CN114970308B - 一种飞机结冰预测方法、***及计算机程序产品 - Google Patents

一种飞机结冰预测方法、***及计算机程序产品 Download PDF

Info

Publication number
CN114970308B
CN114970308B CN202210179640.8A CN202210179640A CN114970308B CN 114970308 B CN114970308 B CN 114970308B CN 202210179640 A CN202210179640 A CN 202210179640A CN 114970308 B CN114970308 B CN 114970308B
Authority
CN
China
Prior art keywords
flight
data
prediction
particle size
supercooled water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210179640.8A
Other languages
English (en)
Other versions
CN114970308A (zh
Inventor
潘攀
王梓旭
王茂
郑丹
张颖
戴天方
于馨凝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Fluid Power Innovation Center
Original Assignee
Chengdu Fluid Power Innovation Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Fluid Power Innovation Center filed Critical Chengdu Fluid Power Innovation Center
Publication of CN114970308A publication Critical patent/CN114970308A/zh
Application granted granted Critical
Publication of CN114970308B publication Critical patent/CN114970308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种飞机结冰预测方法，该方法包括步骤：获取第一飞行实测数据，第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差、修正后液态水含量；将第一飞行实测数据输入预先构建的过冷水滴粒径预测模型，得到第一预设时间的过冷水滴粒径预测值，获取第一飞行预测数据，第一飞行预测数据至少包括：第一预设时间的液态水含量、飞行速度、相对湿度和温度；基于过冷水滴粒径预测值和第一飞行预测数据计算得到第一预设时间的飞机积冰情况。本发明的预测方法适应性强，准确率较高。

Description

一种飞机结冰预测方法、***及计算机程序产品
技术领域
本发明涉及飞机结冰预测领域，具体涉及一种飞机结冰预测方法、***及计算机程序产品。
背景技术
航空器(例如，飞机)在飞行过程中遇到结冰云雾条件时可能引起飞机重要部件结冰，引起飞机气动外形改变，严重时会导致飞机的气动性能显著下降甚至舵面控制失效等问题。长期以来，如何准确地进行飞机结冰预测一直是困扰气象界、航空界的难题。
目前，在气象学领域，通常以飞行机组报告作为数据支撑，采用统计的方法总结了大量结冰预测指数。该方法通常以相对湿度、大气压、垂直运动速度、霜点/露点温度以及云水含量等作为输入变量，通过统计拟合的方法与不同程度的飞机结冰严重程度相对应，从而快速地得到区域内飞机结冰严重指数分布。但这类方法都依赖于飞行机组报告进行验证，对飞行机组报告的数据量要求较高，若飞行机组报告的数据量不足就极可能导致误报率偏高，另外，飞行机组报告通常存在较大的主观性，因此也会导致误报率偏高。同时，通过天气预报对飞机的积冰进行预测难以实现飞机结冰精细化评估，气象预报各项数据的空间尺度通常较大(数据格点大多在10km以上级别)，也就是说基于气象预报的积冰预测往往是在宏观上对积冰情况进行预测，而常规飞机结冰区域大多集中在飞机机翼前缘，仅仅几平方米的范围，气象预报的尺度与飞机积冰区域的尺度差异较大，因此气象参数无法直接用于分析具体机型的结冰物理过程，因而无法做到精细化结冰预测预报。
而在航空学领域通常从积冰机理、数值仿真、地面结冰风洞模拟三方面建立了积冰冰形预测及飞机结冰评估手段及方法，但这类评估手段及方法往往无法将飞机结冰过程与外部气象条件建立联系。例如采用飞行实测的方法得到外部环境输入参数，并在大量结冰风洞试验结果的基础上建立了附录C、附录O结冰适航审定条例，开发了多种结冰计算软件。以美国格林研究中心结冰风洞为例，在大量风洞试验的基础上开发了Lewice结冰计算软件，该软件以翼型外流场、大气条件作为输入，通过时间推进计算积冰增长过程，具有较高的冰形预测精度。但是，结冰风洞地面试验采用的是飞机结冰适航审定标准中规定的易结冰云雾条件(包括风速、液态水含量、过冷水滴粒径及分布等参数)，是一套预设的范围参数，解决的是大气中云雾条件参数与飞机结冰冰形之间的相关性问题，并没有涉及到具体的云雾条件发生时间、发生地点，通常作为型号鉴定及事故后分析评估手段，也即是说预测结果与外部环境不存在时空相关性，因此该评估手段或方法并不适用于对飞机积冰进行预测，不便于工作人员提前做好防除冰应对措施。同时，由于附录C、附录O等条例是某一地区的历史气象数据进行建立的，因此在应用于不同地区或地理环境时，可能不具有良好的适应性。
因此，航空界常用的飞机结冰评估手段及方法更多地是关注规范输入条件下的积冰增长过程，而无法与复杂多变的外部气象条件进行关联。例如，专利公布号为CN111738481A的专利申请，其公开了一种基于BP神经网络的飞机结冰气象参数MVD预测方法，该方法中的MVD即是通过预先划定范围后设置计算工况格点得到，并没有与外部气象条件相关联。
