基函数宽度对RBF神经网络气动力模型精度的影响研究

将带输出反馈的RBF（recursive radial basis function, RRBF）神经网络用于构建非定常气动力模型,能够得到一种动态非线性气动力降阶模型（reduced order model, ROM）。隐含层神经元的基函数宽度是该气动力模型的一个重要参数。为了研究基函数宽度对RRBF神经网络的影响,首先通过数学分析和计算仿真研究了训练过程中宽度与神经网络结构之间的关系,而后用NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态的情况进行测试。测试结果表明,基函数宽度对此类非定常气动力模型的稳定性及泛化能力都有较大影响;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。通过对随机俯仰运动样本的预测结果,验证了宽度的最优选择范围。     

基于增量学习的非定常气动力参数化降阶模型

气动降阶模型（ROM）是预测非定常气动力的有效工具,具有高精度和低计算成本的优点,近年来许多研究证实了该方法的有效性。但是关于飞行参数变化时,ROM的鲁棒性还需要进一步提高。为了提高ROM对不同飞行参数下的气动力预测能力,提出了基于最小二乘支持向量回归（LS-SVR）和增量学习算法的参数化降阶模型。LS-SVR是一种具有良好泛化能力的回归方法,基于LS-SVR的增量学习算法的主要贡献是在增加新样本集时,不需要重新学习整个数据集。为说明该方法的有效性,基于两自由度NACA64A010翼型构建参数化非定常气动力降阶模型。为了训练气动力输入和相应输出之间的关系,将马赫数和迎角作为附加的模型输入。仿真结果表明,该降阶模型能够准确描述气动力和气动弹性系统在不同飞行参数下的动态特性。     

基函数宽度对递归RBF神经网络气动力模型精度的影响研究

由于非定常气动力的复杂性,通常所建立的气动力模型在稳定性、泛化能力和精度上均存在一定局限,采用递归RBF神经网络模型能够实现气动载荷的较准确预测。隐含层神经元的基函数宽度对该模型的精度及稳定性具有重要影响。首先通过数学分析和计算仿真研究训练过程中宽度与神经网络结构之间的关系,然后将NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态下的性能,最后利用对随机俯仰运动样本的预测结果,验证宽度的最优选择范围。结果表明:基函数宽度对此类非定常气动力模型的稳定性及泛化能力影响较大;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。     

识别信号对尾流激励的叶片气动力Volterra 降阶模型的影响

针对涉及动、静叶干涉的叶片气动弹性振动问题,基于Volterra级数方法,建立了尾流激励的叶片气动力降阶模型,分析了稳态条件和识别信号幅值对气动力降阶模型辨识精度的影响。结果表明:所建立的气动力降阶模型能够正确表征尾流对叶片的激励作用,不同流场稳态条件和阶跃信号幅值下气动力降阶模型的结果基本相同。     

基于神经网络模型的动态非线性气动力辨识方法

 在标准径向基函数（RBF）神经网络模型的基础上发展了带输出反馈的RBF神经网络。将计算流体力学(CFD)方法计算的时域气动载荷作为输入信号,建立跨声速非定常非线性气动力模型,并进一步运用CFD方法验证模型的精度。算例表明带输出反馈的RBF神经网络较标准RBF神经网络精度更高,能更准确描述跨声速激波大幅振荡时的非线性和非定常特性,并可推广用于多自由度运动的动态非线性气动力建模。用多级信号训练,预测简谐信号输入下的气动力算例表明带输出反馈的RBF神经网络能够预测不同振幅、不同频率的信号激励下的非线性气动力。     

适用于气动弹性的小波非定常气动力降阶方法

发展非定常气动力模型降阶技术旨在缩减计算耗费并且使得计算流体力学信息能够应用于气动伺服弹性以及设计优化当中。采用小波方法建立基于Volterra级数的非定常气动力降阶模型。在模型识别过程中,激励是光滑连续的且以零阶保持方式进行离散,采样频率选择二的整数幂次。近似的一阶Volterra核基于Haar尺度函数族展开,鉴于Volterra核在系统响应中的衰减特性,可在合适的有限时长截断一阶核。为了获得一阶核的各项展开系数,需要求解由输入/输出数据组成的超定方程,其中涉及到奇异值分解算法。为了验证小波方法的有效性,算例选取了二维的NACA64a010翼型。数值仿真结果表明该方法能够比较准确地预测结构小扰动引起的非定常气动力响应且能描述一定的非线性现象。     

