本发明涉及高超声速流场重建，具体涉及一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法、系统、设备及介质。
背景技术：
1、高超声速目标航行过程会产生离子、电子等成分，头部形成等离子体鞘套，下游形成尾迹等离子体。在实验研究中经常需要测量尾流中的电子密度等。在风洞激波管等实验场景下，研究人员会使用探针等设备对流场某处的电子密度进行测量，但由于探针在实验中会对周围流场产生影响，因此实际操作中只会在尾迹轴线上设计少量的测量点。然而科学研究常需要完整流场的电子密度数据，实验测量方案无法满足要求。
2、图卷积神经网络(gcn)模型通过将一批数据编码为一组节点，将这些节点作为模型的输入。模型结构通常由多层图卷积层和激活层组成。作为卷积神经网络在图结构数据上的推广应用，gcn能够实现对节点特征信息和结构信息的端到端学习，并在多个公开数据集上展现出较好的性能。尽管gcn在多个领域表现出色，但在某些轮廓不清晰、具有复杂性和不确定性的应用场景中，gcn仍然面临一些挑战。特别是在尾迹的应用场景中，由于头部激波内流场的电子密度会随着远离飞行器而逐渐趋于稳定，这种特性可能会对gcn的建模能力带来一定困难。
3、类似的技术还有图像超分辨率技术，这种方法旨在使用多层非线性变换，提取数据的高层数抽象特征，学习数据潜在的分布规律，从而获取对新数据做出合理的判断或者预测的能力。同样，此方法中的非线性变换也是通过多个卷积层实现的，图像超分辨率将组合的卷积神经网络及多个残差块搭建为网络模型，并根据先验知识设计损失函数，最终实现对图像的重建与预测能力。图像超分辨技术能够提升流场、遥感等图像的增强效果，能够获取高精度和高效率的遥感图像目标识别结果，但是对于预测功能，仅限于对局部模糊特征的增强处理，并不能满足将向量数据重构为矩阵数据的应用背景。
4、另外，对于上述两种方案，其结构都基于卷积层，这就造成gnn和图像超分辨率都有大量的数据需求，而流场实验所需物质成本、时间成本均高，不能满足大量的数据需求，并且面对这种数据较少的情况网络容易出现过拟合现象。尽管卷积神经网络能够实现平移、旋转等变换，但对更复杂的空间变换，如比例变化、非线性扭曲等，处理较差。虽然可以使用数据增强来缓解，但并不能完全解决问题。对于物理性质问题，卷积神经网络属于“黑箱”模型，缺乏可解释性的工作机制和决策过程。
5、朱瑞(朱瑞.基于卷积神经网络的图像识别算法的研究[d].北京邮电大学,2018.)提出了基于卷积神经网络的图像识别算法的研究，该研究基于卷积神经网络的图像识别模型压缩和加速技术，提出了基于人工神经网络的复杂度低、识别准确度高、效率高效、且快速实时的图像识别算法。而图像识别算法在面对数据较少的情况时容易出现过拟合现象，在尾迹的应用场景中，头部激波内流场的电子密度会随远离飞行器而逐渐稳定，这种场景会对图卷积神经网络带来困难。输出结果不能满足物理机理，缺乏可解释性的工作机制和决策过程。
6、刘超(刘超.基于深度学习的图像超分辨率重建算法研究与实现[d].电子科技大学,2023.doi:10.27005/d.cnki.gdzku.2022.001896.)提出了基于深度学习的图像超分辨率重建算法研究与实现，具体改进了基于多尺度特征提取的生成对抗网络模型，该模型在生成器中使用密集连接的多尺度特征提取模块来进行图像特征提取，并且使用渐进式的两阶段重建过程代替原有的单阶段重建过程，可以精确提取原始特征与高层次特征，缓解计算复杂度高和梯度消失等问题，提升网络的特征表达的能力的同时，有效提升了重建图像的质量。但是，对于物理性质问题，卷积神经网络属于“黑箱”模型，缺乏可解释性的工作机制和决策过程。
技术实现思路
1、为了克服上述现有技术的缺点，本发明的目的在于提供一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法、系统、设备及介质，通过cfd仿真计算分别获得电子密度数值、电子密度二维分布，并分别对其进行储存，并整理得到训练集，用流场重构模型在损失函数的监督下对训练集训练，从而得到训练好权重的流场重构模型，将未知二维分布的轴线电子密度向量数据输入训练好权重的流场重构模型，得到目标尾迹流场的二维电子密度分布；该方法具有实用性强，可靠性好、精确性高的优点，可广泛应用于高超声速飞行器实验与设计、等离子体诊断、材料科学研究以及量子计算与模拟等领域。
2、为了实现上述目的，本发明采用的技术方案是：
3、一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，包括以下步骤：
4、步骤1、获取不同马赫数目标尾迹流场中轴线上的电子密度数值，将电子密度数值储存为向量数据，得到轴线电子密度向量；获取与中轴线所在流场相对应的电子密度二维分布，将电子密度二维分布储存为矩阵数据；将向量数据与矩阵数据整理为训练集；
5、步骤2、构建流场重构模型，所述流场重构模型包括第一全连接层、激活层、反卷积层、展平层、第二全连接层、第三全连接层以及重组层；将n-s方程中的连续性方程定义为流场重构模型的损失函数；
6、步骤3、使用步骤2构建的流场重构模型在不同马赫数的高超目标尾迹流场中对步骤1中的训练集进行训练，同时利用步骤2的损失函数对该训练进行监督，直到损失函数收敛，得到训练好权重的流场重构模型；
7、步骤4、利用未知二维分布的轴线电子密度向量数据作为输入向量，使用步骤3中训练好权重的流场重构模型对输入向量进行预测，得到目标尾迹流场的二维电子密度分布。
8、所述步骤1中，中轴线上的电子密度数值以及与中轴线所在流场相对应的电子密度二维分布均是由cfd仿真计算获取的。
9、所述步骤2的流场重构模型用于生成二维的流场数据，输入层接收向量数据，第一全连接层将增加数据量，并通过激活层调整数据数值；两个反卷积层进行特征重构并增加数据维度，使用展平层将反卷积层输出的高维数据展平为向量数据，通过第二全连接层、第三全连接层进行数据量规范，最后经过重组层重塑数据，最终将数据输出为期望的尺寸。
10、所述步骤2将n-s方程中的连续性方程定义为流场重构模型的损失函数具体包括：
11、使用定常流体中n-s电子的连续性方程做空间梯度特征提取，使用中心差分法离散；将离散后的连续性方程表达式作为守恒项，守恒项的真值与预测值的均方误差构成损失函数；将损失函数与流场重构模型相结合，使得损失函数在模型中逆向传播，用于优化模型权重。
12、所述步骤4中未知二维分布的轴线电子密度向量数据为地面试验中探针在钝锥中轴线上测量的电子数密度。
13、一种基于物理信息神经网络的高超目标尾迹电子密度流场重构系统，包括：
14、数据获取模块：由cfd仿真计算获取不同马赫数目标尾迹流场中轴线上的电子密度数值以及与中轴线所在流场相对应的电子密度二维分布，将电子密度数值储存为向量数据，得到轴线电子密度向量；将电子密度二维分布储存为矩阵数据，最后将向量数据与矩阵数据整理为训练集；
15、深度学习模块：深度学习模型包括两个主要部分：一是构建流场重构模型和定义流场重构模型的损失函数，使用第一全连接层、激活层、反卷积层、展平层、第二全连接层、第三全连接层以及重组层构成流场重构模型，损失函数由n-s方程中的连续性方程定义；二是流场重构模型的训练和监督，在损失函数的监督下对流场重构模型进行训练；
16、预测模块：利用未知二维分布的轴线电子密度向量数据作为流场重构模型的输入向量，训练好的流场重构模型对输入向量进行重构，得到向量数据所在的目标尾迹流场的二维电子密度分布。
17、一种基于物理信息神经网络的高超目标尾迹电子密度流场重构设备，包括：
18、存储器：用于存储计算机程序实现如上所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法；
19、处理器：用于执行所述计算机程序时实现如上所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法。
20、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法的步骤。
21、相对于现有技术，本发明的有益效果在于：
22、本发明步骤1利用高超目标尾迹流场中轴线上的电子密度进行流场重构，与实际实验设置相符，具有强实用性，可通过中轴线测量数据对流场数据重构，因此，所重构的流场数据与实验数据高度相关，且准确度高。
23、本发明步骤2利用n-s方程定义流场重构模型的损失函数，与现有的图卷积神经网络和图像超分辨技术相比，具有可解释的物理机理，在少量训练数据的情况下更容易收敛的优点。
24、本发明步骤3利用不同马赫数的高超目标尾迹流场数据组成的训练集对流场重构模型进行训练，具有可适应不同的应用背景的优点。
25、本发明步骤4可以得到完整的目标尾迹流场的二维电子密度分布，能够对目标电磁散射、受激电磁辐射、红外紫外辐射特性计算提供可靠的数据支撑；
26、综上所述，通过上述方式，本发明可以获得完整的目标尾迹流场的二维电子密度分布，解决了探针在实验中会对周围流场产生影响而导致尾迹轴线上设计的测量点少的问题；本发明具有实用性强，可靠性好、精确性高的优点，可广泛应用于高超声速飞行器实验与设计、等离子体诊断、材料科学研究以及量子计算与模拟等多个领域。
1.一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，其特征在于：所述步骤1中，中轴线上的电子密度数值以及与中轴线所在流场相对应的电子密度二维分布均是由cfd仿真计算获取的。
3.根据权利要求1所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，其特征在于：所述步骤2的流场重构模型用于生成二维的流场数据，输入层接收向量数据，第一全连接层将增加数据量，并通过激活层调整数据数值；两个反卷积层进行特征重构并增加数据维度，使用展平层将反卷积层输出的高维数据展平为向量数据，通过第二全连接层、第三全连接层进行数据量规范，最后经过重组层重塑数据，最终将数据输出为期望的尺寸。
4.根据权利要求1所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，其特征在于：所述步骤2将n-s方程中的连续性方程定义为流场重构模型的损失函数具体包括：
5.根据权利要求1所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法，其特征在于：所述步骤4中未知二维分布的轴线电子密度向量数据为地面试验中探针在钝锥中轴线上测量的电子数密度。
6.一种基于物理信息神经网络的高超目标尾迹电子密度流场重构系统，其特征在于：包括：
7.一种基于物理信息神经网络的高超目标尾迹电子密度流场重构设备，其特征在于：包括：
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于物理信息神经网络的高超目标尾迹电子密度流场重构方法的步骤。
