基于CST参数化方法气动优化设计研究

翼型及机翼优化设计中,设计变量的个数对优化算法的收敛速度及代理模型的精度有很大的影响.因此,在精确描述翼型的同时,发展较少设计变量的翼型参数化方法对翼型优化设计有着重要的意义.本文基于CST(class function/shape function transformation)翼型参数化方法对Kriging模型的预测精度进行研究,并采用改进的粒子群优化算法构建气动优化设计系统.某亚声速机翼单点减阻设计及超临界翼型的稳健性设计表明该系统具有较高的设计质量,方法可靠,有较高的工程应用前景.     

基于Kriging模型的轴承结构参数优化设计方法

轴承的生热率与轴承的使用寿命密切相关,为了减小轴承的生热率,以滚动轴承拟静力学分析和滚道控制理论为基础,求得轴承运转过程中的相关参数,进而得到轴承生热率.将轴承最小生热率为目标函数,通过Kriging模型和粒子群优化算法相结合的方式进行了轴承结构参数优化.对NSK 7016A5轴承的研究结果表明:轴承结构参数优化后,轴承整体和轴承内外圈生热率均变小.Kriging模型和粒子群优化算法相结合的轴承结构参数优化方法取得了良好的设计效果,并且提高了轴承的设计效率.      

基于 Kriging模型机翼平面外形气动优化设计

使用基于Kriging模型的优化设计方法,进行了非常规布局机翼的平面外形多目标优化设计。利用CFD技术进行机翼升力系数和阻力系数的气动计算,通过拉丁超立方试验设计生成样本点,建立了Kriging代理模型,结合多目标遗传算法对机翼平面外形进行多点多目标优化设计,最终得到了Pareto最优解集。根据设计需求,从Pa-ret0前沿选取一个非劣解作为优化结果。结果表明：陆ging模型与cFD计算误差很小,可信度高;在不问设计状态下,机翼气动性能都得到了提高,表明优化设计方法具有可行性和高效性。     

基于全局信息的粒子群算法翼型综合优化设计

 翼型优化往往需要考虑众多的设计目标和约束条件,对此发展了稳健高效的翼型综合优化方法。在粒子群优化算法中用繁殖策略深度挖掘由Kriging代理模型所获取的全局信息,对基准函数优化、翼型几何外形重构与层流翼型优化问题进行了测试,结果表明该算法可大幅度提高优化速度。将改进的Hicks-Henne翼型参数化方法和雷诺平均Navier-Stokes(N-S)方程流场求解器与优化算法相结合,采用可方便确定权重系数的多目标非线性适应值加权方法,分别对多点、多目标和多约束的超临界翼型与低速翼型进行综合优化,计算结果表明该方法可大大提高气动外形优化的工程实用性。     

考虑螺旋桨滑流影响的机翼气动优化设计

涡桨飞机的机翼、短舱等部件在滑流作用下周围的流场特性与无滑流状态下截然不同。所以,应该在涡桨飞机的机翼气动设计过程中考虑螺旋桨滑流的影响,从而使得机翼在真实飞行时滑流作用下表现出更好的气动特性。采用基于雷诺平均Navier-Stokes方程的多重参考坐标系(MRF)方法对螺旋桨滑流进行高精度准定常数值模拟,通过自由变形(FFD)技术实现螺旋桨飞机机翼的参数化构建,应用径向基函数(RBF)插值的动网格技术进行网格自动生成,获得样本机翼在滑流影响下的气动数据后,建立目标函数和状态函数的Kriging代理模型,结合随机权重粒子群优化(PSO)算法、Kriging代理模型和对应的EI(Expected Improvement)函数加点准则进行加样本点以及代理模型重建,从而建立滑流影响下机翼气动优化设计系统。使用该系统对某型螺旋桨飞机进行了滑流影响下的优化设计,结果表明,优化后的构型机翼和短舱在巡航状态下减阻达3.98counts,升阻比提高了3.325%。因此,建立的考虑滑流影响下的机翼优化设计方法是可行的。     

基于近似技术的高亚声速运输机机翼气动/结构优化设计

探索基于近似技术的高亚声速运输机机翼气动/结构多学科设计优化方法,建立了基于近似技术的多学科设计优化框架。气动学科采用全速势方程加黏性修正进行翼身组合体跨声速流动的气动计算,结构学科采用有限元分析方法进行应力与变形计算。采用均匀设计法给出若干样本点,分别采用二次响应面、Kriging模型和径向基神经网络等多种近似技术,构造气动学科和结构学科的近似分析模型,并对几种近似模型精度进行了分析和比较。研究发现,Kriging模型和二次响应面具有几乎等同的较高的近似精度,神经网络的近似精度则较差,由于二次响应面计算量更小,故最终选定为机翼设计优化的近似方法。以升阻比和结构重量为目标,考虑升力、机翼面积以及应力和应变约束条件,对运输机机翼4个外形参数和4个结构参数进行多目标、多约束优化设计。优化后的机翼具有较好的气动/结构综合性能,表明本文方法是可行的。     

