基于深度学习的翼型反设计方法

建立了一种基于深度学习的翼型反设计方法,将翼型曲线及其对应的压力分布图像作为训练学习对象,建立其内在联系的模型,实现通过卷积神经网络提取压力分布图像的特征,计算获得翼型曲线。该方法直接将压力分布图像作为模型输入,更加直观简洁,同时避免了传统方法中耗时的数值计算过程。模型测试中,6 000组压力分布图像和翼型曲线用于模型训练,另外561组用于模型验证,验证耗时仅67 s,预测的翼型曲线与CFD计算结果的平均相对误差为055%。对比实验中,通过对压力分布曲线添加噪声、改变输出层尺寸等方式,进一步验证和分析了预测模型性能。结果表明该翼型反设计方法具有较高预测精度和较强鲁棒性,能在保证精度的情况下降低计算时间,提高设计效率。     

基于两层POD和BPNN的翼型反设计方法

翼型优化过程需要大量的 CFD 分析,计算量大、耗时长。本文发展基于本征正交分解（POD）和反向传播神经网络（BPNN）的翼型反设计方法,该方法的优化过程如下：首先,通过 Hicks-Henne 参数化,在设计空间中构造翼型外形的样本库,并利用 Xfoil/Fluent 对样本翼型的流场进行求解;然后,对翼面压力系数和几何外形分别建立 POD 模型,即两层 POD 模型,并得到对应的基模态系数;最后,使用 BPNN 建立从压力系数的基模态系数到几何外形的基模态系数的映射,实现在给定压力系数下对几何外形的快速预测。通过算例分析,结果表明：在亚/跨声速状态,基于 200 个样本训练所得的两层 POD+BPNN 模型可以实现对具有目标压力系数分布的翼型的预测,其精度满足翼型反设计要求。     

基于高斯过程回归和遗传算法的翼型优化设计

针对高升阻比风力机翼型前缘曲率半径较大的问题,传统的翼型参数化方法前缘控制能力不足,且基于面元法XFOIL预测精度差的问题,利用增强类函数/形函数转换（CST）参数化方法控制翼型的形状变化、拉丁超立方实验设计、计算流体力学（CFD）流场计算模块、高斯过程回归模型和遗传算法,提出了基于高可信度Reynolds average Navier-Stocks（RANS）和高斯回归模型辅助遗传算法的翼型优化设计方法。结果表明:基于高斯回归模型的翼型优化方法,可以将优化所用CFD计算次数降低一阶,从而大幅度提升优化设计效率。由标准算例超临界翼型RAE2822的降阻设计表明,在百次量级的CFD次数阻力降低43.16%,激波被削弱且升力、力矩和面积严格满足约束。由风力机翼型NACA64618的最大化升阻比优化设计表明,所设计翼型不仅在设计攻角和副设计攻角处升阻比大大增加,在整个小攻角范围内其气动性能都得到了提升,且两个主设计点,无不良阻力的产生。      

结冰区流场特征一致的混合缩比翼型设计

提出了一种基于翼型前缘范围流场相似的多控制点混合缩比翼型优化设计方法:以前缘局部范围内的空间流场特征相同为目标,采用多目标遗传优化算法结合翼型参数化、多控制点、网格自适应技术及CFD,进行了不同工况下的混合缩比翼型设计,分别通过低湍流度风洞及结冰风洞对翼型的气动性能及积冰过程进行了实验。设计及实验结果表明:该混合缩比翼型与对应的全尺寸翼型在前缘15%弦长范围内的压力系数偏差均在5%以内,翼型绕流相似;在相同时间历程内两者的冰型增长及气动特性均具有相同的变化规律。该设计方法可以应用于不同实验状态下的混合缩比翼型的设计,提高多状态下结冰实验效率。     

经典跨声速翼型RAE2822数据分析

经典跨声速翼型RAE2822风洞试验数据长久以来被广泛用于CFD计算方法和软件的验证与确认，但是数据的正确使用或者说合理使用仍存在一些需要研究和注意的问题，包括计算网格、风洞试验数据修正、中弧线修正、翼型几何定义和建模，以及摩擦阻力系数和边界层速度剖面的原始定义等。在开展CFD研究之前，必须首先对计算方法进行验证，尤其是要先尽可能消除计算结果对计算网格的依赖性；经过对目前可开放使用的计算网格的不足之处进行分析，研制了一套高品质的计算网格并获得了预期的一阶网格收敛性；通过计算软件交叉验证，进一步确保所用计算软件的可信度。在将CFD计算结果与翼型风洞试验数据进行比对时，通常需要对马赫数和攻角进行修正，且如何修正是一个需要持续研究的问题；翼型中弧线修正是一种有效的方法，但需要考虑流动参数的影响。原始翼型几何构型采用有限离散点定义，计算网格生成过程中需要采用插值方法布置型面网格点，不同插值方法对于翼型前缘附近流动的数值模拟有细微影响。多数相关研究工作只比对压力分布；少数研究工作会比对摩擦阻力系数、边界层及尾迹速度剖面，但在比对时，需要注意原始风洞试验相关参数定义与CFD计算常用定义的区别。     