发明内容
为了部分地解决或部分缓解上述技术问题，本发明通过建立气象中尺度与结冰小尺度之间的关联性，发展从气象要素出发，评估具体机型结冰程度以及气动性能损失的全流程预测方法。本发明通过采用回归树智能算法建模，从已知的常规大气参数(包括：通用的气象监测站、探空气球、气象卫星以及全球再分析资料获取的大范围温度、气压、湿度、风向、风速、太阳辐射强度、光照度等气象资料)获得云中微物理参数(局部地区云层中液态水含量(LWC)、过冷水滴粒径(MVD)分布)，从而代入结冰计算软件开展采样点结冰计算，以生成结冰概率分布以及气动性能损失评估结果，实现与时间、空间相关联的飞机结冰精细化预测。建立有效的飞机结冰精细化预测(也即结冰气象条件预测模型)对飞行任务规划、飞机适航审定都具有重要意义。
但由于缺少合适的气象类条件输入，特别是直接导致飞机结冰的空中云雾条件参数，如液态水含量、水滴直径分布等信息，还无法将飞机结冰过程与实际的空中云雾气象条件建立联系。
本发明为了打通飞机积冰预测的整体链路，构建了空中气象条件(温度、湿度、压力、风速等)、云中微物理参数(过冷水滴粒径及分布等)、飞机积冰计算(积冰冰形、气动性能影响等)三大流程，具体地，通过数据驱动的决策树智能预测算法实现了从空中外部气象条件预测云中微物理参数(过冷水滴粒径，即MVD)的过程，从而实现了根据空中气象条件预测飞机结冰概率、结冰严重程度以及结冰危害性评估的精细化预报流程。
本发明在第一方面提供了一种飞机结冰预测方法，包括步骤：
获取第一飞行实测数据，所述第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量；
将所述第一飞行实测数据输入预先构建的过冷水滴粒径预测模型，得到第一预设时间的过冷水滴粒径预测值；获取第一飞行预测数据，所述第一飞行预测数据至少包括：液态水含量、飞行速度、相对湿度和温度；
基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的飞机积冰情况，其中，所述积冰情况包括：积冰区域随时间累积产生的积冰形状。
在一些实例中，构建所述过冷水滴粒径预测模型的步骤包括：获取若干组第二飞行实测数据，所述第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数至少包括：过冷水滴粒径值；
基于若干组所述第二飞行实测数据训练得到过冷水滴粒径预测模型，其中，所述训练选用的数学模型为：
Figure BDA0003519975160000031
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号。
在一些实例中，构建所述过冷水滴粒径预测模型的步骤还包括：
获取若干组第三飞行实测数据，基于所述第三飞行实测数据对所述过冷水滴粒径预测模型进行修正，其中，所述第三飞行实测数据至少包括：过冷水滴粒径、位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量。
在一些实例中，该方法还包括步骤：对获取到的第一、二、三飞行实测数据进行预处理。
在一些实施例中，在基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的飞机积冰情况中，所述计算的方法可选地为：积冰计算软件。
本发明在第二方面还提供了一种用于飞机结冰的预测***，包括：
第一飞行实测数据获取模块，被配置为用于获取第一飞行实测数据，所述第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量；
第一飞行预测数据获取模块，被配置为用于获取第一飞行预测数据，所述第一飞行预测数据至少包括：液态水含量、飞行速度、相对湿度和温度；
过冷水滴粒径预测模块，被配置为基于获取的所述第一飞行实测数据预测第一预设时间的过冷水滴粒径预测值；
结冰预测模块，被配置为基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的积冰情况；
其中，所述积冰情况包括：积冰区域随时间累积产生的积冰形状。
在一些实施例中，所述预测***还包括：
第二飞行实测数据获取模块，被配置为用于获取第二飞行实测数据，所述第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数包括：过冷水滴粒径值；
过冷水滴粒径预测模型构建模块，被配置为基于获取的所述第二飞行实测数据构建过冷水滴粒径预测模型。
在一些实施例中，所述训练选用的数学模型为：
Figure BDA0003519975160000041
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号。
在一些实施例中，所述第二飞行实测数据获取模块还被配置为用于获取第三飞行实测数据，相应地，所述过冷水滴粒径预测模型构建模块还包括：
模型验证单元，被配置为基于所述第三飞行实测数据对所构建的所述过冷水滴粒径预测模型进行验证。
在一些实施例中，该***还包括：
预处理模块，被配置为对所获取到的飞行实测数据进行预处理，所述预处理步骤包括：基于移动平均窗口法消除数据中的随机误差。
本发明第三方面在于，还提供了一种用于飞机结冰预测的计算机程序产品，其中存储有计算机程序，所述计算机程序被处理器执行时，控制所述计算机程序产品所在设备执行如上述实施例中任一所述方法的步骤。
有益效果：
为打通飞机积冰预测整体链路，需要构建空中气象条件(温度、湿度、压力、风速等)、云中微物理参数(水滴直径及分布等)、飞机积冰计算(积冰冰形、气动性能影响等)三大流程，而本发明中基于数据驱动的决策树智能预测算法正是完成了从空中气象条件预测云中微物理参数(MVD，过冷水直径)的过程，从而实现了根据空中气象条件预测飞机结冰概率、结冰严重程度以及结冰危害性评估的精细化预报流程。
