运用低自由度协同优化的机翼结构气动多学科设计优化

 为了解决协同优化方法(CO)协调困难和计算量过大的问题，提出了低自由度协同优化方法(LDFCO)。LDFCO的系统级优化通过调整共享设计变量和辅助设计变量，使系统目标最优，并满足一致性约束条件。子系统优化通过调整局部设计变量，使子系统目标最优，并满足局部约束条件。子系统目标有2种形式：最小化本子系统的一致性约束函数和直接与系统目标有关的状态变量的加权和，或最小化一种不同于前者的一致性约束函数。着重研究了如何利用常规LDFCO/V1和基于代理模型的LDFCO/V1求解机翼的气动/结构多学科设计优化问题，并与CO方法进行了对比，结果表明常规LDFCO/V1和基于代理模型的LDFCO/V1都能成功地应用到机翼的多学科设计优化中，验证了LDFCO/V1的可行性和有效性。     

煤油超燃冲压发动机两相流场数值研究 (Ⅲ)煤油在超燃流场中的多步化学反应特征

深入分析了煤油代用燃料C12H23的17组分30步反应模型在超燃冲压发动机流场内的细观化学反应动力学特征,结果表明：(1)该化学反应模型比较合理地描述了煤油在超燃流场内的裂解、点火、裂解产物的燃烧以及和NOx的生成等基本规律和特征,其中对于OH分布特征的预示和文献的利用PLIF的物理观测结果一致。不过,其单步裂解机制对温度场的预估偏高。(2)对导流型凹槽内的化学动力学特征分析表明,导流槽由于加强了凹槽外氧气向凹槽内的输运,使得凹槽内的燃烧得以强化,生成的CO2偏多。(3)煤油的化学反应动力学过程对于准确预示和评价煤油在超燃发动机内的燃烧状况及发动机整体性能有重要影响。     

面向代理模型的机翼变形计算方法

按照机翼结构设计的原则,对内部结构还未确定的机翼提出了一种通用的变形计算方法。机翼的平面形状可看作由多个梯形组成,机翼弯曲变形为三次函数,扭转变形为一次函数。只要给定翼梢挠度与扭转角,即可计算机翼变形情况下的几何模型,使代理模型能够预测变形后机翼的气动载荷分布。文中给出了两个实际机翼的算例。算例结果表明,本文模型预测的变形与实际结构有限元分析给出的变形吻合较好。     

RP-3航空煤油模拟替代燃料燃烧特性的实验

在定容弹中实验测试了初始压力分别为0.1、0.3 MPa、初始温度分别为390、400、420 K、当量比范围为0.8～1.5时RP-3航空煤油模拟替代燃料的层流燃烧特性,并对比分析了模拟替代燃料与RP-3航空煤油的层流燃烧速率。结果表明,模拟替代燃料层流燃烧火焰的马克斯坦长度随初始压力或当量比的降低逐渐增大,表明火焰稳定性逐步增强；初始温度对火焰稳定性的影响不明显；随初始温度的升高或初始压力的降低,模拟替代燃料的层流燃烧速率逐渐升高；随着当量比的逐渐增大,模拟替代燃料的层流燃烧速率先增大后降低,在当量比为1.2时达到最大；在相同工况下,模拟替代燃料与RP-3航空煤油的层流燃烧速率吻合较好。      

基于Kriging模型梯度解析解的改进一次二阶矩方法

改进一次二阶矩（AFOSM）法是一种基于功能函数梯度的结构可靠性分析方法，鉴于其对隐式函数的梯度较难求解，提出了一种基于Kriging模型梯度解析解的AFOSM方法，利用Kriging代理模型的解析表达式推导得到功能函数对输入变量的梯度解析解，为AFOSM中设计点的确定提供高精度的梯度信息。通过Kriging与AFOSM的结合，很好地解决了基于有限元模型的隐式情况下梯度计算量相当大、可靠性分析难的问题。数值与工程算例验证了所提Kriging梯度解析解的较高精确性，同时验证了所提基于Kriging解析解的AFOSM结构可靠性分析方法的正确性与较高精度。     

吸热型碳氢燃料RP-3替代模型研究

利用广义对应态法则对吸热型碳氢燃料RP-3的5种替代模型的密度、黏度、导热系数和比定压热容进行了数值计算.计算温度变化范围为300~800K,压力变化范围为3~6MPa.结果表明:不同替代模型均能定性重现RP-3在拟临界温度附近的物性急剧变化;由53%正十一烷,18%正丁基环己烷,29%1,3,5-三甲基苯组成的3组分替代模型在预测RP-3物性上表现最优,相对于实验数据,300~700K内密度相对误差均小于0.08;替代模型的相对分子质量越大,预测的拟临界温度越高,对拟临界温度下物性值的影响无显著规律.      

