基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法，通过对翼型几何特征提取、压力分布曲线的参数化，建立了卷积神经网络模型（CNN），并利用计算流体力学（CFD）的计算结果作为其训练样本，实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98，基于深度学习的计算方法耗时1.7 s，CFD方法耗时大于50 s，计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

基于最佳环量分布的螺旋桨滑流影响预测

为了更加快速且准确地预测螺旋桨滑流对机翼气动系数的影响,提出了基于最佳环量分布并结合激励盘数值模拟技术实现螺旋桨滑流影响预测的方法,选择Prandtl最佳环量分布解析法并在此基础上提出了一种桨毂修正办法,从而得到桨盘的最佳环量分布解析式。将采用不同方法计算螺旋桨压力阶跃分布作为激励盘模型的边界条件,采用CFD数值模拟得到了一种典型的桨-翼组合体的气动参数。结果表明,本文提出的修正方法预测结果更接近于试验数据,升力系数的相对误差不超过3%,阻力系数的相对误差不超过20%。这种方法具有不依赖试验数据、低计算资源消耗的优势,对飞机概念设计初期快速确定螺旋桨滑流对机翼气动系数的影响方面具有优势。