基于径向基函数神经网络的带气动喉道的混合火箭发动机推力预测

《Scientific Reports》：Thrust prediction for hybrid rocket motors with aerodynamic throats based on radial basis function neural networks

　　

摘要

带有空气动力学型喉部喷嘴的混合火箭发动机可通过二次喷射来改变有效喉部面积，从而在深度节流过程中降低燃烧室压力下降，且无需移动任何机械部件。然而，由于二次喷射与主燃烧流之间的非线性相互作用，精确预测推力仍然具有挑战性。本研究基于径向基函数神经网络开发了一种计算效率较高的推力预测方法，该网络的扩散因子是通过粒子群优化结合五折交叉验证来优化的。模型训练和测试使用了包含100种工况的经过验证的准稳态计算流体动力学数据集，输入参数包括氧化剂质量流量、二次喷射质量流量以及燃料端口直径。最终模型以全部70个训练样本作为径向基函数神经元中心，其在30个独立测试样本上的均方根误差为6.86牛顿，决定系数为0.9959，表明该模型能够准确再现基于计算流体动力学的推力分布。将该训练好的模型应用于变推力热试车中，它能够捕捉到推力的大小和变化趋势，在稳定工作阶段相对误差通常在5%以内。在20秒的点火过程中，虽然有1000次预测步骤，但仅需进行1000次端口直径的更新以及7×10^4次径向基函数计算并累加输出权重，因此非常适合用于快速设计迭代和实时预测场景。该模型适用于同一工况下的推力预测，但由于未明确考虑供给系统的动态特性，因此在快速调节过程中可能会出现短暂偏差。