基于深度学习的航空真空羽流解决方案
真空羽流||航空模拟深度学习
||人工智能神经网络直接模拟蒙特卡罗
随着深度学习、高性能计算、数据分析、机器学习、人工智能和神经网络的快速发展，空间技术得到了突飞猛进的发展。随之而来的真空羽流（火箭发动机喷流向外部真空环境自由膨胀时形成的羽流形状）对空间设备的损坏尤为重要。主要体现在：
强制加热
产生干扰力矩；导致航天器表面温度升高和材料损坏
电磁效应
影响测量和控制、通信和其他电子设备和信号、电磁干扰
溅射污染效应
改变材料的光学和电学特性，从而降低太阳能电池阵列的功率和卫星光学传感器的性能
深度学习|空中数据一体机
真空羽流理论方法研究
直接模拟蒙特卡罗（DSMC）方法是真空羽流数值模拟的主要方法，但DSMC是一种粒子模拟方法，非常耗时，严重制约了真空羽流及其效果的评估效率。CNN-DSMC（直接模拟蒙特卡罗）基于卷积神经网络将DSMC数值模拟模型的几何拓扑信息、边界条件和DSMC数值仿真的流场数据作为训练集，输入到卷积神经网训练中，以获得高精度、高效率的真空羽流智能计算模型，预测不同条件下的真空羽流流场。以月球着陆过程中的真空羽流流场为例，采用CNN-DSMC计算和DSMC数值模拟方法，模拟了不同着陆高度下真空羽流的速度和密度。结果表明，两种方法基本一致，速度和密度的平均相对误差分别小于6.0%和8.8%。然而，与传统的DSMC方法相比，CNN-DSMC方法的计算速度至少快了4个数量级，最快快了6个数量级。因此，CNN-DSMC方法在真空羽流数值模拟中具有很强的应用潜力。
下面主要以月球探测器登月过程中的真空羽流为例。分别采用直接模拟蒙特卡罗方法（CNN-DSMC）和基于卷积神经网络的DSMC方法，实现了月球探测器在不同悬停高度下的真空羽流流场。
基于卷积神经网络的直接模拟蒙特卡罗方法
图1是CNN-DSMC方法的求解流程图。在CNN-DSMC方法中，计算分为两个过程：数据预处理和模型训练。在数据预处理中，将真空羽流模拟模型中的几何拓扑信息抽象为符号距离函数，将边界条件信息抽象为标识符矩阵。SDF和IM一起作为训练集的输入；通过DSMC数值模拟获得的真空羽流的速度场（三个）和密度场作为训练集的输出。测试集是DSMC的未经训练的数值模拟示例，用于验证CNN-DSMC方法的准确性。当你完成训练时，你会有一个真空。
图1:CNN-DSMC方法的计算流程
羽流智能计算模型（SDF，IM），=ρV（1），其中，V和ρ分别是真空羽流的速度矢量和密度场。下面分别介绍了CNN-DSMC方法中的真空羽流模拟模型、卷积神经网络和数据预处理方法。
二。真空羽流数值模拟模型
本文中，DSMC示例均由北京航空航天大学羽流工作站PWS完成。在该软件中，航天器的表面网格和DSMC计算的体积网格是解耦的，并采用自适应网格加密策略，以便于各种复杂工况的计算。此外，软件PWS可以进行多核并行计算，实现真空羽流热效应、力效应分析和污染效应分析的数值模拟。实验结果表明，该软件的数值模拟结果与实验结果吻合较好，能够满足本文数据的精度要求。
图2：真空羽流模拟计算域
Iii.卷积神经网络
CNN-DSMC方法中使用的整体网络结构如图3所示。该网络由一个编码器和两个解码器组成，其中每个编码器（解码器）由七个（逆）卷积块组成。每个（逆）卷积块的结构组成由三个（逆）卷积和一个最大（逆）池层组成，如图4所示。单个（逆）褶积层由三个过程组成：（逆）旋积、激活函数和批量正则化。卷积本质上是一种矩阵变换。对于给定的矩阵A，卷积运算定义为BwA，其中：B是卷积后得到的矩阵；w是卷积核和矩阵，其矩阵元素将在神经网络的训练中被优化。反褶积与上述计算相反。本文中使用的激活函数是Relu，定义为Relu max（0，），其中x是（逆）卷积的输出。批量正则化主要用于校正各层输入数据的期望值和方差，这有利于训练过程的效率和稳定性。最大池层的功能本质上是下采样，而最大反池用于上采样。除了前馈过程之外，编码器中每个卷积块的输出将被馈送到解码器中相应位置处的反卷积块中。此设置是训练中的关键操作，以避免梯度消失和梯度爆炸。
