机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和"黑箱"建模方法。本文对"黑箱"建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成"合成图像",建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。     

超临界翼型稳健型优化设计研究

基于标准遗传算法、RBF神经网络以及类函数/型函数变形技术建立了翼型气动优化设计系统,在选取3次CST方法即分别对翼型上下表面采用4个设计变量进行参数化,对某型客机基本翼型在给定设计指标下进行优化设计,分别研究了巡航状态下的气动优化,以及结合蒙特卡洛分析方法马赫数随机平均分布下的翼型稳健型优化设计。结果显示,优化后的翼型的气动特性有着显著提高。     

基于卷积神经网络的结冰翼型气动参数预测

针对传统CFD计算获取结冰翼型气动参数过程繁琐的问题,提出一种基于数据转换和深度学习的图形化预测方法,开展结冰翼型气动特性参数的预测研究。该方法利用卷积神经网络可有效提取图形特征的特点,通过数据转换提取翼型结冰图形,建立结冰翼型气动参数预测模型,通过训练网络建立冰形与气动参数之间的非线性映射关系。最后,以NACA0012翼型为例开展仿真试验,证明了方法的可靠性和高效性。研究结果表明,利用该方法预测气动参数平均相对误差在5%以内,预测时间在毫秒量级,可为后续飞机结冰飞行安全分析和防/除冰设计提供参考。     

前加载翼型多点综合优化设计

前加载翼型具有低头力矩小、隐身性能好的特点,能够对气动和隐身特性进行合理折中,是理想的飞翼布局飞机截面翼型。首先介绍典型翼型参数化方法和评估方法,并对前加载翼型外形的控制能力进行评估,结果表明Hicks-Henne方法和CST方法对前加载翼型外形的控制能力较强,并且CST方法参数个数较少。然后依据飞翼布局飞机设计需求,在确定翼型设计状态和优化设计模型的条件下,将CST翼型参数化方法、N-S方程数值求解方法和遗传算法相结合进行前加载翼型多点综合优化设计,得到比参考翼型具有更大相对厚度和更优气动特性的设计结果。     

基于CST参数化方法的翼型快速设计

为弥补传统飞机翼型设计周期长、代价高的缺点,将CST翼型参数化方法,与机器学习中的高斯过程回归方法相结合,通过对已有的翼型数据的学习,实现对未知翼型气动性能或者外形数据的快速准确预测。选取一组NACA四位族翼型,获得其CST参数描述数据,并分别计算其在一定条件下的升力系数、阻力系数和压力分布数据。利用这些数据对高斯过程回归模型进行训练,实现了翼型的快速正设计以及反设计系统。并将实验结果与采用NACA翼型参数表示法得到的预测结果进行了对比。实验结果表明,基于CST参数化方法的翼型快速设计准确度高、速度快,具有很大的应用价值。     

基于熵产理论设计方法的多目标翼型优化

将熵产理论引入翼型的多目标气动优化设计,通过理论推导湍流流场熵产率计算公式,进而阐述熵分析方法在翼型气动优化中的作用。通过CST参数化方法对翼型进行参数化建模,并将多目标优化算法与CFD计算耦合起来,计算翼型升阻比和流场熵产率,建立一种以最大升阻比和最小熵产率为目标的翼型优化方法,进而得到优化翼型的Pareto解,并与传统翼型优化方法进行对比。与初始种群相比,优化翼型具有更优的气动性能,在升阻比提高的条件下,流场熵产率减少,能量效率提高。采用多目标遗传算法得到的非支配解集分布均匀,质量较高,设计者可以根据设计需要选择具有相对低熵产的一组翼型来改善空气动力性能。结果分析表明,本文所建方法具有较强的全局收敛性,具有一定的工程应用前景。     

低雷诺数下翼型非线性气动特性及其模型预测

以GA(W)-1翼型为研究对象，通过数值模拟的方法探究了雷诺数对翼型气动特性的影响规律及物理机制，结果显示：翼型在低雷诺数工况下具有突变性、迟滞性等强烈的非线性气动特性，且迟滞环的尺寸随着雷诺数的增大而逐渐减小直到最终消失，翼型前缘分离泡的破碎及该过程的不可逆性是非线性气动特性产生的物理根源。翼型在不同雷诺数工况下的非线性气动特性与尖点突变模型在空间拓扑上具有相似性，于是基于拓扑不变原理，通过发展高精度的拓扑映射方法，构建了尖点突变模型的平衡曲面与翼型非线性气动特性之间的拓扑映射关系，从而利用尖点突变模型的平衡曲面去预测低雷诺数下翼型的非线性气动特性，模型预测误差在5%以内。     

小型无人机翼型优化设计

采用类别形状函数变换（CST）方法对翼型参数化描述;利用Fluent软件,进行翼型升力系数和阻力系数的气动计算;以升阻比最大为优化目标,通过拉丁超立方设计生成样本点,建立了径向基神经网络（RBF）代理模型;使用粒子群优化算法（PSO）,在Isight平台上,实现对Clark Y翼型优化的整个过程。优化翼型升阻比比原始翼型提高了约10%,表明此种方法是可行的,可用于小型无人机设计的工程中。     

分布式动力翼前飞状态动力/气动耦合特性

以分布式混合电推进飞行器技术研究为背景,针对分布式动力翼在前飞状态下动力/气动耦合特性开展数值模拟及分析。首先,通过对分布式动力翼各部件进行合理拆解,结合超椭圆方程、四阶Bezier曲线、CST (Class Function/Shape Function Transformation)参数化方法等构建了分布式动力翼复杂对象的参数化模型。然后,依次对动力翼二维剖面翼型、动力翼单元翼段、分布式动力翼整体动力/气动耦合特性进行了数值研究,并与常规翼型-机翼进行了对比分析。最后,梳理了分布式动力翼内外流耦合与其二维-单元-整体特性之间的内在联系,提出了关于分布式动力翼动力/气动耦合设计思路的建议。     

缝翼结构参数对翼型流场和气动噪声的影响

缝翼气动噪声很大程度地依赖于其结构参数。分析其结构参数对翼型流场及其气动噪声特性的影响,是研究缝翼噪声抑制方法的有效途径。首先,基于典型三段翼型30P-30N,建立流场分析模型,并利用雷诺平均(RANS)和大涡模拟(LES)方法,分别对具有典型缝翼几何位置及外形特征的翼型进行稳态和瞬态流场特性分析;其次,利用FW-H声类比积分法求解远场噪声分布特性,并研究对比不同缝翼结构参数对远场声压级强度及其指向性分布特性的影响规律;最后,针对不同的缝翼结构参数,分析讨论缝翼噪声抑制与相应翼型升力变化的耦合关系。结果表明:缝翼几何位置和结构变形参数的调整均可有效降低远场噪声辐射,但是在攻角增大的情况下升力系数会有一定程度的降低。