发明的有益效果在于：在特定区域长期气候条件不变的基础上，只需要一定数量的结冰气象飞行实测数据即可建立可靠的云微物理参数预测模型，结合气象中尺度预报结果即可得到适用于结冰计算所有输入条件，并基于二维结冰计算精细化评估具体机型在区域内由于积冰引起的气动性能变化，为航路规划提供精准可靠、快速迭代的结冰气象危害性评估结果，也可为飞机结冰适航审定给出建设性指导意见。
具体地，本发明通过飞行实测数据建立过冷水滴粒径预测模型，基于实时测量的得到的常规大气参数(即气象中尺度数值)对过冷水滴粒径(即MVD值，属于气象小尺度数值)进行预测，然后将预测得到的过冷水滴粒径预测值与第一飞行预测数据相结合计算得到飞机的积冰情况，以及积冰对飞机气动性能的影响。由此将气象中尺度数值与气象小尺度数值结合对飞机积冰情况进行了预测，也即是将飞机飞行过程中的外部环境条件和结冰物理过程共同纳入了计算条件中，提高了积冰预测的时空相关性，能够预先对飞机积冰进行预测，以便于提前准备好防除冰措施；同时由于考虑到结冰的物理过程，因此能够对飞机结冰进行精细化的评估。
本发明通过选用了位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差、修正后液态水含量等飞行实测参数构建过冷水滴粒径预测模型(MVD预测模型)，对过冷水滴粒径进行预测，一方面，选用的飞行实测参数数据量相对较小，计算数据量适中，计算速度相对较快，且以上至少十三个参数没有重复的量纲，覆盖面相对较广，经过实验数据证明，所得MVD预测模型的预测精度较高。
另一方面，由于不同的地理环境的过冷水滴生成的规律不同，例如，高山和平原地区的地理环境不同，由此可能导致即使在相似或相同的气象条件下，两个地区的过冷水滴粒径分布也有所不同，对此，可以通过分别对各个不同地区(例如，高山或平原或其他地理环境)构建具有局部适应性的MVD预测模型(也即是能够良好适应高山地区的过冷水滴生成规律的MVD预测模型，或能够良好适应于平原地区的过冷水滴生成规律的MVD预测模型)，也即是说，本发明所提供的方法能够灵活地适用于不同地区或地理环境。从另一个角度来说，由于本发明所选用的实测数据中的各个参数中都包括时间和空间坐标，也即是说所选用的参数都和地理信息和时间信息相关，因此能够通过模型预测到实际的某一地点的某一时刻的过冷水滴生成或粒径分布情况，从而进一步预测得到飞机在某一地点的某一时刻生成的积冰情况，从而实现在飞机飞行之前对飞机可能产生的积冰情况进行预测，并基于对积冰情况的预测做好相应地除防冰措施。简言之，本发明采用机器学习方法构建模型，可根据局部地区云中过冷水分布规律重新生成预测算法(MVD预测模型)，适应性强，准确率较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一示例性实施例的方法流程示意图；
图2是本发明一示例性实施例的模型构建方法流程示意图；
图3是本发明一示例性实施例的***装置结构示意图；
图4是本发明一示例性实施例中的实测变量光顺示意图；
图5a是本发明一示例性实施例的训练数据集响应结果示意图；
图5b是本发明一示例性实施例的测试数据集响应结果示意图；
图6是本发明一示例性实施例中的MVD预测值和实测值对比。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
本文中，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本文中，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”、“相连”等，应做广义理解，例如“相连”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是无线连接，也可以是无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本文中，“气象中尺度”是指水平尺度2～2000km，时间尺度几十分钟至几天之间的天气事件与天气***，“气象中尺度数值”包括常规大气参数，例如，相对湿度、温度等；本文中，“气象小尺度”指积雨云团、雷暴云团、***等，水平方向仅几公里到几十公里，竖直方向可延伸至对流层顶，垂直速度超过1m/s，极端情形下可以超过5m/s等天气事件与天气***，“气象小尺度数值”包括云中微物理参数，例如过冷水滴粒径(MVD)、液态水含量(LWC)。
本文中，“位温”是将一定体积的干空气(不含水分)从其当前位置绝热地压缩或膨胀到气压为1000hPa时所具有的温度。位温(potential temperature)的概念广泛应用于气象学研究中。
本文中，“积冰计算软件”指的是包括：开展流场计算、水收集系数计算、积冰增长计算、积冰几何再生成等计算模块，并能够预测一定结冰时间后的积冰冰形的计算软件，例如，Lewice结冰计算软件。
本发明通过结冰气象条件预测建立起飞机结冰预测流程，基于飞行实测数据集生成回归树预测模型，实现从常规大气参数(易获得)预测云中微物理参数(难获得)的具体方法，从而将结冰风洞中使用的结冰云雾参数向前溯源，与具体的气象观测数据相关联，将气象预报应用于飞机结冰计算，能够基于飞机的飞行时间和飞行地点进行相应的积冰预测。解决何时何地生成何种飞机积冰冰形的问题。
常规大气参数主要指从通用的气象监测站、探空气球、气象卫星以及全球再分析资料获取的大范围温度、气压、湿度、风向、风速、太阳辐射强度、光照度等气象资料，云中微物理参量主要指通过专用的飞行实测、气象雷达、气象卫星得到局部地区云层中液态水含量(LWC)、过冷水滴粒径(MVD)分布等微物理参量。
实施例一
参见图1，本发明提供了一种飞机结冰预测方法，包括步骤：
S1：获取第一飞行实测数据；
优选地，在一些实例中，第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量；可以理解的是，上述多个参数之间没有重复的量纲。
