针对超临界翼型气动修型策略的强化学习

强化学习是一类用于学习策略的机器学习方法,通过模拟人的学习过程,与所处环境不断交互来学习动作策略,用以获得最大累积回报。以设计师在翼型气动设计中的增量修型过程为例,给出强化学习在气动优化设计中的要素定义和具体算法的实现。研究了预训练中选择不同示例对预训练和强化学习结果的影响,并将强化学习得到的策略模型在其他环境中进行了迁移测试验证。结果表明,合理的预训练能够有效提高强化学习的效率和最终策略的鲁棒性,且所形成的策略模型具有较好的迁移能力。     

基于相关滤波和轨迹预测的视频卫星动态目标跟踪算法

为解决卫星视频中有遮挡或相似目标情况下目标跟踪的问题,提出了一种改进的相关滤波算法,在跟踪框架中加入了干扰判别模块和基于神经网络的轨迹预测模型。通过比较平均峰值相关能量指标值与自适应阈值来判别跟踪器是否受到干扰。双向长短期记忆网络以目标历史轨迹编码为输入来完成轨迹预测,结合相关滤波输出结果和网络预测结果来确定目标的位置。实验表明,所提出算法的精度提升了2.10%,在有遮挡或相似目标等情况下仍具有较好的跟踪性能。     

超临界机翼多目标气动优化设计的策略与方法

超临界机翼的气动设计十分复杂,往往需要借助于有效的优化手段。然而,优化方法本身往往无法直接表达真实完整的设计意图,因此需要将工程需求和约束转换为优化方法所能处理的数学形式。本文首先探讨了梯度优化方法和进化类优化方法在气动优化中的表现。之后简要总结了前人在飞机气动设计中提出的准则和要求,并基于压力分布形态定义了超临界机翼气动设计的关键特征及定量要求,探究其在超临界机翼气动优化设计中的应用效果。研究结果表明,在多目标优化中引入面向压力分布形态特征的目标和约束,能有效引导优化体现工程设计思想,进而提高优化效率。     

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。     

跨声速工况下流体诱发叶片振动研究

对同一跨声速风扇的非定常流场进行了跨声与亚声两种工况下的数值模拟.对两个工况下流场计算得到的转子叶片表面非定常气动激振力进行频谱分析,并对其进行对比分析,从而得到跨声工况下气动激振力特性.应用ANSYS软件的瞬态分析方法进行了叶片的强迫响应分析,对跨声和亚声两种工况下的叶片强迫响应进行对比分析,从而得到跨声工况下叶片强迫响应特性.