
0.9643 |
0.9745 |
0.9782 |
0.9752 |
|
0.8309 |
0.8532 |
0.8402 |
0.8855 |
0.7489 |
0.8063 |
0.8481 |
0.9048 |
