基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

基函数宽度对RBF神经网络气动力模型精度的影响研究

将带输出反馈的RBF（recursive radial basis function, RRBF）神经网络用于构建非定常气动力模型,能够得到一种动态非线性气动力降阶模型（reduced order model, ROM）。隐含层神经元的基函数宽度是该气动力模型的一个重要参数。为了研究基函数宽度对RRBF神经网络的影响,首先通过数学分析和计算仿真研究了训练过程中宽度与神经网络结构之间的关系,而后用NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态的情况进行测试。测试结果表明,基函数宽度对此类非定常气动力模型的稳定性及泛化能力都有较大影响;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。通过对随机俯仰运动样本的预测结果,验证了宽度的最优选择范围。     

一种高泛化能力的神经网络气动力降阶模型

神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足。针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测。采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小。训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号。算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强。     

基函数宽度对递归RBF神经网络气动力模型精度的影响研究

由于非定常气动力的复杂性,通常所建立的气动力模型在稳定性、泛化能力和精度上均存在一定局限,采用递归RBF神经网络模型能够实现气动载荷的较准确预测。隐含层神经元的基函数宽度对该模型的精度及稳定性具有重要影响。首先通过数学分析和计算仿真研究训练过程中宽度与神经网络结构之间的关系,然后将NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态下的性能,最后利用对随机俯仰运动样本的预测结果,验证宽度的最优选择范围。结果表明:基函数宽度对此类非定常气动力模型的稳定性及泛化能力影响较大;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。     

旋转弹气动力建模与飞行轨迹仿真

运用一种自回归滑动平均(ARMA)的时域气动力建模方法,以计算流体力学与刚体动力学(CFD/RBD)耦合仿真的输出结果为样本,对旋转弹的非定常气动力进行建模。利用建立的气动力模型与刚体动力学方程求解模块耦合,实现了旋转弹轨迹的快速仿真,并讨论了不同的建模方式对仿真精度的影响。算例结果表明:采用气动力模型与刚体动力学方程耦合仿真技术可以在不同初始发射条件下进行旋转弹飞行姿态与运动轨迹预测,且与CFD/RBD仿真结果吻合较好,证明ARMA气动力建模方法可以在保证旋转弹轨迹预测精度的同时大幅缩短仿真时间,节省计算资源。     

基于CFD的高效气动弹性计算方法

本文在高效气动弹性分析方法方面的研究工作包括:对于超声速流动范围,发展了一种基于CFD数值计算流场修正的高效、高精度工程算法,既含有CFD技术模拟复杂激波系的流场特征信息,又具备工程算法计算速度快的优点;对于失速迎角前的飞行器从亚声速、跨声速到超声速范围,发展了一种基于CFD技术的非定常气动力建模方法,由此获得气动弹性计算所需的非定常气动力,此方法可以包含物面在跨声速存在激波运动的流场信息,计算精度与直接应用CFD模拟气动弹性过程的方法相当,但运用非定常气动力建模技术途径的效率可以比直接基于CFD模拟方法提高2个数量级,对CFD技术应用于气动弹性精确预测方法具有工程实际应用价值;还研究了基于非定常气动力建模的方法用于伺服气动弹性分析、阵风响应.     

基于非定常气动力辨识技术的气动弹性数值模拟

选择离散型输入输出差分模型,运用最小二乘方法进行非定常气动力建模,并将辨识得到的降阶模型用于气动弹性的数值模拟。1个马赫数下的颤振临界点的计算仅需调用一次非定常流场求解器。计算精度保持与非定常欧拉方程计算方法相当的同时计算效率提高了1~2个量级。计算了跨声速具有S型颤振边界的气动弹性标准算例－Isogaiwing和三维气动弹性标模算例AGARD445.6,辨识模型计算边界与非定常Euler方程计算结果吻合。证明非定常气动力辨识技术可以提供高效的高精度的气动弹性分析。     