尖前缘平板的高超声速粘性干扰效应引起的压力分布规律研究

采用CFD方法计算了多种来流条件下高超声速平板绕流的粘性干扰现象,计算与实验结果吻合良好。针对理论分析在平板前缘失1效的情况,结合理论分析、CFD结果和试验结果对原有沿流向壁面压力分布关系式进行了修正,使得修正后关系式在整个平板上与相关数据吻合,显著增加了压力分布关系式的应用范围。同时根据CFD计算结果,分析了平板附面层内压力等流动参数的分布规律,发现附面层内法向压力分布存在峰值,壁面压力分布大于来流静压,并给出了峰值压力及其位置的拟合式。     

基于深度学习的单排孔气膜冷却性能预测

气膜冷却是增强涡轮叶片的高温耐受力,间接提高涡轮进口温度的有效手段之一。目前气膜冷却孔布局的主流设计方法是先通过计算流体力学（CFD）筛选和优化初始方案,再进行模型实验。这种方法设计周期长,时间成本高。传统上用于快速评估冷却效率的经验公式法存在函数形式复杂,拟合精度有限,参数适用范围较窄等问题。因此基于深度学习原理,设计了一种基于多层感知器模型（MLP）的深度神经网络,建立了绝热气膜冷却效率的预测模型。使用CFD数据训练网络,结果表明：深度学习模型在训练集和验证集上具有大于0.95的拟合度,在测试集上具有大于0.99的拟合度,可以较好地识别数据集中的抽象特征,具有较高的精度和较好的泛化能力。此外,在满足精度要求的前提下,一个完成训练的深度学习模型能够有效减少预测耗时,提高预测效率,在快速评估冷却布局性能方面具有较好的应用前景。     

结冰风洞过冷大水滴试验中混合翼设计

开展结冰风洞过冷大水滴结冰试验验证了现有混合翼设计准则。结冰风洞过冷大水滴结冰试验条件采用大、小水滴两种喷嘴组合喷雾实现了与冻毛毛雨水滴质量“双峰”分布曲线非常符合的过冷大水滴结冰环境模拟。以0.50 m弦长的NACA0012翼型为原始翼型，基于面向工程、面向适航的混合翼设计准则通过求解Navier-Stokes(NS)方程计算翼面压力分布，以混合翼与原始翼型驻点位置和前缘吸力峰值尽可能重合为目标，在保证前缘附近与原始翼型相同的基础上混合翼的设计弦长缩短50%。在结冰风洞中开展冻毛毛雨环境下的结冰试验验证混合翼设计效果，结果显示混合翼型与原始翼型模型前缘表面的冰形特征基本一致，局部冰形存在少量差异，混合翼型模型表面冰形冰高略偏大。所得结论表明现有混合翼设计准则在冻毛毛雨环境下依旧适用，可供后续开展相关民机型号的过冷大水滴结冰风洞试验参考。     

基于本征正交分解的流场快速预测方法研究

对于飞行器气动设计,通过实验或CFD计算获得所有设计状态处流场信息成本高、耗时长,难以满足工程应用要求。利用基于本征正交分解(POD)降阶模型结合相应的插值方法,只需要通过实验或CFD计算获取有限个数的采样流场,可以快速预测出具有满足精度要求的设计状态处流场信息。首先,证明对POD基系数插值获取预测流场与对采样流场直接插值获取预测流场的等价性,并分析采样流场分布的要求。然后,以三段翼型流场作为研究对象,POD降阶模型分别与三次样条插值和径向基插值结合,实现设计状态处流场信息快速预测。最后,通过将流场预测结果与相同条件下的流场CFD计算结果对比,表明了POD降阶模型结合两种插值方法的各自特性。     

基于太阳能飞机应用的低雷诺数翼型研究

以太阳能飞机为背景,对低雷诺数翼型FX 63-137进行了折线型建模以拟合典型晶硅太阳能电池片对气动外形的影响,开展了气动数值模拟分析。首先引用"拟合优度"的定义描述本文折线型翼型轮廓与基准翼型(Baseline)的吻合度,并以此参数为变量建立5种折线型翼型模型;然后,采用计算流体力学(CFD)方法计算分析了不同雷诺数下各折线型翼型的气动特性,并着重研究了低雷诺数下折线型翼型的绕流机理;最后,基于工程应用实际的需求,提出了晶硅太阳能电池片的铺设方法也即折线型翼型设计思想准则,并进行算例验证。研究结果表明:低雷诺数条件下,折线型翼型升阻性能相比光滑翼型在一定程度上表现出了优势,但随着雷诺数的增加,升阻方面的优势逐渐消失;折线型翼型压力分布受各折线段长度影响,前缘吸力峰值、压力平台范围以及压力恢复区分布特征是决定折线型翼型气动性能的主要因素;通过设计的算例验证了本文提出的折线型翼型设计思想的可行性。     

