论文部分内容阅读
太阳时刻都在发生着核聚变,太阳日冕的温度超过100万摄氏度,这种情况下太阳中氦和氢完全电离成质子和电子,日冕膨胀释放的能量导致这些粒子的加速运动,带电粒子不断的挣脱太阳引力的束缚射向四周,这些从冕洞喷射出的高速粒子流就是太阳风(Solar Wind)。太阳风的近地观测平均速度为200~800km/s。太阳风分两种,一种是扰动太阳风,它是太阳活跃期间日冕膨胀抛射出来的高能、高速度的粒子流,它爆发的时间较短,粒子喷射强烈,会导致地球众多灾害事件的发生;另一种是宁静太阳风,它是太阳平静日冕区持续抛射出的粒子流,流速较小,持续时间较长,状态较为稳定,每立方米的质子数不超过10个,它对地磁的干扰时间长,规律性较明显,对日地空间的天气情况有着明显的影响。在日地空间研究,空间物理研究和空间气象研究等方面,太阳风的仿真研究都有很重要的参考价值和意义。本文研究的太阳风大数据主要来自CE-1(嫦娥一号卫星)、风云系列气象卫星、Helios(运行轨道0.3AU-1AU)、Ulysses(运行轨道1AU-5AU)、ACE(Advanced Composition Explorer)、WIND和SOHO等卫星的监测数据以及他人的研究成果。首先,本文研究了太阳活动情况,并分析总结了太阳风在1AU处的观测特性;其次,应用神经网络技术对获取的太阳风大数据进行了分类研究和预测研究,再次,从太阳风粒子运动模型、磁流体特性,仿真算法三个方面分析并建立了太阳风MHD仿真模型;最后,构建太阳风MHD仿真云平台,运用Ansys FLUNT软件,在仿真云平台上实现了三个场景的太阳风磁流体仿真模拟,并完成了仿真结果的分析。本文研究成果与创新点如下:(1)提出了一种基于SOM神经网络的太阳风大数据的聚类分析方法。为了在海量的太阳风大数据中快速的获取关键数据,本文提出了基于SOM神经网络的太阳风大数据聚类分析方法,首先把所有的数据直接读入数据池,然后根据数据本身的特征找到数据的边界函数,运用SOM神经网络方法实现对数据的分类。实验表明该方法能准确识别质子密度,太阳风速度,Dst指数和F10.7指数等太阳风大数据。该方法简化了太阳风关键数据获取的方式,提高了太阳风数据分析和研究的效率。(2)提出了一种太阳风速度关联因素分析和速度预测的方法。根据能量守恒定律,太阳风携带能量的大小与其速度成正比关系。因此在太阳风仿真实现中,速度是最重要的参数。太阳风在传输过程中受众多因素干扰,这些影响部分已知,部分未知,本文在研究大量观测数据的基础上,提出了基于灰色理论的太阳风速度关联因素分析方法和基于RBF神经网络的太阳风速度预测方法。关联分析结果表明Kp指数,AE指数和太阳黑子数与太阳风速度变化关系最为紧密;预测研究中应用RBF神经网络预测太阳风速度,相比模糊隐马尔科夫模型预测方法,本文方法优化了两层神经网络之间的阈值和权值,将训练优化处理后的数据利用决策树算法实现进一步的属性约简和规则选取,保障了太阳风速度数据快速检测的综合有效性和检测精准度。(3)提出了一种基于BP神经网络的太阳风关联因素的预测方法。太阳风仿真研究的核心就是为了全面了解太阳风现象,并实现对太阳风现象的预测,Kp指数,AE指数和太阳黑子数与太阳风现象联系紧密。本文在分析太阳风关联数据的基础上,提出了一种基于BP神经网络的太阳风关联因素的预测方法,利用BP神经网络技术构建太阳风关联因素的预测模型,并实现了Kp指数、AE指数和太阳黑子数的预测研究。实验表明该方法预测结果较为准确,误差较小。(4)提出了一种太阳风仿真图像PCA非局部均值改进降噪的方法。太阳风仿真过程中可能遭受不同类型的干扰,导致仿真图像质量下降,影响图像的使用和分析,为了还原图像真实表达,本文针对PCA-NLM去噪方法容易丢失图像纹理细节的问题,提出一种基于纹理特征描述的改进PCA非局部均值去噪方法。从PSNR、SSIM两个指标和去噪视觉上看,该方法更好地保留了太阳风图像的细节信息且有较好的加速,整体去噪效果较好。(5)提出了一种太阳风MHD数值计算模型并实现了仿真。太阳风磁流体方法仿真是一个复杂的过程,仿真的实现依赖于仿真平台的设计,数理模型的构建和仿真算法的选择。为解决仿真中计算瓶颈问题,本文提出了一种基于云计算技术的太阳风仿真平台的构建模型,解决了太阳风磁流体仿真中计算瓶颈的问题。在仿真数理模型研究中,提出了太阳风MHD数值计算模型,用差分方程组描述太阳风的运动状态,研究了太阳风粒子在电场和磁场中的运动方程,把太阳风粒子简化为单粒子的磁流体,构建太阳风磁流体控制方程,实现三个场景的太阳风磁流体仿真。为获得更好的仿真效果,进行了对比仿真研究,仿真结果与一些已知的卫星监测数据和经验模型吻合。