超/高超声速飞行器动态稳定性导数极快速预测方法

飞行器设计早期阶段需要预测大量工况下的动导数。本文发展了一种面向超/高超声速飞行器的动导数极快速预测方法：首先基于当地流活塞理论，将飞行器进行小幅非定常运动所受到的气动力分为受自由来流引起的无附加扰动项以及受物面变形或运动引起的附加扰动项；通过当地表面斜度法、激波后等熵关系求解物面当地流动参数，进而结合非定常运动规律求出飞行器所受非定常气动力；再采用待定系数法对非定常气动力进行提取、辨识，最终得到超/高超声速飞行器动导数。该方法克服了传统方法对CFD流场参数的依赖和耦合，具有极高的计算效率；同时典型算例验证表明，该方法在超声速、高超声速工况下都能够很好预测动导数变化趋势。将该方法应用于复杂外形飞行器动导数预测，并讨论了与CFD方法的误差来源。本文方法可作为高速飞行器总体设计阶段布局选型的工具。     

操纵面对跨声速机翼气动弹性特性的影响

 运用基于非定常CFD的气动力辨识技术，得到跨声速非定常气动力降阶模型。耦合结构动力学方程，建立了基于状态空间的跨声速气动弹性分析模型。分析了典型三自由度二元机翼的颤振边界，分析结果与CFD/CSD直接耦合方法吻合。然后研究了操纵面结构参数（固有频率和重心位置）对跨声速气动弹性特性的影响。研究发现,一些传统的结构设计准则和颤振排除技术未必适用于跨声速状态;操纵面偏转模态常常成为诱发跨声速颤振的主要模态;经典的质量平衡技术可能会降低跨声速气动弹性系统的稳定性。     

基于非定常CFD方法跨声速民用飞机标模俯仰气动导数计算研究

采用非定常计算流体力学(CFD)方法和动网格技术,计算了跨声速民用飞机全机构型TCR气动标准模型在0°~30°迎角范围内气动力系数的时均值、俯仰静导数和俯仰动导数;通过与试验结果对比,研究了非定常CFD方法在较大迎角范围内对包含鸭翼、垂尾等部件的复杂外形气动导数的计算精度。与试验结果对比表明,在16°~24°迎角范围内,受鸭翼和机翼上流动分离再附以及内外翼分离涡相互作用等复杂流动结构的影响,俯仰力矩系数的动导数与试验数据有相对较大的差异。     

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。     

Stall flutter prediction based on multi-layer GRU neural network

The modeling of dynamic stall aerodynamics is essential to stall flutter, due to the flow separation in a large-amplitude pitching oscillation process. A newly neural network based Reduced Order Model (ROM) framework for predicting the aerodynamic forces of an airfoil undergoing large-amplitude pitching oscillation at various velocities is presented in this work. First, the dynamic stall aerodynamics is calculated by solving RANS equations and the transitional SST-γ model. Afterwards, the stall flutter bifurcation behavior is calculated by the above CFD solver coupled with structural dynamic equation. The critical flutter speed and limit-cycle oscillation amplitudes are consistent with those obtained by experiments. A newly multi-layer Gated Recurrent Unit (GRU) neural network based ROM is constructed to accelerate the calculation of aerodynamic forces. The training and validation process are carried out upon the unsteady aerodynamic data obtained by the proposed CFD method. The well-trained ROM is then coupled with the structure equation at a specific velocity, the Limit-Cycle Oscillation (LCO) of stall flutter under this flow condition is predicted precisely and more quickly. In order to predict both the critical flutter velocity and LCO amplitudes after bifurcation at different velocities, a new ROM with GRU neural network considering the variation of flow velocities is developed. The stall flutter results predicted by ROM agree well with the CFD ones at different velocities. Finally, a brief sensitivity analysis of two structural parameters of ROM is carried out. It infers the potential of the presented modeling method to depict the nonlinearity of dynamic stall and stall flutter phenomenon.     

