锥导乘波体构型的气动特性不确定度分析

为研究锥导乘波体偏离设计条件下气动特性变化情况,采用稀疏的非嵌入式混沌多项式方法,对乘波体气动特性进行了不确定性量化及全局非线性灵敏度分析。首先,采用CATIA二次开发技术对锥导乘波体进行参数化建模;其次,在来流速度、温度、密度和迎角满足特定扰动的条件下,通过拉丁超立方试验设计生成样本,并采用CFD进行计算;最后,根据试验设计样本建立响应面,通过混沌多项式分析得到了乘波体气动力系数的不确定度。灵敏度分析结果表明,迎角在锥导乘波体的气动特性变化中起主导作用。对马赫数和压强的流场不确定性分析结果表明,气动特性变化主因是乘波体前缘处的压力泄漏,影响了上表面压力分布,导致了气动性能的改变。     

基于梯度增强型Kriging模型的气动反设计方法

基于Kriging模型的代理优化算法目前在气动优化设计中得到了广泛应用。但在高维(设计变量大于30个)气动优化中,计算量过大的问题对其进一步发展产生了严重制约。将翼型和机翼气动反设计问题转化为优化问题,采用Adjoint方法进行快速梯度求解,利用基于梯度增强型Kriging(GEK)模型的代理优化算法分别开展了18、36和108个设计变量的气动反设计。首先,通过采用在设计空间局部建立GEK模型的方法成功地将基于代理优化算法的气动反设计问题的维度拓展到了100维以上。其次,研究了梯度计算精度对基于GEK模型的反设计的影响,发现梯度精度越高,反设计的最终效果越好,同时效率相当。最后,通过不同维度的气动反设计算例,比较了改进拟牛顿法(BFGS)、基于GEK模型和Kriging模型的代理气动反设计方法,结果表明基于GEK模型的代理优化算法的效率大幅度高于基于Kriging模型的代理优化算法,并且维度越高,效率优势越明显;同时,基于GEK模型的代理优化算法在优化效果及分析程序调用次数上相比于BFGS方法也略有优势。     

基于离散伴随的高超声速密切锥乘波体气动优化设计

基于定平面形状的密切锥乘波体设计方法能够显著提高传统乘波体的设计灵活性和整体升阻特性。但是该类乘波体在设计时忽略了三维效应、黏性效应以及头部/前缘的钝化效应，在设计工况下仍会出现溢流，升阻比难以达到最优；另外，这类乘波体仍具有传统乘波体在偏离设计条件下气动特性会出现恶化的不足。因此，有必要在考虑黏性的情况下，针对定平面形状的密切锥乘波体开展全机气动优化设计。结合基于全速域通量求解方法和RANS湍流模型的高精度CFD求解器、鲁棒的结构网格变形方法、自由变形参数化方法、离散伴随方法以及序列二次规划算法，实现了基于离散伴随的高超声速飞行器气动优化设计方法。基于上述方法，针对定平面形状的密切锥乘波体开展了单点和多点的三维整机气动优化设计。在400万多块结构网格、600个设计变量以及303个设计约束条件下，所采用的离散伴随优化方法仅花费2 240CPU小时和3 360CPU小时即完成了三维整机单点和多点的优化设计。结果表明，相较于初始构型，单点优化得到的构型在设计状态下的升阻比提升了近5%；多点优化得到的构型可保证在设计点状态升阻特性没有损失的同时，将非设计点的升阻比提升10%以上，进而在一定程...     

高超声速ISR平台乘波外形优化设计及需求验证

对乘波构型在高超声速ISR平台气动外形设计上的应用问题进行了研究。基于高超声速ISR平台的总体参数,对锥导乘波体进行了参数化几何建模。以升阻比和容积率为优化目标,采用正交试验设计方法、非线性回归模型和粒子群算法对锥导乘波体进行了多目标优化设计。选取Pareto前沿中的4个特征点作为高超声速ISR平台的初步气动外形,采用数值计算方法对其进行了性能分析,并对设计需求进行了初步验证。研究结果表明:上下表面"双凸"、两侧近似机翼的乘波体在保持较高升阻比的同时又具有较大的容积率,满足航程、载荷和起飞重量等设计指标的需求,可用于高超声速ISR平台气动外形设计。由于航程指标值较大,对燃油结构质量比的要求较高。     

