基于多项式混沌法的翼型不确定性分析及梯度优化设计

耦合伴随方法和非嵌入式多项式混沌法,发展了高效、可靠的不确定性梯度优化设计方法。利用伴随方程法求解目标函数对不确定性变量的导数,发展了一种梯度增强型多项式混沌法。通过亚声速和跨声速下等多种算例可以证明该方法可以提高不确定性分析的效率和精度。同时,利用基于方差分解的全局敏感性分析方法对不确定性变量的敏感性进行了量化。建立了多项式混沌耦合伴随方程的统计矩梯度求解方法,并结合梯度增强型多项式混沌法搭建不确定性梯度优化设计系统。基于该优化设计系统对二维低亚声速和跨声速翼型开展确定性及不确定性优化设计研究。优化结果显示,相比于确定性优化设计,不确定性优化设计通过合理权衡确定性性能和不确定性性能,可提高抵抗马赫数和迎角不确定性扰动的能力,同时优化性能均值和标准差。其中阻力系数均值最大可降低17%,阻力系数标准差最大可降低80%。而确定性优化设计可能导致性能鲁棒性的降低。     

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法,设计了输入层结冰翼型图像规范,克服了复杂冰形在翼面同一位置法线方向存在多值,单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数,实现了直接从冰形图像到气动特性的快速预测,对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率,卷积层数增加会捕获更多高频特征量;增加卷积核数量可提取更多冰形特征,提升模型性能,但数量过多会增加冗余特征,降低模型泛化性能;阻力系数预测模型对卷积核数量的最低要求大于升力系数,其原因在于,相较升力系数,阻力系数不仅受翼面压差影响,还受摩阻特性影响,其建模所需的关键特征数量多于升力系数;增大卷积核尺寸,可扩大卷积操作“视野”,增强对冰形整体特征信息的提取,有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

基于神经网络的翼型优化设计方法研究

针对气动外形优化设计中,气动特性计算可信度要求与巨大计算量之间的矛盾,采用一种基于神经网络构建适用于气动外形优化设计的气动特性计算模型的计算方法.同时,以神经网络近似模型来代替原有的流场数值计算气动分析程序,结合基于遗传算法建立的气动外形优化搜索方法,建立了一种新的翼型优化设计方法.实际翼型优化设计算例表明该方法有效减少了计算量,提高了工作效率,可以获得具有高可信度的设计结果.     

基于深度学习的翼型反设计方法

建立了一种基于深度学习的翼型反设计方法,将翼型曲线及其对应的压力分布图像作为训练学习对象,建立其内在联系的模型,实现通过卷积神经网络提取压力分布图像的特征,计算获得翼型曲线。该方法直接将压力分布图像作为模型输入,更加直观简洁,同时避免了传统方法中耗时的数值计算过程。模型测试中,6 000组压力分布图像和翼型曲线用于模型训练,另外561组用于模型验证,验证耗时仅67 s,预测的翼型曲线与CFD计算结果的平均相对误差为055%。对比实验中,通过对压力分布曲线添加噪声、改变输出层尺寸等方式,进一步验证和分析了预测模型性能。结果表明该翼型反设计方法具有较高预测精度和较强鲁棒性,能在保证精度的情况下降低计算时间,提高设计效率。     

基于神经网络的翼型积冰预测

采用神经网络方法对翼型表面的积冰进行了预测研究.建立了一种型面曲线坐标系,通过坐标变换将积冰外形转化为几何曲线.利用傅立叶级数对此曲线进行拟合,实现积冰外形的参数化.以结冰条件作为输人,冰形参数作为输出构建神经网络,对NACA 0012翼型表面的积冰进行预测.通过将预测结果与实验结果以及数值模拟结果进行对比,说明所提出...     

典型翼型参数化方法的翼型外形控制能力评估

现代飞行器的精细化设计需求要求翼型参数化方法具有精准的翼型外形控制能力。依据标准的风洞模型公差要求,以五个典型翼型作为测试翼型,分别对Hicks-Henne参数化方法、样条参数化方法、PARSEC参数化方法和CST翼型参数化方法的翼型外形控制能力进行评估,依据每个翼型参数化方法的评估结果并结合其固有特点进行适应性分析。结果表明:四种翼型参数化方法对翼型外形的控制能力存在较大差别,具有不同的适用范围。评估典型翼型参数化方法的所得结果可指导设计人员依据具体的设计需求选择适当的翼型参数化方法。     

翼型的气动最优化设计方法和反设计方法

本文将数值优化方法同计算流体动力学(CFD)相结合,形成两种跨声速翼型的气动设计方法,即:最优化方法和反设计方法.采用求解Euler方程的有限体积法计算流场,通过结合优化算法,从正反两个方向对跨声速翼型进行气动优化设计.实例证明它们是翼型气动设计的有效方法,有较高的工程应用价值.     