Unstable unsteady aerodynamic modeling based on least squares support vector machines with general excitation

Common, unsteady aerodynamic modeling methods usually use wind tunnel test data from forced vibration tests to predict stable hysteresis loop. However, these methods ignore the initial unstable process of entering the hysteresis loop that exists in the actual maneuvering process of the aircraft. Here, an excitation input suitable for nonlinear system identification is introduced to model unsteady aerodynamic forces with any motion in the amplitude and frequency ranges based on the Least Squares Support Vector Machines (LS-SVMs). In the selection of the input form, avoiding the use of reduced frequency as a parameter makes the model more universal. After model training is completed, the method is applied to predict the lift coefficient, drag coefficient and pitching moment coefficient of the RAE2822 airfoil, in sine and sweep motions under the conditions of plunging and pitching at Mach number 0.8. The predicted results of the initial unstable process and the final stable process are in close agreement with the Computational Fluid Dynamics (CFD) data, demonstrating the feasibility of the model for nonlinear unsteady aerodynamics modeling and the effectiveness of the input design approach.     

Reduced order model for unsteady aerodynamic performance of compressor cascade based on recursive RBF

Based on Recursive Radial Basis Function (RRBF) neural network, the Reduced Order Model (ROM) of compressor cascade was established to meet the urgent demand of highly efficient prediction of unsteady aerodynamics performance of turbomachinery. One novel ROM called ASA-RRBF model based on Adaptive Simulated Annealing (ASA) algorithm was developed to enhance the generalization ability of the unsteady ROM. The ROM was verified by predicting the unsteady aerodynamics performance of a highly-loaded compressor cascade. The results show that the RRBF model has higher accuracy in identification of the dimensionless total pressure and dimensionless static pressure of compressor cascade under nonlinear and unsteady conditions, and the model behaves higher stability and computational efficiency. However, for the strong nonlinear characteristics of aerodynamic parameters, the RRBF model presents lower accuracy. Additionally, the RRBF model predicts with a large error in the identification of aerodynamic parameters under linear and unsteady conditions. For ASA-RRBF, by introducing a small-amplitude and high-frequency sinusoidal signal as validation sample, the width of the basis function of the RRBF model is optimized to improve the generalization ability of the ROM under linear unsteady conditions. Besides, this model improves the predicting accuracy of dimensionless static pressure which has strong nonlinear characteristics. The ASA-RRBF model has higher prediction accuracy than RRBF model without significantly increasing the total time consumption. This novel model can predict the linear hysteresis of dimensionless static pressure happened in the harmonic condition, but it cannot accurately predict the beat frequency of dimensionless total pressure.     

直升机机动飞行旋翼的气动力模拟

探讨了预测机动飞行旋翼气动力的细节问题。在考察非均匀诱速分布、入流动力学和非定常翼型性能的基础上,建立了一种模拟非定常旋翼气动力的新方法。对某一特定机动科目,首先由逆解技术得到操纵输入和飞行姿态;然后综合应用涡流理论、动力入流理论和非定常翼型气动模型来数值模拟非定常的旋翼气动力。通过样例分析给出了紧急转弯和平飞跃升的计算结果。     

民机极限飞行状态的动态气动力试验与建模

飞行失控是造成民机灾难性航空事故的重要因素,飞行失控中飞机难以避免超出正常飞行包线范围,进入具有复杂非线性和非定常动态气动特性的极限飞行状态。本文开展典型民机布局飞机极限飞行状态的动导数、大振幅试验,对大迎角动态气动力的参数影响规律以及非线性、非定常特性进行分析和建模。结果表明,在飞机失速到过失速区域,飞行姿态快速变化过程中动态气动力的非线性和非定常特征显著;在动导数试验和建模中,考虑运动角速率的影响,可以预示气动力非线性的迎角范围,并捕捉到关于飞机动稳定性演化的关键特征;利用Goman-Khrabrov状态空间模型结合大振幅试验,可以确定模型中表征非定常特征的关键时间常数,获得特定极限飞行状态运动中的非定常动态气动力特性。研究方法和结果为开展民机极限飞行状态的动态气动力风洞试验设计与建模提供了一个可行途径,能改进飞机飞行失控预防、极限状态改出、飞行模拟训练和飞行事故分析等。