一种基于物理信息神经网络的火炮膛口流场代理模型构建方法,属于测试评估技术领域。本技术的目的是采用硬约束思想对损失函数中的N‑S求解损失及经验公式损失进行结合,达到简化损失函数的基于物理信息神经网络的火炮膛口流场代理模型构建方法。本发明首先描述了该方法的基本框架,其次介绍了改进后损失函数的具体公式,最后通过实验验证了该方法的优越性。本发明在低数据量时重构冲击波场具有显著优势,可以快速得到该空间内所有设计点的响应值,进而大幅提升优化的效率。
背景技术
火炮膛口冲击波场测试是火炮设计定型试验的勤务性能和安全性能的重点考核指标之一。在冲击波场测试时,受限于特定区域集中布点,无法准确、全面地获取冲击波场超压分布规律。因此,如何在小范围有限测点情况下重建冲击波场压力分布是冲击波场研究领域中的热点问题。
目前,有限测点下的冲击波超压场重建方法主要包含两种:第一种是基于统计数据的冲击波重建算法,包括以测点超压峰值进行B样条插值法、三次样条插值算法、Biharmonic样条曲面插值算法和径向基函数网络插值算法等。这些方法通过采用固定统计量或假设数据遵循特定分布来填补缺失值,忽视了冲击波传播的物理规律,导致数据重建存在显著误差,具有较大的局限性;第二种是以反向传播(BackPropagation,BP)为代表的数据驱动类神经网络,该方法的主要局限性在于测试区域权重分配过高、非测试区域缺乏训练数据,导致测试区域过拟合和非测试区域欠拟合的现象。若能将冲击波物理传播规律和稀疏数据特征结合,是解决有限测点下准确、全面重建冲击波场的手段之一。
物理信息神经网络(Physical Information Neural Network,PINN)是一种结合了物理规律与深度学习技术的新型网络架构,以物理规律作为网络训练的先验知识提高模型的预测精度。由该网络构建的代理模型通过数据降维的手段在获取高精度重建结果的同时进一步减少了训练样本。该方法在多场景下的稀疏数据物理场重建中被应用:陆至彬等人通过改进物理信息神经网络代理模型,以10个样本重构平板间二维温度场,最大绝对误差仅为0.0038℃;罗金文等人构建深度神经网络代理模型重构设备在水中受到的压力场,使用57个样本点作为训练数据,最大误差和均方根误差均小于1%;黄莉等人将50个样本点输入神经网络代理模型重构电力电缆温度场,均方根误差为0.00398℃。综上,神经网络代理模型在低数据量重构物理场时误差较低,且两篇文献以N-S方程作为物理信息构入到网络中,而冲击波场传播过程是气体流动过程,也可用N-S方程来描述。
实现思路