在一些实施例中，上述第一飞行实测数据属于常规大气参数，也即是可以通用的气象监测站、探空气球、气象卫星以及全球再分析资料获取的大范围温度、气压、湿度、风向、风速、太阳辐射强度、光照度等气象资料。
当然，在另一些实施例中，上述第一飞行实测数据还可以通过天气预报直接获取。
S2：将第一飞行实测数据输入过冷水滴粒径预测模型，计算得到第一预设时间的过冷水滴粒径(MVD)预测值；
在一些实施例中，第一预设时间可以由工作人员基于历史经验预先设定，例如，第一预设时间可以设为10min、20min等不同时间段。
优选地，在一些实施例中，可以通过设定或调整第一预设时间得到未来不同时间的MVD预测值，例如，当第一预设时间为10min，即可以预测得到未来10min后的MVD预测值，当第一预设时间为30min，即可以预测得到未来30min后的MVD预测值。
S3：获取第一飞行预测数据；
优选地，在一些实施例中，第一飞行预测数据至少包括：液态水含量、飞行速度、相对湿度、温度等参数。可以理解的是，第一飞行预测数据为第一预设时间后的气象或飞行参数，也即是液态水含量、飞行速度、相对湿度、温度等参数均为第一预设时间后的预测值。
进一步地，在一些实施例中，液体水含量(即LWC，属于云中微物理参数)可以通过专用的飞行实测、气象雷达、气象卫星测量得到。
进一步地，在一些实施例中，通过气象观测站测量得到相对湿度、温度等参数，飞行速度可以直接通过飞机驾驶状态或驾驶控制***获取。
S4：基于冷水滴粒径预测值(即MVD预测值)和第一飞行预测数据计算得到第一预设时间的飞机积冰情况。
在一些实施例中，积冰情况包括：积冰区域随时间累积产生的积冰形状。也即是说获取到的积冰形状包括时间信息，能够获取到各个时间点(段)的积冰形状。
进一步地，在一些实施例中，积冰情况还包括：基于积冰形状分布计算得到的飞机气动性能变化结果(例如，通过飞机积冰计算软件计算飞机气动性能变化)。
本实施例中，通过气象中尺度数值(第一飞行实测数据)计算得到气象小尺度数值(即MVD预测值)，并基于MVD预测值与液态水含量、飞行速度、相对湿度、温度等参数对飞机飞行过程中的积冰预测。也即是说本实施例通过将气象中尺度数值转化为气象小尺度数值，从而实现了气象中小尺度的耦合，既考虑到了宏观天气条件(即气象中尺度)对飞机结冰的影响，同时考虑了微观结冰机理对积冰(积冰类型和积冰分布)的影响，从而能够利用气象中尺度数值对飞机积冰进行精细化的预测，同时基于积冰情况计算积冰对飞机气动性能的影响。
通过对预测得到的飞机积冰和气动性能变化的结果作出分析判断，可以预先做好相应的除防冰装备，减少积冰对飞机飞行过程中的影响，以提高飞机飞行过程中的安全性。
进一步地，在一些实施例中，参见图2，步骤S2中的过冷水滴粒径预测模型的构建方法包括步骤：
S5：获取若干组第二飞行实测数据，优选地，第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且云中微物理参数至少包括：过冷水滴粒径值；
S7：基于多组所述第二飞行实测数据训练得到过冷水滴粒径预测模型。
进一步地，由于通过飞行实测采样得到的数据含有较多噪声，直接用于模型训练得到的模型准确度较低。因此，在执行步骤S7之前，还包括步骤：
对上述的若干组第二飞行实测数据进行噪点预处理。
例如，在一具体实施例中，首先通过气象卫星、探空气球或气象观测站以及全球再分析资料获取获取到两百多组实测变量(也即是第二飞行实测数据中包括两百多个参数)，首先对实测变量值进行预处理除躁，其中，经验证对比，以液态水含量(LWC)测量为例，采用移动窗口平均的方法对采样数据进行处理后，如图4所示，移动窗口为60s，在保留数据重要特征的同时极大地减小了数据锯齿。
获取到的两百多组实测变量并非全部与MVD分布相关(也即是两百多个参数并非全部与MVD值有关)，或者说两百多组实测变量中的部分变量与MVD分布的相关性较低，且两百多组实测变量中包括：原始测量数据与衍生推导数据，其中的原始测量数据与衍生推导数据直接存在直接联系，携带的是同类型信息，优选地，只保留一种信息(也即是同一量纲只保留一组数据)。
由于与MVD值相关(或者可能与MVD值相关)的实测变量数据较多，当选取的数据量过多时，可能导致预测误差较大，且数据量过大时计算效率也很低；而当选取的数据量较小时，可能出现数据覆盖不够全面的问题，从而也会导致预测误差较大。在而本实施例中所选取的参数组合(包括位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量等参数)既考虑到了计算数据量的合理性，也保证了选取的参数覆盖全面(且各种覆盖不同的量纲，也即是不存在重复的量纲)，其中，选取的至少十三个参数(变量)如下表格1所示。
表格1筛选变量结果
Figure BDA0003519975160000101
本实施例中，选用了9个架次的飞行数据集(包括飞行过程中的飞行速度、大气常规参数以及过冷水滴粒径等参数)，完成9个架次的飞行数据前处理后，将获取得到的近10万的数据样本点分为三个部分。其中8个架次的数据集取75％的样本点作为训练集，25％的样本点作为测试集，剩下一个架次的数据作为验证数据进行模型精度验证。
优选地，本实施例中选用回归树智能算法(例如，装袋树模型)建模基于训练集构建得到MVD预测模型，当然，可以理解的是，基于大样本数据的机器学习回归类算法都可用于本发明中的MVD预测模型的构建。
具体地，在一些实施例中，步骤S7中采用基于装袋树模型的回归决策树智能算法，其计算原理如下：
Figure BDA0003519975160000111
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号。如公式(1)所示，装袋树模型采用自助采样的方法形成A个样本，分别建立起A个决策树，通过对所有回归值求平均降低整体预测方差，提高预测精度。
优选地，训练过程中超参数设置参见表2：
表格2超参数设置
超参数 值