高超声速飞行器再入轨迹多目标优化

针对飞行器再入轨迹多目标优化问题,提出了一种基于粒子群算法与层次分析法的综合求解策略。首先,根据飞行器的动力学模型以及再入约束条件,建立了飞行器多目标优化模型;然后,考虑到粒子群算法只能求解无约束单目标问题,采用罚函数处理飞行过程中的约束条件和优化目标;最后,针对不同约束及目标的权重对再入轨迹的影响,利用层次分析法建立包含主观评估信息的优化模型,采用粒子群算法优化求解满足相应约束条件的再入轨迹问题。仿真结果表明,该方法所生成的优化轨迹具有较高的精度和计算效率,并对设计者的主观需求有良好的体现。     

高效粒子群算法研究及飞翼无人机气动隐身优化设计

针对飞翼布局无人机气动隐身多目标优化设计问题,以无人机翼面为设计对象,开展气动、隐身多目标优化设计研究。采用FFD方法实现飞翼布局的参数化表达；分别采用基于雷诺平均N-S方程的计算流体力学方法(CFD)及大面元物理光学法(LEPO)配合一致性几何绕射理论(UTD)计算边缘绕射场的RCS分析方法计算飞翼布局无人机的气动、隐身性能；选择结合基于动态超体积期望改善(EHVI)加点的动态Kriging代理模型与ASMOPSO算法的高效多目标粒子群算法对飞翼布局无人机进行综合寻优设计研究。在较少的调用真实目标函数的情况下,获得了比较优秀的Pareto前沿,通过对所选解的分析比较可知优化后的飞翼布局无人机在气动及隐身方面均优于原始构型。     

通航飞机高升力层流机翼优化设计

为了扩展机翼优化设计的工程应用范围,在传统气动优化约束的基础上,考虑结构布置的几何约束,对通用飞机层流机翼进行了设计。首先,采用自由变形(FFD)技术作外形参数化处理;然后,采用NSGA-Ⅱ多目标优化算法,基于Kriging代理模型对某型通用飞机机翼进行了优化设计。设计过程考虑自然转捩工况,采用Menter k-ωSST两方程湍流模型和γ-Re_(θt)转捩模型对设计进行评估。计算结果表明,优化后机翼的巡航和爬升升阻比均有所提高、层流区延长、低头力矩变小,但最大升力系数减小了0.141,失速特性略有变差。     

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。     

旋翼翼型多目标多约束气动优化设计

为了克服传统旋翼翼型优化设计方法的不足,发展了一种基于Kriging模型与遗传算法的旋翼翼型多目标多约束气动优化设计方法。采用基于雷诺平均Navier-Stokes方程的数值模拟获得样本翼型气动性能,并建立目标函数和状态函数的Kriging模型,采用遗传算法搜索Kriging模型最小值和相应的EI(Expected Improvement)函数最大值,更新Kriging 模型直至找到满足约束的最优翼型。运用加权目标函数法进行了旋翼翼型的多设计点优化设计。优化结果表明,优化后旋翼翼型在满足约束的同时,与基准旋翼翼型OA209相比:在悬停状态下,阻力系数下降了2.1%;在机动状态下,最大升力系数提高了4.2%;在前飞状态下,阻力系数在不同马赫数下均有所减小。     

大展弦比前掠翼气动隐身多目标优化

前掠翼布局优越的气动性能为无人机气动布局设计提供了一条新的方向。采用CST方法对翼型几何外形进行参数化描述,实现前掠翼气动和隐身多学科优化设计模型的参数化描述。建立了基于N-S方程的计算流体力学方法的前掠翼气动分析模型和基于矩量法的计算电磁学方法的前掠翼隐身分析模型。提出了基于Kriging模型的前掠翼气动隐身多目标优化方法,采用拉丁超方试验设计方法获取样本点,建立前掠翼气动和隐身的Kriging代理模型。将Pareto多目标遗传算法与Kriging代理模型结合进行大展弦比前掠翼的气动隐身多目标优化设计。研究结果表明,所建立的分析模型是合理的,所提出的多目标优化设计方法是可行的,能够有效提高大展弦比前掠翼性能与优化效率。     

涡轮转子径向变形多目标协同稳健性优化

考虑到涡轮转子径向变形对涡轮叶尖径向间隙以及篦齿径向封严间隙的影响,提出涡轮转子径向变形多目标协同稳健性优化方法。利用基于Kriging模型的分布式协同响应面法(DCRSM)分别建立涡轮转子和涡轮篦齿的参数与径向变形间的响应面模型,并求解单目标下的稳健最优解。采用理想点法建立涡轮转子和篦齿径向变形多目标协同稳健性优化模型,并进行多目标协同稳健性优化求解。优化结果显示:提出的多目标协同稳健性优化方法与单目标稳健性优化方法相比涡轮转子和篦齿径向变形量的标准差分别降低了2.6%和4.9%。提出的方法为涡轮转子参数设定提供一定的参考。      

