机器学习技术在气动优化中的应用

近年来优化设计在气动设计中发挥了越来越多的作用，但实用性和效率是制约其发挥作用的两大障碍。在大型客机超临界机翼设计中，通过"人在回路"（依靠人的经验在优化进行过程中实施必要干预）等努力，取得了较好的效果，机器学习技术逐步得到发展。提出了利用机器学习技术模拟人在优化过程中的合理行为和作用机制，以深层次利用信息和知识，改善优化的实用性和效率。梳理了机器学习技术在气动优化中应用的发展脉络，并结合工作实践介绍了机器学习在优化设计中的典型应用。进一步探讨了深度学习在气动优化中的可能应用方式。     

带冷气掺混的涡轮级流场数值模拟

为了实现对带冷气掺混的涡轮级流场的数值模拟 ,利用 Jameson有限体积方法在 H型结构化网格上求解 Reynolds平均 Navier-Stokes方程组。根据混合平面假设实现涡轮级 (导向叶片 /转子 )动静流场的联算。采用一维等熵流动模型求解冷却气体在冷却孔出口的流动参数 ,并通过在边界注入相应的通量引入冷却气体对主流流场的影响。通过对典型算例计算 ,获得与实验吻合的结果。验证了本文方法的可行性和计算精度。基于此 ,本文对亚音速和跨音速两组涡轮级的带冷气掺混的三维流场进行了粘流流场和换热分析 ,获得了合理的计算结果。     

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。     

跨声速压气机机匣处理的数值研究

介绍了所开发的压气机内流场三维N-S方程计算程序.在利用典型算例验证了计算程序的描述能力和精度的基础之上, 对带有顶隙和机匣处理的跨声速压气机内的流动进行了三维数值模拟.研究了环向槽机匣处理方式, 比较了不同开槽方式下, 机匣处理对顶隙泄漏流和压气机性能的影响.