训练测试样本数 90645
验证数据样本数 12303
集成方法 装袋树
学习率 0.005
学习器数量 488
最小叶大小 5
要采样的预测变量数 13
优化方法 贝叶斯优化
进一步地，参见图5a、图5b所示的装袋树模型的模型训练结果，在8个架次飞行实测数据集上训练得到的装袋树模型具有较好的响应精度，真实观测值与理想预测值之间吻合良好，其中，均方根误差RMSE≈2.8，即使在完全陌生的R34架次测试数据集上，模型RMSE≈217,过拟合现象不明显。该实验数据进一步验证了本实施例所提供的MVD预测模型精度较高，能够满足实际应用要求，另一方面，MVD预测模型的精度较高还反映出了参数筛选的覆盖面积较广，考虑到了影响过冷水滴生成的主要因素。本实施例中从多个实测参数(实测变量)中选出包括至少十三组参数的参数组合，即大大减少了数据计算量，同时保证了参数覆盖全面，也即保证了MVD模型的预测精度。
如图6所示，直观地展示了R34飞行架次沿程MVD预测值与实实测值之间的对比关系(其中，直线表示实测值的变化曲线，虚线表示预测值的变化曲线)，可以看到MVD预测值变化曲线与实测值的变化曲线吻合度较高，也即是说预测值很好地描绘了MVD的变化趋势，对各个峰值处的信息捕捉都比较贴合，因此可以将MVD预测值作为下一步积冰计算输入参数。该实验数据进一步地说明了本实施例所提供的MVD预测模型的精度高。
进一步地，通过MVD预测模型计算生成区域内包含云微物理参数的结冰气象条件文本文件(即包括MVD预测值的文本)，作为二维翼型结冰计算输入条件，开展流场计算、水收集系数计算、积冰增长计算、积冰几何再生成，预测一定结冰时间后的积冰冰形，进而评估气动性能下降程度，得到区域内定量的飞机结冰危害性评估结果。
具体地，在一些实施例中，流场计算包括步骤：基于分布式的源、汇、涡进行二维翼型位势流求解，快速获得翼型外流场压力分布、速度分布等信息；
在一些实施例中，粒子轨迹及冲击计算包括步骤：采用dpm两相流计算方法，通过计算任意形状液滴轨迹及撞击特征获得水滴的运动轨迹、水滴撞击物面的水滴收集系数、撞击极限等计算结果，作为积冰计算输入条件；
在一些实施例中，热力学及积冰增长计算：预测积冰冰形增长过程，基于温度，压力和速度以及液态水含量(LWC)，液滴直径和相对湿度等气象参数，模拟物面积冰热力学过程，进行飞机物面结冰冰形的计算分析，获得给定时间步长的结冰外形；
在一些实施例中，积冰几何再生成包括步骤：通过应用热力学模型确定特定表面的每个区段上的冰生长速率。当时间增量一定时，该增长率可以解释为冰厚度，并且调整体坐标以表达积冰，推进积冰计算迭代过程。
优选地，本实施例中采用LEWICE(2D)进行飞机积冰计算，其中，LEWICE(2D)是美国NASA格林研究中心在上世纪基于大量结冰风洞试验数据开发的一套飞机二维翼型积冰预测程序，具有计算效率高、冰形预测精准的特点，并于2014年授权美国Kestrel公司发行其商业版。
该软件应用于模拟飞机二维翼型遭遇过冷水滴撞击后的热力学结冰过程，包含飞机流动特性计算分析、水滴撞击特性计算、结冰特性计算、网格自适应及重构以及防除冰***设计等功能模块，并要求软件各个计算模块完整并能正常运行。飞机结冰特性计算包含流场特性、水滴撞击特性、结冰特性、结冰后的外形重构，并按照给定的结冰步长形成循环迭代得到二维翼型最终冰形；同时通过水滴撞击特性分析、结冰特性分析，进行防除冰***的计算及设计。通过计算分析，可获得飞机表面的流动特性、物面水滴的撞击规律及撞击极限、结冰的冰形等分析结果。
其中，LEWICE(2D)的主要软件模块及功能如表3所示：
Figure BDA0003519975160000121
Figure BDA0003519975160000131
实施例二
为了进一步地说明本发明的技术方案和有益效果，本发明还提供了另一个具体应用实例：
本实施例中，首先基于预先获取到的第二飞行实测数据进行模型构建，得到MVD预测模型。第二飞行实测数据包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且云中微物理参数至少包括：过冷水滴粒径值。
可以理解的是，本实施例中的MVD预测模型反应了位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量等十三个参数与过冷水滴粒径之间的数学关系，换句话说，MVD预测模型反应出了过冷水滴的生成规律。基于MVD预测模型可以预测得到某一地点的某一时刻下的过冷水滴粒径分布。
因此，基于上述的MVD预测模型，可以通过风洞试验模拟出不同地点的不同时刻下的过冷水滴粒径分布条件，可以理解的是，风洞试验的其他环境条件(例如，液态水含量、飞行速度、相对湿度、温度等)也可以基于预先测得或设定的条件进行模拟。
由于现有技术中的风洞试验中的过冷水滴粒径数据通常是通过附录O、附录C等历史数据获取的，而这些历史数据一方面由于数据量有限，因此得到的数据精度也有限，另一方面，这些历史数据往往只具有局部地区适应性(由于历史数据通常是基于某一地理环境或某一地区进行的数据采集，在应用于其他地理环境或地区时可能无法良好适应，也即是适应性有限)，换个角度来说，由于现有风洞试验中的过冷水滴粒径往往不具有地理信息和时间信息，因此风洞试验的结果往往不具有时空相关性，因此该评估手段或方法通常作为型号鉴定及事故后分析评估手段，并不适用于对飞机积冰进行预测，不便于工作人员提前做好防除冰应对措施。
例如，在一具体实施例中，当飞机的飞行航线确定时，可以通过获取该飞行航线的气象参数(即位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量等参数)计算得到飞行过程中的各个地区各个时刻的MVD预测值，当基于工作人员的历史工作经验判断出飞机飞行时生成积冰概率较大或生成积冰情况较为严重时，可以基于MVD预测值进一步展开风洞试验，对飞机飞行过程中的积冰进行预测，从而预先做好除防冰措施。或者基于MVD预测值以及其他参数(液态水含量(LWC)、飞行速度、相对湿度和温度)计算飞机的积冰情况，并通过风洞试验对积冰预测结果进行验证。