基于代理模型的运载器头罩外形优化设计

引入Kriging代理模型,选取若干不同头罩外形的运载器,进行气动性能分析,利用运载器气动性能参数作为拟合样本建立代理模型.以具有足够精度的代理模型替代CFD分析,发展了一种基于代理模型的运载器头罩外形优化设计方法.在马赫数为3、飞行攻角为3°、飞行高度为8km条件下,利用该方法对运载器进行最小阻力系数、最大纵向压心系数的单目标优化和综合考虑上述2个目标的多目标优化.结果表明:2个目标存在冲突,为同时兼顾减小阻力和增强纵向稳定性,必须对运载器头罩外形进行多目标优化,得到的外形阻力系数减小了1.95%,纵向压心系数增大了5.93%,采用基于代理模型的优化设计方法能在保证精度条件下有效提高计算效率.      

一种高效高精度的气动弹性结构优化方法

气动弹性结构优化技术主要包括约束求解和优化算法两个方面的内容。针对常用的基于低阶面元法的静气动弹性分析方法计算效率高但精度低的特点,建立了一种高效高精度的基于高阶面元法的静气动弹性分析方法。针对当前气动弹性结构优化技术使用单一优化算法导致搜索精度低、收敛速度慢等特点,将遗传算法和分形算法进行结合,发展了一种遗传/分形混合算法。针对气动弹性结构优化计算时间长、设备要求高等特点,引入了Kriging代理模型方法来加快优化速度,减少时间和设备的耗费。最后以某大展弦比客机机翼为算例,采用基于高阶面元法的静气动弹性分析方法求解约束响应样本,用Kriging代理模型方法对约束响应进行模型构建和预测,并将Kriging代理模型和遗传/分形混合优化算法进行结合,构建了一种高效高精度的静气动弹性结构优化方法。优化分析结果表明,Kriging代理模型在静气动弹性响应预测上具有很高的精度,平均误差均在5%以下,副翼效率预测的平均误差甚至低于1%;遗传/分形混合算法相比于单一的遗传算法具有更快的收敛速度和更强的全局寻优能力。     

某型倾转旋翼机的旋翼桨叶气动优化设计

倾转旋翼机的旋翼气动外形设计需要对其直升机模式和固定翼模式下的不同要求进行综合考虑。通过基于Kriging模型的多目标遗传算法建立一套适用于倾转旋翼桨叶气动外形优化设计方法,采用拉丁超立方抽样试验设计方法得到样本点,并建立Kriging模型替代费时的流动数值模拟。以最大化旋翼地面悬停拉力和高空巡航效率为目标,以地面悬停功率不增和巡航拉力不减为约束条件,进行倾转旋翼桨叶平面形状优化设计,并经过非定常数值模拟和风洞试验验证。结果表明:数值模拟结果和风洞试验结果吻合良好,优化结果满足设计指标。     

考虑性能及成本的固体火箭发动机多学科设计优化

为综合考虑固体火箭发动机的燃烧室、药柱、内弹道、喷管及成本等学科影响,梳理学科间耦合关系,并建立了以总冲最大、成本最小为优化目标的固体火箭发动机多学科设计优化（MDO）模型。为降低MDO问题的计算成本,提出一种基于Kriging代理模型的多目标自适应优化方法（KRG-MAOM）。优化过程中,分别对目标与约束构建Kriging模型,并采用多目标优化算法求解,在伪Pareto解中综合考虑支配关系与分布特性选取新增样本点,引导优化快速收敛。算例结果表明,KRG-MAOM算法在全局收敛性与优化效率方面具有显著优势。最后,采用KRG-MAOM算法求解该MDO问题,得到可行的Pareto解集方案,与初始方案相比,同性能情况下成本节省约3.36%;同成本情况下性能提升约10.93%,从而验证MDO模型合理性与KRG-MAOM算法有效性。     

Modified Sequential Kriging Optimization for Multidisciplinary Complex Product Simulation

Directing to the high cost of computer simulation optimization problem, Kriging surrogate model is widely used to decrease the computation time. Since the sequential Kriging optimization is time consuming, this article extends the expected improvement and put forwards a modified sequential Kriging optimization (MSKO). This method changes the twice optimization problem into once by adding more than one point at the same time. Before re-fitting the Kriging model, the new sample points are verified to ensure that they do not overlap the previous one and the distance between two sample points is not too small. This article presents the double stopping criterion to keep the root mean square error (RMSE) of the final surrogate model at an acceptable level. The example shows that MSKO can approach the global optimization quickly and accurately. MSKO can ensure global optimization no matter where the initial point is. Application of active suspension indicates that the proposed method is effective.