本發明涉及氣膜冷卻及人工智能，具體為一種基于先驗知識嵌入的生成式氣膜冷卻效率二維分布預測方法。

背景技術：

1、氣膜冷卻是航空發動機高溫部件廣泛采用的一項關鍵技術，在對燃燒室壁面、渦輪葉片以及噴管的熱防護中發揮重要作用。在氣膜冷卻結構設計中，氣膜冷卻效率及其分布均勻性是極其重要的性能指標，如果氣膜冷卻效率低和冷卻不均勻，會帶來諸多不利影響：

2、1：增加冷卻氣體使用量；

3、2：氣膜冷卻不均勻會引發燃燒室內的溫度分布不均，導致燃燒不穩定性增加，從而生成更多的未燃盡碳氫化合物(uhc)和一氧化碳(co)，以及其他污染物(如nox)；

4、3：長期的局部冷卻不均勻會加速發動機葉片和熱端部件的損耗，導致葉片更頻繁地更換和檢修，嚴重時甚至導致部件燒蝕和發動機失效。

5、因此，對于氣膜冷卻效率的準確預測能夠幫助設計人員快速迭代和優化冷卻方案，在設計初期指導冷卻結構的布局與改進，從而完善高溫部件的冷卻方式，提高冷卻設計的迭代效率與速度。

6、目前基于一維向量參數預測二維氣膜冷卻的方法主要有基于經驗擬合方法和基于人工智能方法。

7、基于經驗擬合方法是利用擬合經驗關聯式，分別擬合中心線上的有效度及標準差，從而得到有效度的二維分布結果。但解析形式的有效度二維分布方程中引入了諸多模型參數和自定義的中間變量，模型復雜度過高，且參數和中間變量均需要通過實驗數據標定，實現難度大，極大限制了該方法的適用范圍。

8、基于人工智能方法是通過人工神經網絡模型進行預測。例如公開號為cn112084597a的中國專利申請《基于鐘形曲線的單排氣膜冷卻效率二維分布ai預測方法》中提出了一種基于鐘形曲線的二維冷卻效率預測方法，通過搭建全連接神經網絡來學習輸入的參數與鐘形曲線系數之間的映射關系，但是這種方法忽略了氣膜分布中相鄰像素的空間相關性，且該方法嚴格要求冷卻效率的分布為鐘形曲線的形式，這明顯限制了該方法的適用范圍。再如文獻“基于機器學習的單孔絕熱氣膜冷卻效率分布預測研究[j].推進技術,2022,43(4):218-228”中利用神經網絡卷積的特性引入向量像素點之間的空間相關性，通過cfd計算大量的樣本數據作為網絡輸入的數據集，并直接搭建多個全連接層來拓展向量的長度，然后重構成二維矩陣的形式進行多次上采樣，以及通過卷積搭配的形式進行尺度的還原。從而實現低維度向高維度之間的映射訓練學習。但是上述兩種方法的研究結論都表明網絡對于樣本數據的質量和數量均有著很強的依賴性，上述兩種方法的樣本數據量分別為1300個和3900個，且均為cfd計算樣本。

9、由此衍生出來兩個關鍵問題：一是很多學者的研究表明，cfd對于氣膜冷卻效率的計算準確性有待商榷，這對于數據集的質量提出考驗。二是目前二維的生成式學習本身需要較大的學習量，需要有足夠多的樣本才能實現預測的準確性，而為了保證數據集質量，通過試驗測試的方式獲取上千個樣本需要的成本巨大。

10、因此，如何在試驗測試的樣本量較少的條件下依舊能夠準確預測氣膜冷卻效率的二維分布，是本發明需要解決的關鍵問題。

技術實現思路

1、解決的技術問題：

2、現有方法建立的氣膜冷卻效率預測模型主要是直接通過多次卷積構建一維輸入與二維輸出之間的映射關系，而由于其生成二維氣膜冷卻效率分布時所需要的學習量較多，因此這類模型對于訓練數據的數量有著很大的需求，但是數據量的增加無疑會增加數據的獲取成本，而且通過cfd方法得到的氣膜冷卻效率數據質量受到懷疑，導致只有通過試驗測試的方法獲得，這無疑大大增加了數據獲取成本和難度；此外現有網絡模型內部卷積核和神經元眾多，所需要訓練的權重參數也很多，也導致其需要更多的訓練時間和調參周期。

3、技術方案：

4、為解決現有技術存在的問題，本發明提出一種基于先驗知識嵌入的生成式氣膜冷卻效率二維分布預測方法，建立結合先驗知識嵌入的神經網絡模型，通過先驗知識實現模型中一維向二維的升維過程，減少模型所需要的訓練量；并通過圖像編碼和解碼模塊提高模型的預測精度和泛化能力，從而達到樣本量較少的情況下也能由一維參數輸入準確預測二維氣膜冷卻效率分布的目的。