基于DFFD技术的翼型气动优化设计

开展了直接操作自由变形（DFFD）技术在翼型参数化及翼型气动外形优化设计中的应用研究,应用该方法可以对翼型形状进行直接操纵和精细的局部修型,从而在一定程度上克服了自由变形（FFD）技术无法直接指定几何外形变形量的局限性。通过最小二乘模式根据翼型表面直接操作点的位移求解各个FFD控制点相应的位移,将翼型设计参数从FFD控制点转化为翼型表面的直接操作点,从而有效地减少了高阶FFD控制体进行翼型参数化时的设计参数个数。算例表明,相比于FFD方法,DFFD方法不仅具备直接操纵翼型几何外形的能力,更具物理直观性,并且比FFD方法具有更好的局部变形特性。运用该技术结合遗传算法对RAE2822翼型进行了气动减阻设计,显著减小了设计状态下翼型的阻力,并且可以有效施加如前后梁位置翼型厚度等工程实用的几何约束,证明了该方法的有效性。     

基于伴随方程的翼型数值优化设计方法研究

对Ｅｕｌｅｒ方程为流动模型的翼型绕流,在微分方程生成的网格中,以Ｂ样条控制顶点为设计变量,用连续伴随方程法对翼型气动外形进行数值优化设计。给出了两个亚声速的反设计算例,验证了该方法的可行性。     

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。      

神经网络在高空长航时无人机翼型多点优化中的应用

NSGAII算法在翼型多点设计中有着广泛的应用价值,然而其巨大的计算资源和计算成本限制了它的使用。为了解决这个问题,本文引入具有较强非线性映射能力的神经网络代理模型,采用实验设计结合BP法训练神经网络响应面来代替N-S方程求解翼型的性能。在实验点的数值模拟中,为了进一步节省计算资源,提高计算效率,采用网格的变形代替网格的重新划分,使得计算网格的更新速度提高了约50%。在翼型的参数化过程中,采用改进的PARSEC方法,用较少的参数实现了翼型的精确控制。为了增强神经网络的泛化能力,采用12-7-4-3-1的隐层结构。对NLF1015翼型的多点优化算例表明,此方法不仅显著降低了整个优化过程的计算量,而且对翼型的气动性能预测也具有较高的可信度,在高空长航时无人机的翼型设计中具有一定的潜力。     

基于粒子群算法的翼型优化设计

采用粒子群算法（PSO）对层流翼型进行了以提高升阻比为目标的优化设计。翼型的设计达到了设计要求,优化设计后的翼型气动特性也有显著地改善,这表明了粒子群算法应用于翼型气动优化设计的可行性。在优化设计的过程中,粒子采用递减惯性权重,以加强粒子初期的全局搜索能力与后期的局部搜索能力。翼型由解析函数线性叠加法表示,目标函数和粒子的适应度由基于二维欧拉方程的流场数值解来提供。     

利用试验设计法建立翼型气动特性的人工神经网络模型

建立了翼型气动特性预测的BP(Back Propagation)神经网络模型,重点研究了3种选取训练样本的试验设计(DOE)法:完全析因法、正交设计法和均匀设计法,对BP神经网络预测精度的影响,利用所建立的BP神经网络对FX63-137翼型几何型线进行了优化设计。研究结果表明:在因素数和水平数较少时,完全析因法、正交设计法及均匀设计法的平均测试误差分别为0.002%、0.029%、0.023%;在因素和水平数较多时,完全析因法的样本规模太大而不再适合,正交设计法和均匀设计法的平均测试误差分别为0.42%和0.15%,均匀设计法的预测精度更高,更适合于翼型气动特性预测的人工神经网络模型。优化后翼型的升阻比在迎角为0°~18°范围内均高于原始翼型,在迎角为1°、4°和15°时升阻比分别提高了4.38%、1.38%和5.51%。该研究方法及成果可以应用于翼型的多参数优化设计。     

基于遗传算法的翼型气动优化设计

采用遗传算法进行跨声速翼型的反设计与阻力和升阻比的优化设计。翼型的反设计达到了设计要求,优化设计后的翼型其气动特性也有显著的改善,这表明了遗传算法应用于翼型气动优化设计的可行性。在优化设计的过程中,翼型由解析函数线形叠加法表示,目标函数和个体的适应值由二维欧拉方程的流场解来提供。     

基于卷积神经网络对磁异常信号的识别研究

航空磁探反潜作为航空反潜的重要手段,在其中发挥了重要作用。针对目前航空反潜作战中,磁干扰信号极大地影响对水下目标磁探测效果这个问题,文章先对输入信号进行预处理,并使用卷积神经网络实现对2种信号的识别。实验结果显示,卷积神经网络的方法对信号的识别率达到了85%,能够有效对信号进行准确地识别。     

基于BP神经网络的翼型空气动力系数预测

本文介绍了BP神经网络的基本原理,建立了面向BP神经网络预测模型,对翼型的升力系数和阻力系数进行预测,并与风洞试验数据对比分析。结果表明,神经网络的预测精度很高,与试验数据的误差是可以接受的,验证了BP神经网络预测空气动力系数的可行性。     

基于区域的卷积神经网络在空对地车辆检测中的应用

针对传统空对地车辆检测算法在光照变换、场景变化时检测效果不佳的问题,提出了基于区域卷积神经网络Faster RCNN模型的空对地车辆检测方法,介绍了Faster RCNN模型以及模型训练过程.实验结果表明,基于Faster RCNN的空对地车辆检测方法是可行的,对不同光照和场景下的车辆检测可以取得较好的效果.     

基于社会模型改进粒子群算法的翼型优化设计

为了解决粒子群算法在寻优过程中全局最优和局部最优的矛盾,通过在粒子群算法优化过程中引入鱼类的聚群行为,发展了一种基于社会模型的改进粒子群算法。算法以粒子可视范围的不同用法为基础,提出了两种不同的优化策略,同时探讨了种群规模等参数对算法性能的影响,并通过函数测试结果证明了两种优化策略的有效性和不同的优化特性。将改进的优化算法应用在翼型的气动优化中,显著改善了翼型气动特性,提高了算法的全局搜索能力,取得了良好的优化效果。