高超声速巡航导弹乘波构型优化设计与性能分析

对锥导乘波构型在高超声速巡航导弹气动外形设计上的应用问题进行了研究.以乘波体上表面底部基线为参数化几何建模对象,运用正交试验设计方法,分析了不同设计参数对乘波体几何性能和气动性能的影响.采用回归分析法建立了乘波体容积率和升阻比与设计参数之间的非线性数学模型,然后应用多目标遗传算法对乘波构型进行了优化设计.将优化后的乘波体作为高超声速巡航导弹的初步外形并对其气动性能进行f数值模拟分析.结果表明:以锥导乘波体为基础生成的高超声速巡航导弹初步外形其有良好的几何性能和气动性能,容积率大于0.42,升阻比接近6;参数化设计方法可根据应用对象来方便地控制乘波体的外形尺寸,大大提高了乘波体的适用性;通过回归分析建立的数学模型准确性好,数值模拟精度高,这些方法可以用于高超声速巡航导弹的总体概念设计和初步设计.     

定后掠角密切锥乘波体的生成和设计方法

对定后掠角密切锥乘波体（OCWRCAS）的生成方法和考虑黏性的设计方法进行了研究。定后掠角乘波体的前缘具有特定的后掠角,能够在上表面产生稳定分离涡从而改善乘波体的气动性能。本文首先在传统密切锥乘波体生成方法的基础上给出了定后掠角密切锥乘波体的生成方法;从前缘后掠的几何特征中提取了后掠角、激波角和前缘曲线程度等设计变量,并研究了设计变量的取值范围;以遍历设计空间的思路对两类定后掠角密切锥乘波体进行了设计分析,研究了升阻比、体积效率随设计变量的变化规律,然后在设计空间内进行了多目标寻优;最后使用计算流体力学方法对定后掠角乘波体的乘波特性和涡升力特性进行了验证。结果表明,由本文生成方法得到的定后掠角密切锥乘波体具有明显的乘波特性并且能够在较高的升阻比时保证一定的体积效率;定后掠角前缘能够在一定的迎角下在上表面产生稳定的分离涡,产生涡升力。     

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。     

基于Kriging自适应代理模型的气动优化方法

气动优化设计中,引入代理模型可以有效减少计算周期,而运用有效的插值和选样方法(自适应选样)可以大大减少建立代理模型的时间,因此提出了一种基于Kriging自适应代理模型的气动优化方法。使用Kriging方法建立代理模型,通过求解EI函数最大值得到添加样本点更新代理模型,提高了代理模型的拟合精度。针对Kriging自适应代理模型的精确性和有效性,分别进行典型函数测试分析和翼型算例验证。结果表明:基于Kriging自适应代理模型气动优化方法可以实现高效的翼型气动性能优化设计。     

基于Kriging代理模型的锥柱形膜片屈曲载荷计算

基于Kriging代理模型,建立了一种考虑膜片半径与厚度、锥段高度与角度等典型结构特征的计算屈曲载荷的工程方法,并选取典型样本点对模型进行了数值验证.结果表明:基于Cubic相关函数建立的Kriging代理模型预测未知样本点屈曲载荷误差控制在5%以内,较常用的Gauss相关函数更适合建立锥柱形膜片屈曲载荷的Kriging代理模型;此代理模型能准确计算未知样本点的屈曲载荷,减少了繁杂的有限元建模与计算过程;根据设定的屈曲载荷,代理模型可计算各典型特征的参数值,并可作为锥柱形膜片结构优化设计的约束函数或目标函数.      

基于自适应代理模型的气动优化方法

气动优化设计中,为了减少优化系统的计算周期,提高搜索效率,引入结构简单、计算量较小的代理模型,而运用有效的插值和选样方法(自适应选样)可以大大减少建立代理模型的时间。因此本文提出了一种基于自适应代理模型的气动优化方法。首先对自适应代理模型进行研究,建立了 Kriging 自适应代理模型和支持向量回归自适应代理模型,这两种自适应代理模型在相同样本点情况下比一般代理模型拥有更高的预测能力,然后将这其应用到翼型优化设计中,取得了良好的优化效果,从而表明这两种自适应代理模型不仅简单实用,而且明显提高了气动分析的计算效率。     

基于Kriging方法的航空发动机压气机特性元建模

针对求解航空发动机数学模型时,使用传统的压气机二维特性曲线进行插值计算精度较差的问题,引入了优化技术中元建模的思想,对压气机特性进行模型重构.根据压气机特性数据空间分布的特点,定义元模型的输入输出维数,采用Kriging算法建立了流量和效率特性的代理模型.以某型涡扇发动机为例进行了压气机特性元建模的仿真计算,设定了满足...     

