[发明专利]激光内通道热效应影响下光传输仿真参数校准方法与装置有效
申请号: | 202211305091.0 | 申请日: | 2022-10-24 |
公开(公告)号: | CN115374712B | 公开(公告)日: | 2023-01-24 |
发明(设计)人: | 武春风;庞中昊;李强;姜永亮;胡黎明;韩西萌;李丹妮;童曌;吕亮;胡金萌 | 申请(专利权)人: | 中国航天三江集团有限公司 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F30/28;G06N3/0464;G06N3/08;G06F113/08;G06F119/08 |
代理公司: | 武汉卓越志诚知识产权代理事务所(特殊普通合伙) 42266 | 代理人: | 何京晶 |
地址: | 430048 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 激光 通道 热效应 影响 传输 仿真 参数 校准 方法 装置 | ||
1.一种激光内通道热效应影响下光传输仿真参数校准方法,其特征在于,包括如下步骤:
S1、进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;
S2、构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立所述仿真数据与所述仿真参数之间的映射关系;所述仿真数据包括所述预设工况条件下的工况参数以及所述全光链路各时刻光束波前Zernike系数数组;
S3、用激光内通道热效应影响下光传输仿真参数校准装置搭建试验光路,采集试验数据并输入已训练完成的神经网络模型中,根据所述神经网络模型的输出结果校准仿真参数;
所述激光内通道热效应影响下光传输仿真参数校准装置包括主激光器、与所述主激光器具有相同通光口径的信标弱激光器、用于对所述主激光器和所述信标弱激光器输出的光束进行合束的合束镜以及位于所述合束镜的光输出链路上的测试光路、第一分光镜、功率计、第二分光镜、缩束系统和哈特曼传感器;
所述测试光路内设置有气压计和湿度计,分别用于采集内通道气压和流场相对湿度;通过所述测试光路输出的主激光和信标弱激光经所述第一分光镜分开,形成主激光光束和由所述主激光的剩余能量和所述信标弱激光组成的复合光束,所述主激光光束进入所述功率计中,用于采集光束功率;所述复合光束经所述第二分光镜分为信标弱激光光束和主激光的剩余能量,所述信标弱激光光束通过所述缩束系统进入所述哈特曼传感器,用于采集光束波前矩阵,并导出光束波前Zernike系数数组。
2.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S1中,所述激光内通道热效应影响下的光传输仿真包括如下步骤:
S11、建立瞬态有限元仿真模型,以所述仿真参数作为可变参数,在所述工况参数对应的工况条件下对光机内通道模型进行数值仿真;
S12、根据步骤S11中所述数值仿真得到的仿真结果,计算得到代表镜面各时刻热变形的Zernike系数数组、代表透镜各时刻热光效应的Zernike系数数组以及代表穿过流场光束的各时刻波前Zernike系数数组;
S13、将步骤S12得到的各Zernike系数数组代入光学仿真软件,计算得到所述全光链路各时刻光束波前Zernike系数数组。
3.根据权利要求2所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S12中,所述仿真结果包括固体镜面时域变形数据、透镜元件时域温度场分布结果和内通道流场时域密度分布结果;根据所述固体镜面时域变形数据,对变形后的固体镜面进行Zernike分解,得到所述代表镜面各时刻热变形的Zernike系数数组;根据所述透镜元件时域温度场分布结果进行热光效应仿真计算,得到所述代表透镜各时刻热光效应的Zernike系数数组;根据所述内通道流场时域密度分布结果,进行变密度流场的光传输仿真,得到所述代表穿过流场光束的各时刻波前Zernike系数数组。
4.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S2中,所述构建并训练神经网络模型包括如下步骤:
S21、使用仿真阶段数据生成神经网络样本;
S22、构建神经网络模型;
S23、导入数据训练所述神经网络模型。
5.根据权利要求4所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S21中,生成所述神经网络样本时,定义相同工况条件下的一个时刻的数组为一个样本,提取所述仿真数据并将其构建为三维数组,作为样本输入数据,提取所述仿真参数并将其构建为一维数组,作为样本输出数据。
6.根据权利要求4所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S22中,所述神经网络模型为卷积神经网络模型;所述卷积神经网络模型包括七层网络:第一层为二维卷积层,第二层为池化层,第三层为二维卷积层,第四层为池化层,第五层为二维卷积层,第六层为扁平层,第七层为密集层。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国航天三江集团有限公司,未经中国航天三江集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211305091.0/1.html,转载请声明来源钻瓜专利网。