基于多小波的Volterra级数非定常气动力建模方法

非定常气动力建模除了要准确描述气动力的非定常特性,还要反映其非线性特性。Volterra级数因为对系统非线性具有很强的描述能力正日益受到重视。一阶Volterra核只能表达线性特性,要建立反映非线性特性的非定常气动力模型,需要引入二阶核甚至更高阶核的影响。高阶Volterra核辨识的主要困难在于待辨识参数的数量随着核阶次的增加而呈指数增加导致计算难度急剧加大,即出现所谓维数灾难问题。以一种分段二次多小波为基函数将Volterra核展开,求解一个高维病态方程组来计算展开系数,利用小波的多分辨分析在时间和频率两个维度的分解特性将方程降维,最终将问题转化为求解一个低维方程组得到稳定解。通过NACA0012翼型在马赫数0.8下作沉浮运动时,升力系数、阻力系数和俯仰力矩系数的二阶核和三阶核的辨识构建非定常气动力模型,然后由此计算不同减缩频率下的气动力并与CFD结果进行比较,验证了Volterra级数对非线性非定常气动力的描述能力和多小波处理方法的有效性。     

基于长短时记忆神经网络的非定常气动力建模方法

针对飞机大迎角过失速机动过程中的非定常气动力高精度建模需求,提出了一种基于长短时记忆(LSTM)神经网络的非定常气动力建模方法。以三角翼大迎角非定常气动特性为研究对象,建立了基于LSTM神经网络的非定常气动力模型,实现了对升力系数、阻力系数和俯仰力矩系数的预测。研究结果表明,基于LSTM的非定常气动力模型收敛速度快,模型预测结果与真实试验结果符合性较好,模型预测精度优于基于循环神经网络的非定常气动力模型,并且具有良好的泛化性能。     

基于CFD技术的高效叶栅耦合颤振分析方法

为了考虑叶轮机叶片结构与流体之间的耦合效应,同时提高叶轮机颤振数值研究的效率,发展了一种基于非定常气动力降阶模型(ROM)的叶栅耦合颤振分析方法。该方法运用时域计算流体力学(CFD)技术计算少数几个叶片的非定常气动力,通过系统辨识及一些假设构建整个叶栅振动的非定常气动力降阶模型,并在状态空间耦合叶栅结构动力学方程建立叶栅气动弹性方程,采用特征值和时域仿真分析该系统稳定性。运用该降阶耦合方法对STCF4(Standard Test Configuration 4)以及NASA Rotor67叶栅系统的稳定性进行了计算。通过与直接计算流体力学/计算结构动力学(CFD/CSD)耦合方法和非耦合方法计算结果的比较验证了该方法的准确性,且该降价耦合方法的计算效率相对于直接CFD/CSD耦合方法提高了1~2个量级,为叶轮机气动弹性参数研究、失谐研究以及多模态耦合计算等提供了便利。     

基于深度神经网络的含运动边界非定常流场预测方法研究

针对飞行器设计过程中对流固耦合系统快速预测的需求,探索基于数据驱动的非定常流场建模策略,缩短流场演化求解耗时,从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型,来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题,测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高,且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能,因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。     

基于Volterra级数降阶模型的无人机阵风减缓主动控制律设计

针对某型中程长航时无人机阵风减缓主动控制设计问题,提出基于Volterra级数降阶模型和线性二次型/回路传输恢复技术(LQG/LTR)控制的阵风减缓主动控制律设计方法。首先,通过Volterra级数建立非定常气动力的降阶模型,结合无人机飞行动力学模型,并与大气模型耦合,建立无人机阵风响应模型;然后,通过非定常气动力降阶模型耦合的飞行动力学模型进行开环阵风响应,验证模型的有效性;最后,利用特征实现算法得到状态空间形式,采用LQG/LTR方法进行阵风减缓控制律设计。仿真结果表明,提出的控制方法在该型无人机阵风减缓设计上取得较好效果,连续阵风条件下无人机重心过载减小74%,并能维持无人机的高度和姿态稳定。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