本实施例通过建立并应用MVD预测模型，提高了风洞试验的试验环境与实际气象条件之间的关联性，从而使得风洞试验除了能够进行事故后的分析评估，还能够作为飞机积冰情况的预测手段，从而帮助本领域技术人员进一步提高飞机飞行的安全性。换句话说，本发明实现了对风洞试验的改进或优化设计。
实施例三
参见图3，基于上述实施例一，本发明还提供了一种用于飞机结冰预测的预测***，该***包括：
第一飞行实测数据获取模块1，被配置为用于获取第一飞行实测数据，其中，第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差、修正后液态水含量；
过冷水滴粒径预测模块2，被配置为基于获取的第一飞行实测数据预测第一预设时间的过冷水滴粒径预测值；
第一飞行预测数据获取模块3，被配置为用于获取第一飞行实测数据，其中，第一飞行预测数据至少包括：液态水含量(LWC)、飞行速度、相对湿度和温度；
优选地，在一些实施例中，第一飞行预测数据模块3包括：从地面雷达阵获取相应区域云层中的液态水含量的第一子单元，从气象观测站获取相应区域的相对湿度和温度的第二子单元，从飞机驾驶室获取飞机飞行速度的第三子单元。
结冰预测模块4，被配置为基于过冷水滴粒径预测值和所述第一飞行预测数据获取第一预设时间的积冰情况；
其中，所述积冰情况包括：积冰区域生成结冰概率分布。
进一步地，在一些实施例中，该预测***还包括：
第二飞行实测数据获取模块，被配置为用于获取第二飞行实测数据，所述第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数包括：过冷水滴粒径值；
过冷水滴粒径预测模型构建模块，被配置为基于获取的第二飞行实测数据训练得到过冷水滴粒径预测模型。
在一些实施例中，模型训练的方法选用以下公式：
Figure BDA0003519975160000151
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号
进一步地，在一些实施例中，第二飞行实测数据获取模块还被配置为用于获取第三飞行实测数据，相应地，过冷水滴粒径预测模型构建模块还包括：
模型验证单元，被配置为基于第三飞行实测数据对所构建的过冷水滴粒径预测模型进行验证。
相应地，第三飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数包括：过冷水滴粒径值。
具体地，在一些实施例中，当模型验证单元得到的验证结果显示过冷水滴粒径预测模型得到的预测值准确度较低时，过冷水滴粒径预测模型构建模块将从第二飞行实测数据模块中获取新的第二飞行实测数据，并再次进行模型训练，直到得到的过冷水滴粒径预测模型的预测值与实测值吻合度良好，例如，二者均方根误差属于第一预设数值范围，其中，第一预设数值范围可以预先基于工作人员的历史经验进行设定。
可以理解的是，预测值与实测值的吻合度良好指的是预测值和实测值之间的差值绝对值很小，对计算结果的影响在实际工程应用上可以忽略不计。
进一步地，在一些实施例中，该***还包括：预处理模块，被配置为对所获取到的飞行实测数据进行预处理，所述预处理步骤包括：基于移动平均窗口法消除数据中的随机误差。
实施例四
基于上述的实施例一，本发明还提供了一种用于飞机结冰预测的计算机程序产品，其中存储有计算机程序，所述计算机程序被处理器执行时，控制所述计算机程序产品所在设备执行如上述实施例中任一所述方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种飞机结冰预测方法，其特征在于，包括步骤：
获取第一飞行实测数据，所述第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量；
将所述第一飞行实测数据输入预先构建的过冷水滴粒径预测模型，得到第一预设时间的过冷水滴粒径预测值；
获取第一飞行预测数据，所述第一飞行预测数据至少包括：液态水含量、飞行速度、相对湿度和温度；
基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的飞机积冰情况，其中，所述积冰情况包括：积冰区域随时间累积产生的积冰形状。
2.根据权利要求1所述的方法，其特征在于，构建所述过冷水滴粒径预测模型的步骤包括：
获取若干组第二飞行实测数据，所述第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数至少包括：过冷水滴粒径值；
基于若干组所述第二飞行实测数据训练得到过冷水滴粒径预测模型，其中，所述训练选用的数学模型为：
Figure FDA0004074694950000011
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号。
3.根据权利要求2所述的方法，其特征在于，构建所述过冷水滴粒径预测模型的步骤还包括：
获取若干组第三飞行实测数据，基于所述第三飞行实测数据对所述过冷水滴粒径预测模型进行修正，其中，所述第三飞行实测数据至少包括：过冷水滴粒径、位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量。
4.根据权利要求3所述的方法，其特征在于，还包括步骤：对获取到的第一、二、三飞行实测数据进行预处理。
5.根据权利要求1所述的方法，其特征在于，在基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的飞机积冰情况中，所述计算的方法可选地为：积冰计算软件。
6.一种用于飞机结冰的预测***，其特征在于，包括：
第一飞行实测数据获取模块，被配置为用于获取第一飞行实测数据，所述第一飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量；
