隨著深度學習、高性能計算、數據分析、機器學習、人工智能、神經網絡的快速發展，航天技術得到突飛猛進的發展。隨之而來的真空羽流（火箭發動機工作時，其噴流向外部真空環境自由膨脹，形成的羽毛形狀）對航天器材的損害問題顯得尤為重要。主要體現在：

力熱效應

產生干擾力矩；造成航天器表面溫度升高和材料損壞

電磁效應

影響測控、通信等電子設備及信號，產生電磁干擾

濺射污染效應

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星光學敏感器性能下降

深度學習| 航空數據一體機

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的評估效率。CNN-DSMC（基于卷積神經網絡的直接模擬蒙特卡洛）將DSMC數值模擬模型獲得的幾何拓撲信息、邊界條件信息和DSMC數值模擬得到的流場數據作為訓練集，輸入到卷積神經網絡中進行訓練，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。結果表明，兩種方法的結果基本一致，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，與傳統的DSMC方法相比，CNN-DSMC方法的計算速度至少提高了4個數量級，最快速度可達6個數量級。因此，CNN-DSMC方法在真空羽流數值模擬中具有很強的應用潛力。

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網絡的直接模擬蒙特卡洛方法（CNN-DSMC）和DSMC方法實現月面探測器在不同懸停高度時的真空羽流流場。

一、基于卷積神經網絡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：數據預處理和模型訓練。在數據預處理中，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，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；測試集是未經訓練的DSMC數值模擬算例，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、卷積神經網絡和數據預處理方法進行介紹。

二、真空羽流數值模擬模型

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格和 DSMC 計算的體網格是解耦的，并且采用了自適應網格加密策略，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，且實現了真空羽流熱效應、力效應分析和污染效應分析等方面的數值模擬。實驗結果表明，該軟件數值模擬結果與實驗符合較好，可以滿足文中數據的精度要求。

圖2：真空羽流仿真計算域

三、卷積神經網絡

CNN-DSMC方法中使用的整體網絡結構如圖3所示。該網絡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）卷積塊的結構組成包括三個（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、 激活函數和批量正則化三個過程。卷積本質上是一種矩陣變換。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網絡的訓練中進行優化。反卷積是上述計算的逆過程。文中使用的激活函數是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據的期望和方差，有利于訓練過程的效率和穩定性。最大池層的作用本質上是下采樣，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位置的反卷積塊。該設置是訓練中避免梯度消失和梯度爆炸的關鍵操作。

圖3：CNN-DSMC 網絡整體結構

圖4：（反）卷積塊的結構組成

航天行業

未來發展趨勢

未來五年，中國航天將推動空間科學、空間技術、空間應用全面發展，開啟全面建設航天強國新征程。

航天運輸系統方面

將持續提升航天運輸系統綜合性能，加速實現運載火箭升級換代。推動運載火箭型譜發展，研制發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。持續開展重復使用航天運輸系統關鍵技術攻關和演示驗證。面向航班化發射需求，發展新型火箭發動機、組合動力、上面級等技術，拓展多樣化便利進出空間能力。

載人航天方面

將繼續實施載人航天工程，發射“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，組織開展關鍵技術攻關，研制新一代載人飛船，夯實載人探索開發地月空間基礎。

深空探測方面

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

藍海大腦

航天數據庫一體機

藍海大腦航天數據庫一體機是以液冷服務器為平臺、圖數據庫、時空環境知識圖譜系統、GPU云的混合部署，對“圖形工作站+集中存儲”進行了替換。一站式圖形化的數據開發套件提供強大的開發組件環境和豐富的圖形化管理與開發界面，支持運行、調試、日志跟蹤、結果預覽等功能，極大地方便研究航天及研究真空羽流人員的使用。該方案包含了數據中心傳統業務和前端業務的生產力工具，將所有計算和存儲資源集中在數據中心，工位只有負責顯示和操作的客戶端，所有應用層航天數據軟件統一部署、統一調度、做到各數據實時共享、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。

產品特點

全融合

實現集計算、網絡、存儲、安全等于一體的自主可控全融合

低功耗

單節點與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

衛星影像自動處理系統和典型地物智能解譯軟件借鑒工業制造執行系統模式，采用類汽車制造生產線思想，采用先進算法研制成影像處理生產線，真正實現了人機協同作業，自動化率達到90%以上。

節約能源

原有數據中心電力使用成本在生命期間TCO中占比最大。數據中心實現IT設備按需供電與制冷，讓供電和制冷系統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。

運維監管

幫助客戶實現數據中心多層級、精細化能耗管理，通過多種報表精確定能源額外損耗點，實現節能降耗。資產管理幫助用戶制定資產維護計劃，實現主動預警，動態調整維護計劃，按照實際情況輸出優化方案，構建最佳資產管理功能。

審核編輯 黃昊宇