基于气动力降阶的弹性飞机阵风响应仿真分析及验证

低速飞机在阵风作用下容易产生非线性气动力,从而引发非线性气动弹性效应,对飞行安全造成威胁。针对此类问题的分析,经典面元法无法满足计算精度要求,计算流体力学(CFD)/计算结构动力学(CSD)全阶耦合分析效率低下,因此需建立满足工程应用的高精度、高效率的飞行动力学仿真分析模型。针对以上问题提出了一种适用于工程的非线性气动力降阶模型(ROM)用以实现弹性飞机飞行动力学仿真,特别是低速飞机在遭遇大幅值阵风情况下的阵风响应仿真。以风洞试验飞翼飞机模型为对象,利用CFD方法获得了该模型的气动力数据,利用自回归移动平均(ARMA)方法和径向基函数(RBF)神经网络方法分别建立了该模型的线性气动力ROM和非线性修正气动力ROM。结合模型的刚弹耦合飞行动力学方程对模型遭遇阵风情况下的响应进行仿真分析,并将仿真结果和风洞试验结果及CFD/CSD计算结果进行对比。结果表明建立的基于非线性气动力ROM的弹性飞机仿真模型在气动力预测、稳定性分析及阵风响应分析方面的表现都优于基于线性气动力ROM的仿真模型,和试验结果及CFD/CSD分析结果一致性较好,且所建模型在相同工况下的仿真时间远低于CFD/CSD分析方法...     

涵道气动优化设计方法

基于动量源方法进行涵道气动力的计算,分别采用响应面模型和基于神经网络模型对NASA涵道构型进行优化设计,并对优化结果采用CFD进行验证,优化结果表明两种优化方法均取得了一定的优化效果,悬停状态下,基于响应面方法,涵道拉力增加了19.4%,基于神经网络方法,涵道拉力增加了21.2%.并为了较为细致地研究涵道拉力产生的机理,在对涵道进行建模时,采用一种分区的方法,将涵道划分为6个区域,并得到了涵道拉力在此6个区域上的分布.计算结果表明:涵道唇口形成的负压是产生涵道附加拉力的主要因素,且靠近涵道内侧唇口提供的拉力占比重较大.该优化方法可以有效地应用于涵道外形的气动优化设计中.      

基于系统辨识技术的叶轮机非定常气动力建模方法

 为了快速获得不同刚度的叶轮机叶片颤振特性,提出了一种基于系统辨识技术的叶片排非定常气动力建模方法,分析了叶片气动阻尼随叶间相角差和固有频率的变化特性.该方法通过对多叶片通道的某一叶片单独施加一个扫频振动信号,求解一次非定常流场,得到叶片排上每个叶片的气动力响应,通过系统辨识,获得每个叶片的气动力频率响应.根据小扰动流的叠加原理,得到扫频范围内各固有频率下的叶片排所有叶片共同激励的气动力模型,由此进一步得到各个不同固有频率的所有叶间相角差下的气动阻尼.针对STCF4(Standard Test Configuration 4)算例,该方法的计算结果与直接采用计算流体力学(CFD)方法和直接采用谐振信号的降阶方法(ROM)得到的气动阻尼系数吻合得很好.该方法只需进行一次非定常CFD计算就能得到扫频范围内不同固有频率下的气动阻尼特性曲线,极大地提高了计算效率,方便了叶轮机设计初期的气动弹性稳定性参数分析.     

基于特征正交分解的跨声速流场重构和翼型反设计方法研究

在二维流场的重构问题中应用特征正交分解(Proper Orthogonal Decomposition,POD)数据处理方法。利用CFD技术计算得到的流场快照对气动力模型进行降阶,然后利用基于POD的降阶模型(Reduced Order Model,ROM)对所需的流场参数进行重构,在快照范围内可以得到高精度的结果,且具有一定的外插能力。在翼型反设计问题中该方法仍然是成功的,通过修正快照向量,利用基于POD降阶模型的数据重构方法,由已知的翼型表面压力分布通过反设计就能够高效精确地得到对应的最优翼型形状,这极大地简化了翼型反设计问题。本文分别在跨声速范围对RAE 2822翼型的流场重构和Korn翼型及NACA 63212翼型的反设计进行了验证,证明了基于POD的流场重构和翼型反设计方法的有效性和高效性。     

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

基于主动失谐优化的叶轮瞬态加减速振动抑制

提出了一种基于主动失谐优化的叶轮瞬态加减速振动抑制方法.首先建立了瞬态加减速激励下的叶轮降阶模型,获得了表征失谐对瞬态振幅影响的失谐放大因子.然后基于降阶模型,采用蒙特卡洛仿真快速计算了一系列瞬态激励下失谐放大因子的概率密度分布,结果表明:失谐放大因子在大多数瞬态激励下受到随机小失谐的影响大于在稳态激励下受到的影响,且...     

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

飞机大攻角非定常气动力建模与辨识

采用一阶微分方程描述由非线性非定常效应引起的气动力增量 ,从而建立了一种新的飞机大攻角非定常气动力数学模型。研究了模型在缓变运动下的线化形式和动导数表达式。讨论了模型参数的辨识问题。算例证实了所建立的气动力数学模型的正确性和所述模型参数辨识方法的有效性