第一飞行预测数据获取模块，被配置为用于获取第一飞行预测数据，所述第一飞行预测数据至少包括：液态水含量、飞行速度、相对湿度和温度；
过冷水滴粒径预测模块，被配置为基于获取的所述第一飞行实测数据预测第一预设时间的过冷水滴粒径预测值；
结冰预测模块，被配置为基于所述过冷水滴粒径预测值和所述第一飞行预测数据计算第一预设时间的积冰情况；
其中，所述积冰情况包括：积冰区域随时间累积产生的积冰形状。
7.根据权利要求6所述的预测***，其特征在于，相应地，所述预测***还包括：
第二飞行实测数据获取模块，被配置为用于获取第二飞行实测数据，所述第二飞行实测数据至少包括：位温、机翼表面压力、水平风向、大气电场输出值、冰水混合物含量、短波辐照度、修正后空气流量、红外辐照度、绝对湿度、修正后臭氧浓度、辐射表面温度、垂直压差和修正后液态水含量，以及云中微物理参数，且所述云中微物理参数包括：过冷水滴粒径值；
过冷水滴粒径预测模型构建模块，被配置为基于获取的所述第二飞行实测数据训练得到过冷水滴粒径预测模型，所述训练选用的数学模型为：
Figure FDA0004074694950000021
其中，A为第二飞行实测数据选取的样本数量，x为第二飞行实测数据，f(x)为过冷水滴预测模型的误差，a为第二飞行实测数据中相应的数据编号。
8.根据权利要求7所述的预测***，其特征在于，所述第二飞行实测数据获取模块还被配置为用于获取第三飞行实测数据，相应地，所述过冷水滴粒径预测模型构建模块还包括：
模型验证单元，被配置为基于所述第三飞行实测数据对所构建的所述过冷水滴粒径预测模型进行验证。
9.根据权利要求6-8任一项所述的预测***，其特征在于，还包括：
预处理模块，被配置为对所获取到的飞行实测数据进行预处理，所述预处理包括步骤：基于移动平均窗口法消除数据中的随机误差。
CN202210179640.8A 2021-12-30 2022-02-25 一种飞机结冰预测方法、***及计算机程序产品 Active CN114970308B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111660424 2021-12-30
CN2021116604247 2021-12-30

Publications (2)

Publication Number Publication Date
CN114970308A CN114970308A (zh) 2022-08-30
CN114970308B true CN114970308B (zh) 2023-04-07

Family

ID=82975784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210179640.8A Active CN114970308B (zh) 2021-12-30 2022-02-25 一种飞机结冰预测方法、***及计算机程序产品

Country Status (1)

Country Link
CN (1) CN114970308B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292656B (zh) * 2022-09-22 2022-12-20 北京弘象科技有限公司 一种基于模糊逻辑的飞机积冰预测方法和装置
CN115311535B (zh) * 2022-09-29 2022-12-30 中国空气动力研究与发展中心低速空气动力研究所 一种结冰风洞云雾场参数获取方法和存储介质
CN115416854B (zh) * 2022-11-07 2023-01-24 中国空气动力研究与发展中心低速空气动力研究所 一种基于温度测量的结冰探测装置及结冰探测方法
CN115662196B (zh) * 2022-11-10 2023-03-17 中科星图维天信(北京)科技有限公司 飞机积冰预报信息处理方法、装置、电子设备及存储介质
CN116006809B (zh) * 2022-12-20 2024-06-21 成都秦川物联网科技股份有限公司 一种基于智慧燃气的管道低温维护方法和物联网***
CN116562192B (zh) * 2023-07-06 2023-09-12 中国空气动力研究与发展中心计算空气动力研究所 一种飞机结冰冰形预测方法、装置、设备及存储介质
CN116992310B (zh) * 2023-09-26 2023-12-15 北京弘象科技有限公司 飞机积冰实时监测预警方法、***、电子设备及介质
CN117093953B (zh) * 2023-10-20 2023-12-19 成都流体动力创新中心 一种多气象要素融合的飞机结冰快速修正预测方法和***
CN117104529B (zh) * 2023-10-23 2023-12-29 成都流体动力创新中心 一种应用于飞机过冷大水滴结冰的潜势预报方法及***
CN118069954A (zh) * 2023-12-28 2024-05-24 成都流体动力创新中心 一种构建结冰数值仿真查算表的飞机结冰预报方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989725A (zh) * 2021-04-19 2021-06-18 江苏普旭科技股份有限公司 一种用于飞机结冰环境模拟的仿真方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013078629A1 (zh) * 2011-11-30 2013-06-06 天津空中代码工程应用软件开发有限公司 飞行结冰的数值模拟方法
CA2896759C (en) * 2012-12-31 2023-08-22 Telvent Dtn Llc Airfoil icing controller apparatuses, methods and systems
