隨著深度學習、高性能計算、數(shù)據(jù)分析、機器學習、人工智能、神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，航天技術(shù)得到突飛猛進的發(fā)展。隨之而來的真空羽流（火箭發(fā)動機工作時，其噴流向外部真空環(huán)境自由膨脹，形成的羽毛形狀）對航天器材的損害問題顯得尤為重要。主要體現(xiàn)在：

力熱效應(yīng)

產(chǎn)生干擾力矩；造成航天器表面溫度升高和材料損壞

電磁效應(yīng)

影響測控、通信等電子設(shè)備及信號，產(chǎn)生電磁干擾

濺射污染效應(yīng)

改變材料的光學和電學特性，造成太陽電池陣功率下降和衛(wèi)星光學敏感器性能下降

深度學習| 航空數(shù)據(jù)一體機

研究真空羽流

理論方法

直接模擬蒙特卡洛（DSMC）方法是真空羽流數(shù)值模擬的主流方法，但DSMC是一種粒子模擬方法，非常耗時，嚴重制約了真空羽流及其效應(yīng)的評估效率。CNN-DSMC（基于卷積神經(jīng)網(wǎng)絡(luò)的直接模擬蒙特卡洛）將DSMC數(shù)值模擬模型獲得的幾何拓撲信息、邊界條件信息和DSMC數(shù)值模擬得到的流場數(shù)據(jù)作為訓練集，輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行訓練，從而獲得高精度、高效率的真空羽流智能計算模型，預測不同條件下的真空羽流流場。以月球探測器月面著陸過程中的真空羽流流場為例，分別采用CNN-DSMC計算和DSMC數(shù)值模擬，模擬了不同著陸高度下的真空羽流流場的速度和密度。結(jié)果表明，兩種方法的結(jié)果基本一致，流場流速和密度的平均相對誤差分別小于6.0%和8.8%。然而，與傳統(tǒng)的DSMC方法相比，CNN-DSMC方法的計算速度至少提高了4個數(shù)量級，最快速度可達6個數(shù)量級。因此，CNN-DSMC方法在真空羽流數(shù)值模擬中具有很強的應(yīng)用潛力。

下面主要以月面探測器月面著陸過程中真空羽流流程為例，分別通過基于卷積神經(jīng)網(wǎng)絡(luò)的直接模擬蒙特卡洛方法（CNN-DSMC）和DSMC方法實現(xiàn)月面探測器在不同懸停高度時的真空羽流流場。

一、基于卷積神經(jīng)網(wǎng)絡(luò)的直接模擬蒙特卡洛方法

圖1是 CNN-DSMC 方法的求解流程圖。在 CNN-DSMC 方法中，計算分為兩個過程：數(shù)據(jù)預處理和模型訓練。在數(shù)據(jù)預處理中，將真空羽流仿真模型中的幾何拓撲信息抽象為符號距離函數(shù)，將邊界條件信息抽象為標識符矩陣。SDF和 IM 一起作為訓練集的輸入；將DSMC 數(shù)值模擬得到的真空羽流的速度場（三個）和密度場作為訓練集的輸出；測試集是未經(jīng)訓練的DSMC數(shù)值模擬算例，用于驗證CNN-DSMC方法的準確性。完成訓練后就得到了真空。

圖1：CNN-DSMC 方法計算流程

羽流智能計算模型 (SDF, IM) , =f ρ V (1) 式中：V 和 ρ 分別為真空羽流速度矢量和密度場。下面分別對 CNN-DSMC 方法中的真空羽流仿真模型、卷積神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)預處理方法進行介紹。

二、真空羽流數(shù)值模擬模型

文中 DSMC 算例均是通過北京航空航天大學羽流工作站 PWS完成的。該軟件中航天器面網(wǎng)格和 DSMC 計算的體網(wǎng)格是解耦的，并且采用了自適應(yīng)網(wǎng)格加密策略，方便計算各種復雜工況。此外，PWS 軟件可以進行多核并行計算，且實現(xiàn)了真空羽流熱效應(yīng)、力效應(yīng)分析和污染效應(yīng)分析等方面的數(shù)值模擬。實驗結(jié)果表明，該軟件數(shù)值模擬結(jié)果與實驗符合較好，可以滿足文中數(shù)據(jù)的精度要求。

圖2：真空羽流仿真計算域

三、卷積神經(jīng)網(wǎng)絡(luò)

CNN-DSMC方法中使用的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)由一個編碼器和兩個解碼器組成，其中每個編碼器（解碼器）由七個（反）卷積塊組成。每個（反）卷積塊的結(jié)構(gòu)組成包括三個（反）卷積和一個最大（反）池化層，如圖4所示。單個（反）卷積層包括（反）卷積、 激活函數(shù)和批量正則化三個過程。卷積本質(zhì)上是一種矩陣變換。對于給定的矩陣A，卷積操作定義為 BwA 其中：B是卷積后得到的矩陣；w是卷積核，也是一個矩陣，其矩陣元素會在神經(jīng)網(wǎng)絡(luò)的訓練中進行優(yōu)化。反卷積是上述計算的逆過程。文中使用的激活函數(shù)是Relu，定義為Relu max(0，)其中x是(反)卷積的輸出。批量正則化主要用于修正各層輸入數(shù)據(jù)的期望和方差，有利于訓練過程的效率和穩(wěn)定性。最大池層的作用本質(zhì)上是下采樣，而最大反池化用于上采樣。除了前饋過程，編碼器中每個卷積塊的輸出將被輸入到解碼器中相應(yīng)位置的反卷積塊。該設(shè)置是訓練中避免梯度消失和梯度爆炸的關(guān)鍵操作。

