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。     

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。     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

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.     

一种高泛化能力的神经网络气动力降阶模型

神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足。针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测。采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小。训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号。算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强。     

大迎角非定常气动力建模方法研究

以战斗机俯仰机动为例,建立了飞机大迎角非定常气动力模型,包括非线性代数模型、Fourier函数分析模型、状态空间模型、差分方程模型以及模糊逻辑模型.并用SDM标模大振幅俯仰振荡非定常气动力风洞试验数据对模型参数进行了辨识,验证了模型的有效性.从模型物理意义、参数辨识难易程度及模型通用性和精确度等方面对几种非定常气动力模型进行了比较研究.     

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。     

Reduced order model for unsteady aerodynamic performance of compressor cascade based on recursive RBF

Based on Recursive Radial Basis Function (RRBF) neural network, the Reduced Order Model (ROM) of compressor cascade was established to meet the urgent demand of highly efficient prediction of unsteady aerodynamics performance of turbomachinery. One novel ROM called ASA-RRBF model based on Adaptive Simulated Annealing (ASA) algorithm was developed to enhance the generalization ability of the unsteady ROM. The ROM was verified by predicting the unsteady aerodynamics performance of a highly-loaded compressor cascade. The results show that the RRBF model has higher accuracy in identification of the dimensionless total pressure and dimensionless static pressure of compressor cascade under nonlinear and unsteady conditions, and the model behaves higher stability and computational efficiency. However, for the strong nonlinear characteristics of aerodynamic parameters, the RRBF model presents lower accuracy. Additionally, the RRBF model predicts with a large error in the identification of aerodynamic parameters under linear and unsteady conditions. For ASA-RRBF, by introducing a small-amplitude and high-frequency sinusoidal signal as validation sample, the width of the basis function of the RRBF model is optimized to improve the generalization ability of the ROM under linear unsteady conditions. Besides, this model improves the predicting accuracy of dimensionless static pressure which has strong nonlinear characteristics. The ASA-RRBF model has higher prediction accuracy than RRBF model without significantly increasing the total time consumption. This novel model can predict the linear hysteresis of dimensionless static pressure happened in the harmonic condition, but it cannot accurately predict the beat frequency of dimensionless total pressure.     

飞翼布局隐身翼型优化设计

针对飞翼布局设计中气动与隐身设计矛盾更为突出的问题,采用高精度气动和隐身计算方法,建立了基于Parsec参数化方法、径向基函数（RBF）神经网络、Pareto遗传算法和松散式代理模型管理方法的翼型多目标优化设计平台。根据飞翼布局内外翼不同功能和特点,确定了内外翼翼型不同的优化设计目标和约束条件,开展了兼顾气动与隐身性能要求的翼型综合优化设计研究。结果表明：对兼顾气动与隐身性能要求的飞翼布局,内翼段翼型主要通过弯度、前缘半径、尾缘角及厚度等设计,减小低头力矩和重点方位角的雷达散射截面（RCS）均值。外翼段翼型上表面的几何形状对跨声速气动效率的影响很大,应通过上表面设计提高跨声速气动效率,重点方位角RCS均值的减小则通过下表面设计实现。某些翼型参数对气动和隐身性能均有较大影响,但作用相反,应作为综合优化设计的主要设计参数,并采用不同的优化设计策略。Pareto方法给出的前沿阵面可为飞翼布局的三维设计提供更丰富的信息。     

Stall flutter prediction based on multi-layer GRU neural network

The modeling of dynamic stall aerodynamics is essential to stall flutter, due to the flow separation in a large-amplitude pitching oscillation process. A newly neural network based Reduced Order Model (ROM) framework for predicting the aerodynamic forces of an airfoil undergoing large-amplitude pitching oscillation at various velocities is presented in this work. First, the dynamic stall aerodynamics is calculated by solving RANS equations and the transitional SST-γ model. Afterwards, the stall flutter bifurcation behavior is calculated by the above CFD solver coupled with structural dynamic equation. The critical flutter speed and limit-cycle oscillation amplitudes are consistent with those obtained by experiments. A newly multi-layer Gated Recurrent Unit (GRU) neural network based ROM is constructed to accelerate the calculation of aerodynamic forces. The training and validation process are carried out upon the unsteady aerodynamic data obtained by the proposed CFD method. The well-trained ROM is then coupled with the structure equation at a specific velocity, the Limit-Cycle Oscillation (LCO) of stall flutter under this flow condition is predicted precisely and more quickly. In order to predict both the critical flutter velocity and LCO amplitudes after bifurcation at different velocities, a new ROM with GRU neural network considering the variation of flow velocities is developed. The stall flutter results predicted by ROM agree well with the CFD ones at different velocities. Finally, a brief sensitivity analysis of two structural parameters of ROM is carried out. It infers the potential of the presented modeling method to depict the nonlinearity of dynamic stall and stall flutter phenomenon.     

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.     

大振幅非定常实验数学模型与动导数仿真实验

本文通过对大振幅非定常实验数据进行处理,采用Ｄｕｈａｍｅｌ积分方法,可获取模型迎角按任意 规律变化时的非定常空气动力,并在此基础上,发展了一种从大振幅实验获得小振幅导数的新方法。     

无人机栖落机动建模与轨迹优化

对固定翼无人飞行器栖落机动的纵向运动进行了气动特性建模与轨迹优化设计。通过运动捕捉系统测量获得试验滑翔机实时飞行数据,并结合统计学原理和平板气动理论建立了气动模型和动力学模型。针对所建立的模型采用GPOPS优化工具箱设计了栖落机动标称轨迹。优化结果表明,不同初始速度条件下执行栖落机动的空间需求不同,但最终都可以实现以相同的栖落速度落到同一位置。     

基于卷积神经网络和多项式混沌方法的翼型鲁棒性优化

在常规的翼型优化设计方法中,设计点处最优翼型的气动性能会在非设计点处有所恶化,因此有必要对翼型鲁棒性优化方法进行研究。提出一种基于卷积神经网络和多项式混沌方法的翼型鲁棒性设计方法,首先搭建基于卷积神经网络的气动力预测模型;其次采用多项式混沌方法对马赫数和攻角进行不确定度量化,构建翼型鲁棒性气动优化设计系统;最后对以 RAE2822 翼型为基准翼型的气动优化设计问题进行优化设计验证。结果表明：本文提出的翼型鲁棒性设计方法可行,优化后翼型的气动性能和鲁棒性气动优化设计效率在较宽的设计范围内都有所提升。     

Aerodynamic Modeling and Parameter Estimation from QAR Data of an Airplane Approaching a High-altitude Airport

Aerodynamic modeling and parameter estimation from quick accesses recorder (QAR) data is an important technical way to analyze the effects of highland weather conditions upon aerodynamic characteristics of airplane. It is also an essential content of flight accident analysis. The related techniques are developed in the present paper, including the geometric method for angle of attack and sideslip angle estimation, the extended Kalman filter associated with modified Bryson-Frazier smoother (EKF-MBF) method for aerodynamic coefficient identification, the radial basis function (RBF) neural network method for aerodynamic modeling, and the Delta method for stability/control derivative estimation. As an application example, the QAR data of a civil airplane approaching a high-altitude airport are processed and the aerodynamic coefficient and derivative estimates are obtained. The estimation results are reasonable, which shows that the developed techniques are feasible. The causes for the distribution of aerodynamic derivative estimates are analyzed. Accordingly, several measures to improve estimation accuracy are put forward.