CN110095777A (zh) * 2019-04-23 2019-08-06 南京信息工程大学 基于混编技术的模糊逻辑法气象粒子识别方法
CN111738481A (zh) * 2020-04-01 2020-10-02 南京航空航天大学 基于bp神经网络的飞机结冰气象参数mvd预测方法
CN111323200B (zh) * 2020-05-11 2020-08-07 中国空气动力研究与发展中心低速空气动力研究所 一种结冰风洞试验冰形面积计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989725A (zh) * 2021-04-19 2021-06-18 江苏普旭科技股份有限公司 一种用于飞机结冰环境模拟的仿真方法

Also Published As

Publication number Publication date
CN114970308A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114970308B (zh) 一种飞机结冰预测方法、***及计算机程序产品
Gultepe et al. A review of high impact weather for aviation meteorology
CN101866525B (zh) 基于多传感器的地面飞机表面结冰预报装置及方法
Rasmussen et al. Winter icing and storms project (WISP)
Schultz et al. Toward the improvement of aircraft-icing forecasts for the continental United States
CN102706389A (zh) 采用滚动预测的飞机表面积冰短时预报***及预报方法
Drüe et al. Aircraft type‐specific errors in AMDAR weather reports from commercial aircraft
Gao et al. Estimation of TAMDAR observational error and assimilation experiments
US20120068863A1 (en) Systems and Methods for Remote Detection of Volcanic Plumes Using Satellite Signals
Grandin et al. AIRBUS flight tests in high total water content regions
JP6818569B2 (ja) 気象情報処理装置、気象情報処理方法、プログラム
Kalinka et al. The In-flight icing warning system ADWICE for European airspace-Current structure, recent improvements and verification results
Tafferner et al. ADWICE: Advanced diagnosis and warning system for aircraft icing environments
CN114065404B (zh) 一种飞机综合环境适应性试验剖面制定方法
Dewi et al. Fog prediction using artificial intelligence: A case study in Wamena Airport
Bärfuss et al. Drone-based meteorological observations up to the tropopause–a concept study
França et al. An automated nowcasting model of significant instability events in the flight terminal area of Rio de Janeiro, Brazil
CN117093953B (zh) 一种多气象要素融合的飞机结冰快速修正预测方法和***
Bottyán In-flight icing characteristics of unmanned aerial vechicles during special atmospheric condition over the Carpathian-basin
Chan et al. Ground-space-sky observing system experiment during tropical cyclone Mulan in August 2022
Jenamani et al. Bad weather and aircraft accidents–global vis-à-vis Indian scenario
Zuev et al. Aircraft icing nowcasting technique
Polivanov et al. Key features of the atmospheric boundary layer measurement by small unmanned aerial vehicles
Chan et al. Low-level windshear associated with atmospheric boundary layer jets-Case studies
Moiseeva et al. Methodological issues of improving the system of meteorological support of aviation for agricultural purposes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant