基于数据集和图案识别的边界层流动失稳N值预测方法

本发明提供一种基于数据集和图案识别的边界层流动失稳N值预测方法，包括：根据目标场景的流动条件建立边界层流动模型；求解相应流动下的扰动控制方程，生成傅里叶空间中的扰动数据；在将扰动数据还原至物理空间时，分别匹配预设的不同外部扰动源，生成丰富的扰动场；根据扰动数据，确定N值；在扰动场的不同切片平面中采集流动失稳图像，生成失稳图像数据集；将失稳图像数据集作为特征，N值作为标签，训练卷积神经网络；将目标场景下的流动扰动图像输入目标卷积神经网络模型，预测得到目标场景下的流动失稳N值。当流动参数未知/不完整，或需要实时预测时，传统方法并不适用，而本发明能够仅通过流场的可观测特征来高效预测N值。