基于机器学习算法的舰面流场预警系统研究
发布时间:2021-04-08 00:57
飞行甲板是直升机海上作战的重要平台,为了提高直升机的作战效能及舰面操作的安全性,研究开发了一套舰面流场预警系统。该系统主要通过分析数值计算所得的流场数据,以舰面关键位置的压强作为输入,利用神经网络算法和支持向量机训练出一套模型,准确地预测出舰面流场的主要特征(包括来流速度大小、方向和起降点涡结构等),从而实现舰船表面危险气流场的实时预报。预测结果表明,该预警系统的预测准确性较高,能够快速地预测来流情况及旋涡的大小、位置,为飞行员的舰面安全起降提供了参考,对加强国防建设有着重要意义。
【文章来源】:测控技术. 2020,39(02)
【文章页数】:6 页
【部分图文】:
计算域
BP(Back Propagation)神经网络是一种按照误差反向传播算法训练的多层前馈型神经网络,1986年由Rumelhart等人提出,是目前应用最广泛的神经网络[7]。图1为BP神经网络的基本模型图,它由输入层、隐藏层和输出层3个部分组成。设xi为节点i的输入,yk为节点k的输出。BP神经网络的具体训练流程如下。
数值计算的控制方程为不可压N-S(NavierStokes)方程,求解器为压力基求解器,湍流模型为Realizable k-ε模型。通过Fluent计算了舰船在10 m/s、15 m/s、20 m/s和23 m/s这4种风速下,-90°~+90°(风向角每5°递增,“+”代表右舷来流,“-”代表左舷来流)共37种风向角下的流场数据(包括风速、静压、湍动能等),总样本数量为148个。图3 计算域
【参考文献】:
期刊论文
[1]嵌入式大气数据传感系统的模糊逻辑建模方法[J]. 王坤,黄达. 空气动力学学报. 2019(03)
[2]基于改进的LM-BP神经网络的车牌字符识别研究[J]. 韦玉科,谢嘉乐,吴齐云. 测控技术. 2016(02)
[3]基于神经网络模型的舰面流场仿真算法[J]. 孙文胜,林明. 中国工程科学. 2003(05)
本文编号:3124536
【文章来源】:测控技术. 2020,39(02)
【文章页数】:6 页
【部分图文】:
计算域
BP(Back Propagation)神经网络是一种按照误差反向传播算法训练的多层前馈型神经网络,1986年由Rumelhart等人提出,是目前应用最广泛的神经网络[7]。图1为BP神经网络的基本模型图,它由输入层、隐藏层和输出层3个部分组成。设xi为节点i的输入,yk为节点k的输出。BP神经网络的具体训练流程如下。
数值计算的控制方程为不可压N-S(NavierStokes)方程,求解器为压力基求解器,湍流模型为Realizable k-ε模型。通过Fluent计算了舰船在10 m/s、15 m/s、20 m/s和23 m/s这4种风速下,-90°~+90°(风向角每5°递增,“+”代表右舷来流,“-”代表左舷来流)共37种风向角下的流场数据(包括风速、静压、湍动能等),总样本数量为148个。图3 计算域
【参考文献】:
期刊论文
[1]嵌入式大气数据传感系统的模糊逻辑建模方法[J]. 王坤,黄达. 空气动力学学报. 2019(03)
[2]基于改进的LM-BP神经网络的车牌字符识别研究[J]. 韦玉科,谢嘉乐,吴齐云. 测控技术. 2016(02)
[3]基于神经网络模型的舰面流场仿真算法[J]. 孙文胜,林明. 中国工程科学. 2003(05)
本文编号:3124536
本文链接:https://www.wllwen.com/kejilunwen/jingguansheji/3124536.html