煤基喷气燃料代用组分神经网络混合构建方法

为了建立航空燃料的喷雾模型,用于高保真液雾燃烧数值模拟,提出了基于人工神经网络混合模型的煤基喷气燃料代用组分构建方法.基于这一构建方法,重点针对煤基喷气燃料的雾化特性,利用多组分混合燃料的理化性质数据库对神经网络进行训练,获得了混合燃料理化性质隐式预测模型,结合随机投点优化方法,构建出能够很好地模拟煤基喷气燃料目标理化性质的代用组分.结果表明:该代用组分包含了5种碳氢化合物成分,摩尔分数为11.46%正癸烷、23.29%正十二烷、49.87%正十四烷、6.66%异辛烷和8.72%甲基环己烷.通过雾化特性实验,验证了代用组分对真实燃料雾化性能的模拟效果.该代用组分构建方法可以较好地解决混合燃料模拟过程中的非线性问题,通过改变目标理化性质可构建出相应代用组分.      

基于代理模型的二元收扩喷管流道型面优化设计

在二元收扩（2D-CD）喷管设计参数对喷管气动性能影响研究的基础上,以获得尽可能高的喷管推力系数为目标,以喉道宽高比、喉道型面半径比、收敛半角和扩张半角为设计变量,对二元收扩喷管的流道型面进行了优化设计。设计过程中,利用正交试验设计方法确定初始样本点,建立喷管推力系数与设计参数间的Kriging代理模型,采用自适应模拟退火算法（ASA）对代理模型进行分析求解。结果表明,二元收扩喷管的优化型面参数为:喉道宽高比为6,喉道型面半径比为0.3,收敛半角为15°,扩张半角为5.64°,此时最大推力系数为0.97847,流量系数为0.98778.      

基于自适应代理模型的结构动力可靠度分析方法

结构动力可靠度分析对于衡量结构的安全状态和工作性能具有重要的指导意义。采用一种同时考虑 动态激励载荷和材料力学性能参数随机性的动力可靠度计算高效方法,通过建立不确定性材料力学性能参数 与条件动力可靠度之间的 Kriging代理模型,推导动力可靠度的解析表达式;提出一个新的学习函数来构建自 适应的 Kriging代理过程,通过复合材料飞行器蒙皮骨架结构在随机振动载荷和随机材料力学性能参数共同作 用下的动力可靠度分析对所提方法的准确性与高效性进行验证。结果表明:所提方法不仅能够避免使用代理 模型对动力可靠度求解时由于使用数值积分所引入的误差,同时能够使用尽可能少的计算成本获得准确的动 力可靠度结果。     

Global aerodynamic design optimization based on data dimensionality reduction

In aerodynamic optimization, global optimization methods such as genetic algorithms are preferred in many cases because of their advantage on reaching global optimum. However, for complex problems in which large number of design variables are needed, the computational cost becomes prohibitive, and thus original global optimization strategies are required. To address this need, data dimensionality reduction method is combined with global optimization methods, thus forming a new global optimization system, aiming to improve the efficiency of conventional global optimization. The new optimization system involves applying Proper Orthogonal Decomposition (POD) in dimensionality reduction of design space while maintaining the generality of original design space. Besides, an acceleration approach for samples calculation in surrogate modeling is applied to reduce the computational time while providing sufficient accuracy. The optimizations of a transonic airfoil RAE2822 and the transonic wing ONERA M6 are performed to demonstrate the effectiveness of the proposed new optimization system. In both cases, we manage to reduce the number of design variables from 20 to 10 and from 42 to 20 respectively. The new design optimization system converges faster and it takes 1/3 of the total time of traditional optimization to converge to a better design, thus significantly reducing the overall optimization time and improving the efficiency of conventional global design optimization method.