图3:CNN-DSMC网络的总体结构
图4：（逆）卷积块的结构组成
航天工业未来发展趋势
未来五年，中国航天事业将推动航天科学、技术和应用全面发展，开启建设中国航天强国的新征程。
太空运输系统
中国将继续提高航天运输系统的整体性能，加快运载火箭的升级换代。推进运载火箭型号研制，研制发射新一代载人运载火箭和大推力固体运载火箭，加快发展重型运载火箭。我们将继续攻关关键技术，演示和验证可重复使用的太空运输系统。为了满足飞行发射的需要，中国将开发新型火箭发动机、组合动力和高级技术，并扩大多样化能力，以方便进出太空。
载人航天
将继续实施载人航天工程，发射烛台和实验室、“梦幻天”实验室、“天空”太空望远镜、载人飞船“神舟”号和“小船”号货船，全面建设和运营空间站，建设国家空间实验室、航天员长期驻留、大型空间科学实验、空间站平台维护等。深化载人登月计划研究，组织关键技术攻关，研制新一代载人飞船，夯实载人探测开发西斯卢纳空间基础。
深空探测
将继续实施探月工程，发射“嫦娥六号”探测器并完成月球极地样品返回，发射“昌娥”七号探测器，完成极地高精度着陆月球和阴影坑跳跃探测，开展“嫦娥八号”任务关键技术研究，国际组织和国际伙伴共同努力在月球上建立国际科学研究站。继续开展行星探测工程，发射小行星探测器，完成近地小行星采样和主带彗星探测，完成采样返回火星、木星系统探测等关键技术突破。演示太阳系边缘探测和其他实施方案。
蓝海大脑空间数据库
蓝海大脑空间数据库一体机是液冷服务器平台、图形数据库、时空环境知识地图系统和GPU云的混合部署，取代了“图形工作站+集中式存储”。一站式图形数据开发套件提供了强大的开发组件环境和丰富的图形管理和开发界面，支持操作、调试、日志跟踪、结果预览等功能，大大方便了航天研究和真空羽流研究人员的使用。该方案包括传统业务的数据中心和前端业务生产力工具，数据中心中所有集中的计算和存储资源，只有客户端负责站点的显示和操作，所有应用层和空间数据软件的统一部署、统一调度，完成实时数据共享、共享，避免重复工作，可以做的是溯源，谁批准谁修改，谁负责修改的可追溯性原则。
产品特点
融合
实现计算、网络、存储和安全的集成
低功耗
单节点具有与x86中高端相同的性能，功耗降低20%
I/O
支持PCIe 4.0和CCIX、10GE、25GE、100GE和IB，并将I/O带宽提高100%
高性能
多核并行计算效率高，支持全NVMe SSD加速
客户的回报
提高效率
卫星图像自动处理系统和典型地物智能判读软件借鉴工业制造执行系统的模式，采用汽车式制造生产线的思想，采用先进算法开发图像处理生产线，真正实现人机协同操作，自动化率达到90%以上。
节约能源
原始数据中心的电源使用成本在整个TCO中所占比例最大。数据中心为IT设备提供按需供电和冷却，使供电和冷却系统的容量更好地满足负载要求，从而提高工作效率并减少过度配置。
操作规程
帮助客户在数据中心实现多层次、精细化的能耗管理，并通过各种报告准确确定额外的能耗损失点，实现节能降耗。资产管理帮助用户制定资产维护计划，实现主动预警，动态调整维护计划，并根据实际情况输出优化计划，以构建最佳资产管理功能。