机器学习辅助湍流建模在分离流预测中的应用

数据驱动湍流建模是近年来发展的提高雷诺平均N-S方程预测精度的有效手段,通过机器学习算法能够从高置信度数据中自动提取特征,建立准确的从平均流动特征到雷诺应力的预测模型。针对高雷诺数下积冰翼型绕流这一类典型的复杂流动分离问题,基于此前研究者提出的机器学习预测框架,从输入输出特征选择和翼型绕流中数据分布特性两个方面出发,对机器学习预测结果的光滑性和准确性进行改善。提出了基于雷诺应力张量分析和流动特征辨识的输入特征选择准则;提出了局部区域建模方法以及基准模型和机器学习预测模型混合的代入计算方法。将改进方法应用于积冰翼型绕流问题之中,结果表明改进的方法能够准确给出训练集和预测集上的雷诺应力结果,并且代入平均流计算可以得到和真实分布更加接近的流动和机翼表面压力分布。     

An inverse design method for supercritical airfoil based on conditional generative models

Inverse design has long been an efficient and powerful design tool in the aircraft industry.In this paper, a novel inverse design method for supercritical airfoils is proposed based on generative models in deep learning. A Conditional Variational Auto Encoder(CVAE) and an integrated generative network CVAE-GAN that combines the CVAE with the Wasserstein Generative Adversarial Networks(WGAN), are conducted as generative models. They are used to generate target wall Mach distributions for the inve...     

基于气动数值模拟的翼型反设计方法

将计算流体动力学（CFD）与反设计技术相结合,通过数值求解欧拉方程,对翼型绕流流场作出数值模拟,再用几何和流动控制方程,反复迭代求得满足给定流场的翼型。以NACA0012为初始翼型,RAE-2822为目标翼型,选取两种工况,都取得了满意的结果。     

改进型Gappy POD翼型反设计方法

 为了提高基本Gappy本征正交分解(POD)翼型反设计方法的精度,在原始方法快照采样过程中,调整参数化方法,并用已产生翼型中压力分布最接近目标压力分布的翼型替换基础扰动翼型,形成最优快照替换采样法。在迭代求解阶段,根据迭代产生的压力分布与迭代产生的翼型实际压力分布之间的误差,引入校正快照,并据此调整目标压力分布,形成校正迭代法。实际算例表明,最优快照替换采样法所采集快照张成的空间较原始采样法更接近设计目标。而校正迭代法较原始迭代法能明显提高反设计精度。但最佳模态数量的选择对于Gappy POD翼型反设计方法仍然是一个难点。     

A generative deep learning framework for airfoil flow field prediction with sparse data

Deep learning has been probed for the airfoil performance prediction in recent years.Compared with the expensive CFD simulations and wind tunnel experiments, deep learning models can be leveraged to somewhat mitigate such expenses with proper means. Nevertheless, effective training of the data-driven models in deep learning severely hinges on the data in diversity and quantity. In this paper, we present a novel data augmented Generative Adversarial Network(GAN), da GAN, for rapid and accurate fl...     

适用于多迎角结冰试验的混合翼型设计

为突破结冰风洞对翼型模型尺寸的限制,提出了一种新的混合翼型设计方法,可使用一套混合翼型模拟原始翼型在不同迎角下的结冰试验,弥补了以往混合翼型只能在单个设计迎角下使用的缺陷。方法采用多段翼的形式设计混合翼型,以多目标迎角等结冰试验条件作为设计输入,优化设计主翼外形和襟翼的位置、偏转角度,利用襟翼位置和偏转角度的变化实现混合翼型和原始翼型前缘表面的压力系数在不同迎角下能够保持一致,继而保证前缘结冰外形的一致性。设计的混合翼型较原始翼型弦长减小接近40%,在冰风洞中对混合翼型和原始翼型在目标结冰条件下进行试验,对比结果显示,在选取的多个目标迎角下,混合翼型和原始翼型二维截面的结冰外形基本一致,提出的混合翼型设计方法能够有效的模拟原始翼型在不同迎角下的结冰外形。     

基于改进CST参数化方法和转捩模型的翼型优化设计

为提高翼型优化设计效率,增大设计空间,采用B样条基函数替代传统的形状类别函数(CST)方法中的Bezier多项式,增强了对翼型参数化表达的局部控制能力并提高了翼型局部表达精度。为了确保翼型在优化设计过程中的几何光顺特性和代理模型的准确性,采用小波分解技术提出了多分辨率翼型的局部光顺方法。采用基于本征正交分解(POD)的流场数值代理模型,并结合γ-Reθt转捩模型实现了快速准确的气动力与流动转捩预测。采用小波技术光顺的CST翼型参数化建模、POD流场数值计算代理模型以及γ-Reθt转捩模型,结合遗传算法建立了完整的翼型气动优化设计系统。针对低速层流翼型与超临界翼型进行优化设计,优化设计后的翼型升阻比分别提高了47.42%和45.85%,且对改进前后参数化建模方法的优化性能进行了对比,结果表明本文构建的翼型气动优化设计系统具备很高的优化效率。