基于离散伴随的高超声速密切锥乘波体气动优化设计

基于定平面形状的密切锥乘波体设计方法能够显著提高传统乘波体的设计灵活性和整体升阻特性。但是该类乘波体在设计时忽略了三维效应、黏性效应以及头部/前缘的钝化效应，在设计工况下仍会出现溢流，升阻比难以达到最优；另外，这类乘波体仍具有传统乘波体在偏离设计条件下气动特性会出现恶化的不足。因此，有必要在考虑黏性的情况下，针对定平面形状的密切锥乘波体开展全机气动优化设计。结合基于全速域通量求解方法和RANS湍流模型的高精度CFD求解器、鲁棒的结构网格变形方法、自由变形参数化方法、离散伴随方法以及序列二次规划算法，实现了基于离散伴随的高超声速飞行器气动优化设计方法。基于上述方法，针对定平面形状的密切锥乘波体开展了单点和多点的三维整机气动优化设计。在400万多块结构网格、600个设计变量以及303个设计约束条件下，所采用的离散伴随优化方法仅花费2 240CPU小时和3 360CPU小时即完成了三维整机单点和多点的优化设计。结果表明，相较于初始构型，单点优化得到的构型在设计状态下的升阻比提升了近5%；多点优化得到的构型可保证在设计点状态升阻特性没有损失的同时，将非设计点的升阻比提升10%以上，进而在一定程...     

双后掠乘波体设计及性能优势分析

根据密切锥乘波体的设计几何关系,提出双后掠乘波体概念,给出了双后掠乘波体设计的参数与生成乘波体外形之间的关系。使用非均匀有理B样条(NURBS)表达包括圆和直线的激波出口型线辅助设计,研究了钝头区域可控、后掠区域可控的乘波体外形设计方法。使用CFD数值计算方法验证了设计方法的有效性,同时研究了双后掠乘波体外形的性能优势,结果表明在保持高超声速高性能的基础上适当设计外形在低速状态、纵向稳定性和涡效应增升方面具有性能优势,为大空域宽速域高超声速飞行器的研制开拓了新的途径。     

双后掠乘波体的非线性升力增长

基于密切锥的双后掠乘波体是定平面形状乘波体的典型应用，除了具有良好的宽速域性能，其升力在高超声速大迎角下的非线性增长也是值得研究的现象。对比双后掠乘波体与单后掠乘波体的气动性能，发现双后掠外形比同等面积的单后掠外形具有更强的非线性增升效应，而且随着马赫数增加，其效应不断增强。分析乘波体不同部件的气动力，发现这种增升主要来自下表面，上表面贡献很小，指出相关学者提出的"涡升力"观点存在问题。本文研究表明，双后掠乘波体升力随迎角的非线性增加，与后掠角对激波附着的影响有关：后掠角越小，激波越难脱体，只要激波附着，参考斜激波关系式，波后的压力随迎角的增长就是非线性的，导致升力增长非线性；而激波脱体，升力增长则趋于线性。     

涡波效应宽速域气动外形设计

拓展了密切锥乘波体设计方法的应用,推导了设计方法中激波出口型线、流线追踪起始线与平面形状轮廓线之间的几何关系,建立了定平面乘波体设计方法。通过定制乘波体的平面形状引入涡效应,提出涡波效应宽速域气动布局的概念,即在高超声速状态下使用激波效应、在低速状态下使用漩涡效应提升布局的总体性能。以双后掠布局为例,使用CFD方法评估其高速和低速状态的气动性能,与带锥体的平板进行对比,分析了升阻比、升力系数以及流场特性,初步给出了非线性增升效果。计算结果表明：当前定平面乘波体布局在低速状态和高超声速状态均具有较好的气动性能,弥补了传统乘波体的性能缺陷,为宽速域气动布局的设计提供了新的思路。     

上/下反翼对双后掠乘波体高超特性的影响

从密切锥乘波体理论提出给定前缘型线的乘波体设计方法,通过给定三维前缘型线分别生成具有上反和下反机翼的双后掠乘波体。使用CFD技术评估不同上/下反机翼乘波体的高超声速气动性能,并选取稳定性判据,研究机翼上下反对纵向和横侧向稳定性的影响。结果表明,上/下反机翼对“乘波”性能影响很小,在高超声速状态仍然保持了高升阻比特性;机翼上反,纵向稳定性降低,机翼下反,纵向稳定性提高;机翼上反可以提高横向稳定性,下反则降低;机翼上反和下反都会提高侧向稳定性,而且上反的效果更明显;同时机翼上反使乘波体的偏航动态稳定性明显提升,而机翼下反对偏航动态稳定性的影响随攻角增大而降低。     

三维流场乘波体快速设计方法及多目标优化

为扩大乘波体的设计空间,精确地计算设计流场,引入高超声速激波装配法,结合基于多重网格的搜索技术加速寻点效率,扩展流线追踪方法到三流流场,建立普适于一般三维流场的乘波体快速设计方法。对设计曲线使用B样条方法建模并提取设计变量,结合改进的Pareto遗传算法对升阻比和容积率进行多目标优化设计,获得了性能较高的乘波外形。研究表明此方法效率高,设计空间大,是一种乘波体设计的新方法和新思路。     

使用深度残差网络的乘波体气动性能预测

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。     

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。