用灵敏度法辨识热传导系数及热流参数

利用灵敏度法对一维热传导问题中的热传导系数和热流参数进行了辨识。其中,对热传导方程和灵敏度方程的求解采用具有较高精度的有限控制体积法（ＦＣＶ）;对目标函数的优化采用牛顿－拉夫逊（Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ）算法。仿真计算的结果表明：用灵敏度法处理热传导参数和热流参数的辨识问题是可行的、有效的。     

非线性热传导逆问题的表面热流辨识方法

当材料的热物性参数随温度变化时,其内部的热传导方程是一非线性偏微分方程,对应的热传导逆问题称为非线性热传导逆问题。本文建立了非线性热传导逆问题的两种表面热流辨识方法:顺序函数法和共轭梯度法,介绍了这两种辨识方法的基本思想和具体算法推导,并针对典型算例进行了仿真辨识,结果表明:两种辨识方法虽然在算法构造、计算效率方面存在一定的差异,但都能给出较好的辨识结果,并且算法受测量噪声的影响较小,具有较好的鲁棒性。     

考虑高耗时约束的追峰采样智能探索方法

针对现代飞行器设计等工程优化问题中面临的约束高耗时难题,在标准追峰采样（MPS）方法的基础上,提出了一种基于过滤器的MPS-DCP设计空间智能探索方法（FMPS-DCP）,训练径向基函数网络预示高耗时目标函数与约束条件响应,利用KS方程聚合高耗时约束并根据过滤器思想筛选优质简单样本点,定制了一套新增样本点选择策略引导优化过程快速向全局可行最优解收敛,从而提高了求解高耗时约束优化问题的效率。采用一组标准约束测试算例验证FMPS-DCP方法的性能,并与CiMPS、Extended ConstrLMSRBF、ARSM-ISES和KRG-CDE智能探索方法进行对比。结果表明,FMPS-DCP在优化效率与鲁棒性方面具有显著的性能优势。最后,通过全电推进卫星平台多学科设计优化案例,验证了FMPS-DCP的工程实用性。     

全变差正则化方法对一类热传导反问题的应用

热传导终端反问题是典型的不适定问题,应用基于全变差的正则化方法来获得它的稳定数值解,将近似解的求解范围由连续函数空间扩大到了有界变差函数空间,并将固定点迭代法用于求解非线性的Euler方程,并进行了理论分析和数值实验。结果表明:该方法与算法具有高效稳定全局收敛等优点。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

一种基于云模型优化的飞行器参数辨识算法

极大似然估计方法(ML)在飞行器参数辨识中得到了广泛应用,该方法需要预先推导灵敏度方程,进而求解灵敏度矩阵,在应用过程中比较繁杂,且容易陷入局部最优。提出一种基于云模型优化的飞行器参数辨识算法,根据极大似然估计原理,利用云模型的优化理论对极大似然函数进行优化,从而得到待辨识参数值。该算法不必推导灵敏度矩阵,对初值要求不高,应用便捷,且保留了云模型优化的特点,收敛速度较快、不易陷入局部最优。以Twin Otter飞机为例对算法进行验证。结果表明:算法易于实现、辨识结果精度较高、收敛速度较快,不易陷入局部最优。     

一种无条件稳定的时域推进法与有限元混合分析瞬态热传导问题

本文将一种新的无条件稳定的时域推进法与有限元结合,用于分析瞬态热传导问题。根据微-积分型热传导控制方程,对时间变量在小区闻内插值积分,变初-边值问题为一系列离散时刻的边界值问题,再应用有限元法求解之。由于推进中的每一时刻的解,都严格满足原给定的初始条件,就消除了累积误差的影响。此外,这种时域推进法对时间变量的数值积分也优于数值微分。因而,与现行的基于微分型控制方程,采用时-空有限元模型同时离散,再逐步求解的直接积分算法相比,计算精度可大大提高。不难预料,当求解较长时间后的瞬态值时,本算法的优越性会更加明显。     

基于样本映射与动态Kriging的飞行器离散连续优化方法

针对复杂飞行器系统离散连续混合优化计算成本高、全局收敛性差等问题,提出了一种基于样本映射与动态Kriging的离散连续优化方法（SMDK-DC）。该方法采用Kriging代理模型代替高耗时仿真模型以降低计算成本,并定制一种基于综合曼哈顿距离准则的样本点映射机制,在连续-离散空间内高效生成满足均布性要求的真实样本点。将期望改善度准则与重点采样空间方法相结合,辨识优质新增样本点,持续动态更新Kriging,引导离散连续优化过程快速收敛。标准数值算例测试结果表明,与SOMI、NOMAD等国际同类方法相比,SMDK-DC方法在全局收敛性与鲁棒性方面具有显著优势。使用该方法求解固体火箭发动机多学科设计优化问题,优化方案在满足燃烧室、内弹道等学科约束条件前提下,使得发动机总冲提升12.92%以上,且优化收益较SOMI方法提高1.71%,从而验证了本文工作的有效性与工程实用性。     

利用温度测量结果反演三维热传导问题中热源项的算法研究

利用表面温度测量来反演热传导问题中的热源项是一类典型的热传导逆问题，在采用有限体积法对三维稳态热传导问题进行数值求解的基础上，将该热传导逆问题转化为优化问题，基于灵敏度分析建立了反演算法。采用该算法对一典型算例的计算结果表明：建立的算法是有效的，具有较好的抗噪性能。此外，对反演算法中计算收敛准则的选取进行了较深入的分析，结果表明，由于热传导逆问题的不适定性，优化过程中目标函数值越小并不意味着反演结果与真值更为接近，可以通过设定合适的收敛准则来模拟正则化项的作用，克服不适定性的影响。     

一种扑翼飞行器气动参数的辨识方法

针对实际飞行中无法直接测量的扑翼飞行器气动参数辨识问题,结合刚体六自由度模型,提出一种基于迭代学习和人工鱼群法的扑翼飞行器隐式气动参数辨识方法。鉴于扑翼飞行器飞行试验中待辨识气动参数值难以直接测量、导致一般辨识算法中梯度难以求解的问题,提出基于摄动法的梯度方向寻优方法。考虑到待辨识参数数量及辨识结果对参数初始值的敏感性,该方法采用人工鱼群算法优化计算待辨识参数初始值。且针对迭代过程中损失函数易陷入局部最优和优化速度受限问题,采用变学习因子迭代学习策略。试验结果表明,所提出的算法能有效估算出扑翼飞行器气动参数。