基于替代模型的高超声速前体/进气道一体化优化

采用基于替代模型的渐进优化策略对二维高超声速前体/进气道进行一体化设计优化,采用拉丁超立方试验设计法选择样本点,采用二维粘性CFD方法计算进气道流场来建立样本数据库,综合运用了多项式响应面、Kriging模型、BP神经网络和径向基神经网络等替代模型.相对于基准构型,前体/进气道的优化构型在设计态时提高了流量捕获与来流压缩能力,提高了总压恢复性能,同时减小了阻力系数,综合性能提高了5.3%;在非设计态时优化构型的综合性能也有不同程度的改善.      

Kriging模型及代理优化算法研究进展

代理模型方法由于能显著提高工程优化设计问题的效率,在航空航天及其他领域得到了广泛重视,并逐渐发展成为一类优化算法,本文称其为代理优化（SBO）算法。在现有的代理模型方法中,如多项式响应面、径向基函数、神经网络、支持向量回归、多变量插值/回归、多项式混沌展开等,源于地质统计学的Kriging模型具有代表性,是一种非常具有应用潜力的代理模型方法。以飞行器设计领域的优化问题为背景,介绍了Kriging代理模型及应用于优化设计的理论和算法的最新研究进展。首先,概述了Kriging模型的基本理论和算法,并讨论了影响Kriging模型鲁棒性和效率的几个关键性问题。其次,回顾了Kriging模型理论和算法研究的3个最新研究进展,包括梯度增强型Kriging、CoKriging和分层Kriging模型。而后,分析提炼了基于Kriging模型的代理优化算法的优化机制和优化框架,给出了“优化加点准则”和“子优化”的概念,并介绍了目前常用的几种优化加点准则及其相应子优化问题的求解与约束处理;同时,还介绍了最新提出的局部EI加点准则以及代理优化的终止条件。最后,介绍了代理优化在标准测试函数算例验证、飞行器气动与多学科优化设计典型算例确认方面的研究进展,并对当前存在的一些关键科学问题以及未来研究方向进行了讨论。     

1 种基于Kriging 近似模型的叶片罩量优化设计方法

在航空发动机叶片设计过程中,需要进行叶片罩量优化来减小多种载荷引起的弯曲应力,改善其应力状况。为了提高叶片罩量优化设计效率,根据Kri gi ng近似模型和试验采样技术,提出了1种叶片罩量优化设计方法。利用序列采样方法逐步改善近似模型预测精度,然后在近似模型上进行全局寻优。结果表明:该方法简单易用,通过构造近似模型代替真实的物理模型,降低了计算成本,提高了优化效率。优化后的叶片最大等效应力减小了12.43%,有效地减小叶片的峰值应力。     

Stochastic structural optimization using particle swarm optimization, surrogate models and Bayesian statistics

This paper focuses on a method to solve structural optimization problems using particle swarm optimization (PSO), surrogate models and Bayesian statistics. PSO is a random/stochastic search algorithm designed to find the global optimum. However, PSO needs many evaluations compared to gradient-based optimization. This means PSO increases the analysis costs of structural optimization. One of the methods to reduce computing costs in stochastic optimization is to use approximation techniques. In this work, surrogate models are used, including the response surface method (RSM) and Kriging. When surrogate models are used, there are some errors between exact values and approximated values. These errors decrease the reliability of the optimum values and discard the realistic approximation of using surrogate models. In this paper, Bayesian statistics is used to obtain more reliable results. To verify and confirm the efficiency of the proposed method using surrogate models and Bayesian statistics for stochastic structural optimization, two numerical examples are optimized, and the optimization of a hub sleeve is demonstrated as a practical problem.     

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。     

一种基于Kriging和Monte Carlo的主动学习可靠度算法

机械结构可靠性分析时,常常会采用代理模型拟合隐式功能函数来解决计算量大的问题,但由于试验设计方案需要同时考虑代理模型的拟合精度和可靠度计算精度的问题。因此,为了能够充分使用较少的样本信息,最大化可靠度计算精度,本文充分发挥Kriging预测的随机特性,提出一种主动学习可靠度计算方法。首先,类似于优化问题中改善函数的选点方式,提出一种基于Kriging预测的学习函数,基于Monte Carlo法生成大量的候选样本点,找出学习函数最小值对应的样本点作为最佳取样点。其次,推导和提出了一种学习停止的条件,保证了Monte Carlo样本点预测符号的正确性且学习次数明显减小。最后,通过2个数值算例分析结果表明,该算法相比其他方法需要更少的样本数量,得到的可靠度计算精度更高,验证了本文算法的正确性和高效性。     

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.     

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。