5、本發明的技術方案為：

6、所述一種基于先驗知識嵌入的生成式氣膜冷卻效率二維分布預測方法，包括以下步驟：

7、步驟1：通過試驗測試獲取訓練樣本：

8、每組樣本數據包括由結構參數和氣動參數構成的氣膜孔參數向量和對應氣膜孔經過試驗測試得到的氣膜冷卻效率二維分布圖像；

9、步驟2：構建網絡模型：

10、所述網絡模型輸入為氣膜孔參數向量，輸出為氣膜冷卻效率二維分布圖像；

11、所述網絡模型包括先驗知識嵌入模塊、特征提取模塊、圖像編碼與解碼模塊、輸出模塊：

12、所述先驗知識嵌入模塊的輸入為氣膜孔參數向量，將氣膜孔參數向量映射到系數a1，a2，a3，b1，b2，b3上；根據系數a1，a2，a3，b1，b2，b3，利用函數

13、f(x)＝a1·log(a2·x)+a3

14、q(x)＝b1·(1-x)2+b2·2·x·(1-x)+b3·x2

15、

16、先計算得到系數f(x)和q(x)，然后升維還原出氣膜冷卻效率二維分布云圖，其中x表示氣膜冷卻效率二維分布圖像中各點沿流向的坐標，y表示氣膜冷卻效率二維分布圖像中各點沿展向的坐標，g(y，f(x)，q(x))為(x，y)坐標點上的冷卻效率值，并經過卷積塊后得到與模型輸出圖像大小一致的矩陣，作為圖像編碼模塊的輸入；

17、所述特征提取模塊對輸入的氣膜孔參數向量進行高維提取，并將提取的高維特征重構成二維矩陣的形式后經過卷積塊進行通道的拓展，得到大小與圖像編碼輸出一致的矩陣；

18、所述圖像編碼與解碼模塊對所述先驗知識嵌入模塊輸出的矩陣經過n次下采樣獲得圖像不同層次的信息，每一層提取的特征又與解碼后相同層次的信息拼接；最后一次下采樣后得到的矩陣與特征提取模塊提取的高維特征融合，且展平成一維向量，再經過多頭注意力機制重構捕捉圖像和向量特征中的關鍵信息，得到關鍵信息后逐步上采樣還原成圖像的尺寸，用于提供給輸出模塊得到最終的氣膜冷卻效率二維分布輸出；

19、步驟3：利用步驟1得到的樣本數據對步驟2構建的網絡模型進行訓練，得到訓練好的預測模型；

20、步驟4：對于待預測的氣膜冷卻方案，獲取氣膜孔參數向量，輸入步驟3得到的訓練好的預測模型，得到氣膜冷卻效率二維分布預測結果。

21、進一步的優選方案，所述結構參數包括：氣膜孔軸線與出口平面的孔傾斜角α；氣膜孔擴張段的膨脹角度β；氣膜孔擴張段的前傾角γ；v形孔出口的內折角δ；氣膜孔的長徑比l/d；氣膜孔出口寬度與直徑比lw/d；氣膜孔進出口面積比aout/ain；氣膜孔的無量綱孔間距p/d。

22、進一步的優選方案，所述氣動參數包括：吹風比m；密度比dr；湍流度tu和加速因子k。

23、進一步的優選方案，所述試驗測試通過以下試驗系統實現：

24、主流從鼓風機產生，經過蝶閥和整流腔使其在測試段進口產生均勻的入口來流；然后通過不同疏密程度的湍流格柵在氣膜孔出口處產生不同的湍流度以模擬不同湍流度對冷卻的影響；在測量板前端設置抽吸劈縫，使邊界層在該處重新發展，從而讓氣膜孔出口的邊界層厚度接近實際發動機氣膜孔當地邊界層厚度；同時在劈縫后設置絆線來促使邊界層由層流向湍流的轉捩；在氣膜孔出口上方設置速度、溫度以及壓力測點實時監測測試時的主流狀態；冷卻劑系統由高壓氣罐和壓氣機作為氣源，經過閥門以及調壓裝置后經過加熱器加熱使得主次流氣體的溫差不超過0.2k，然后經過alicat質量流量計控制流量后進入冷氣腔后供給給氣膜孔；在冷氣腔的設置溫度和壓力測點來實時監測冷卻劑狀態；測量板表面噴涂psp壓力敏感漆，配以相應的激發光源和帶有濾光片的科學級ccd相機收集試驗時的圖像，經過對圖像后處理得到氣膜冷卻效率的二維分布圖像。

25、有益效果

26、本發明提出的基于先驗知識嵌入的生成式氣膜冷卻效率二維分布預測方法，具有以下優點：

27、1、通過多層神經元學習輸入參數與系數之間的映射關系，然后結合函數方程組進行升維，減少維度上升導致信息量增多帶來的學習量爆炸；

28、2、將特征提取模塊提取到的信息與圖像編碼模塊所提取的深層信息融合，然后結合多頭注意力機制，提高模型對不同輸入參數預測的精度。

29、總結而言，本發明通過先驗知識嵌入的方式實現生成式學習過程中的維度上升，從而降低了模型在升維學習過程中所需要的龐大學習量和模型復雜度，這些學習量在傳統的模型中需要大量的訓練樣本來補足。因此本發明的方法使模型訓練難度更低，使模型在有限的樣本數量的條件下捕捉到更多的信息，提高訓練精度和訓練速度。

30、本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。