圖3：CNN-DSMC 網(wǎng)絡(luò)整體結(jié)構(gòu)

圖4：（反）卷積塊的結(jié)構(gòu)組成

航天行業(yè)

未來發(fā)展趨勢

未來五年，中國航天將推動空間科學、空間技術(shù)、空間應(yīng)用全面發(fā)展，開啟全面建設(shè)航天強國新征程。

航天運輸系統(tǒng)方面

將持續(xù)提升航天運輸系統(tǒng)綜合性能，加速實現(xiàn)運載火箭升級換代。推動運載火箭型譜發(fā)展，研制發(fā)射新一代載人運載火箭和大推力固體運載火箭，加快推動重型運載火箭工程研制。持續(xù)開展重復使用航天運輸系統(tǒng)關(guān)鍵技術(shù)攻關(guān)和演示驗證。面向航班化發(fā)射需求，發(fā)展新型火箭發(fā)動機、組合動力、上面級等技術(shù)，拓展多樣化便利進出空間能力。

載人航天方面

將繼續(xù)實施載人航天工程，發(fā)射“問天”實驗艙、“夢天”實驗艙、“巡天”空間望遠鏡以及“神舟”載人飛船和“天舟”貨運飛船，全面建成并運營中國空間站，打造國家太空實驗室，開展航天員長期駐留、大規(guī)模空間科學實驗、空間站平臺維護等工作。深化載人登月方案論證，組織開展關(guān)鍵技術(shù)攻關(guān)，研制新一代載人飛船，夯實載人探索開發(fā)地月空間基礎(chǔ)。

深空探測方面

將繼續(xù)實施月球探測工程，發(fā)射“嫦娥六號”探測器、完成月球極區(qū)采樣返回，發(fā)射“嫦娥七號”探測器、完成月球極區(qū)高精度著陸和陰影坑飛躍探測，完成“嫦娥八號”任務(wù)關(guān)鍵技術(shù)攻關(guān)，與相關(guān)國家、國際組織和國際合作伙伴共同開展國際月球科研站建設(shè)。繼續(xù)實施行星探測工程，發(fā)射小行星探測器、完成近地小行星采樣和主帶彗星探測，完成火星采樣返回、木星系探測等關(guān)鍵技術(shù)攻關(guān)。論證太陽系邊際探測等實施方案。

藍海大腦

航天數(shù)據(jù)庫一體機

藍海大腦航天數(shù)據(jù)庫一體機是以液冷服務(wù)器為平臺、圖數(shù)據(jù)庫、時空環(huán)境知識圖譜系統(tǒng)、GPU云的混合部署，對“圖形工作站+集中存儲”進行了替換。一站式圖形化的數(shù)據(jù)開發(fā)套件提供強大的開發(fā)組件環(huán)境和豐富的圖形化管理與開發(fā)界面，支持運行、調(diào)試、日志跟蹤、結(jié)果預覽等功能，極大地方便研究航天及研究真空羽流人員的使用。該方案包含了數(shù)據(jù)中心傳統(tǒng)業(yè)務(wù)和前端業(yè)務(wù)的生產(chǎn)力工具，將所有計算和存儲資源集中在數(shù)據(jù)中心，工位只有負責顯示和操作的客戶端，所有應(yīng)用層航天數(shù)據(jù)軟件統(tǒng)一部署、統(tǒng)一調(diào)度、做到各數(shù)據(jù)實時共享、共建共享，避免反復重復工作，且能做到正源追溯，誰審批誰修改，誰修改誰負責的溯源原則。

產(chǎn)品特點

全融合

實現(xiàn)集計算、網(wǎng)絡(luò)、存儲、安全等于一體的自主可控全融合

低功耗

單節(jié)點與x86中高端同等性能，功耗低20%

強I/O

支持PCIe 4.0及CCIX，支持10GE/25GE/100GE/IB，I/O帶寬提升100%

高性能

多核并行計算效率高，支持全NVMe SSD加速

客戶收益

提升效率

衛(wèi)星影像自動處理系統(tǒng)和典型地物智能解譯軟件借鑒工業(yè)制造執(zhí)行系統(tǒng)模式，采用類汽車制造生產(chǎn)線思想，采用先進算法研制成影像處理生產(chǎn)線，真正實現(xiàn)了人機協(xié)同作業(yè)，自動化率達到90%以上。

節(jié)約能源

原有數(shù)據(jù)中心電力使用成本在生命期間TCO中占比最大。數(shù)據(jù)中心實現(xiàn)IT設(shè)備按需供電與制冷，讓供電和制冷系統(tǒng)的容量與負載需求更為匹配，從而提高了工作效率并減少過度配置。

運維監(jiān)管

幫助客戶實現(xiàn)數(shù)據(jù)中心多層級、精細化能耗管理，通過多種報表精確定能源額外損耗點，實現(xiàn)節(jié)能降耗。資產(chǎn)管理幫助用戶制定資產(chǎn)維護計劃，實現(xiàn)主動預警，動態(tài)調(diào)整維護計劃，按照實際情況輸出優(yōu)化方案，構(gòu)建最佳資產(chǎn)管理功能。

審核編輯 黃昊宇