混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法（SAGA）与可变容差法相结合，建立了数值优化设计中的混合遗传算法（HGA），并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比，混合遗传算法的优化质量略有改善，优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。     

基于N-S方程的翼型气动优化设计

本文简要回顾了气动优化设计的最新发展，并采用连续伴随方法对粘性条件下的翼型气动外形进行了优化设计。设计过程中，采用B样条曲线的控制顶点作为设计变量，通过求解伴随方程得到目标函数关系设计变量的梯度，最后用最速下降法和BFGS变尺度法对二维翼型进行了外形优化，验证了本方法直接、快速的设计能力。     

带缝翼多段翼型气动特性的实验研究

首先对测力和测压两种翼型的实验方法作了对比研究,在此基础上用测压法对多段翼型前缘缝翼气动特性进行了实验研究.结果表明,测力和测压两种方法均可用于翼型的实验研究,前缘缝翼缝道的不同构型对多段翼型的增升效果和气动效率(升阻特性)都有极大的影响.具有前缘缝翼最佳优化缝道多段翼型的最大升力系数CL max可达3.900,失速迎角α为31°,它比普通缝道多段翼型的最大升力系数(2.790)增加了39%,失速迎角增大了23°.     

径流及斜流压气机任意曲面叶型长短叶片的造型设计方法

发展了一套径流及斜流式叶轮机的任意曲面叶型长短叶片的造型方法,并在离心式压气机和斜流式压气机的设计中做了具体的应用。新发展了令叶片的厚度按三次样条函数沿流向分布的一种设计思想,得到了比较理想的叶片。同时在径流及斜流式压气机中使用分流叶片,引入了长短叶片的造型设计方法。通过CFD流场检验验证了这种叶片造型方法的可操作性和适用性。这为径流式以及斜流式叶轮机转子、静子的进一步气动优化设计奠定了基础。      

基于Wash-out滤波器技术的机翼颤振控制

研究应用wash-out滤波器技术对具有立方非线性俯仰刚度的二元机翼颤振的控制。首先,确定需要引入Hopf分岔的点,并在该点将原系统方程Jordan化;其次,对于引入的wash-out滤波控制器,先按Hopf分岔条件确定线性控制增益,再用规范型直接法得到受控系统的规范型,由分岔类型与规范型系数的关系确定非线性控制增益,从而将原系统的亚临界Hopf分岔变为超临界Hopf分岔;最后通过数值模拟验证了控制的有效性,并发现受控系统的颤振幅值（极限环大小）大大降低。     

基于遗传算法多段翼型外形优化设计

为提高多段翼型增升效能,开展襟翼外形和缝道参数同时优化设计研究。优化算法采用遗传算法,以求解RANS方程为气动特性分析方法,通过椭圆方程控制生成多段翼型外形,同时优化缝宽、搭接量、襟翼偏角等位置参数和襟翼外形控制参数,实现多段翼型优化设计。设计实践表明,与只优化位置参数相比,同时优化襟翼外形和位置参数得到的多段翼型有更大的升力系数,方法是可行的,具有一定的工程应用前景。     

基于流场计算的叶栅性能预测研究

通过对搜集到的损失和落后角模型进行优化筛选并修正,发展了一套基于S1流面计算结果的适用于亚音速叶型平面叶栅性能预测的组合模型。同时,考虑了轴向密流比对平面叶栅性能的影响,并验证了关于轴向密流比和落后角关联式的正确性。流场计算程序使用了S1流面无粘计算程序和附面层计算程序,更好地模拟了流场。通过计算与实验对比分析,验证了损失和落后角模型的有效性,为此类叶型的平面叶栅特性预测提供了数值计算技术。     

NACA0012翼型低雷诺数绕流的实验研究

通过水槽氧气泡流动显示和PIV测速实验研究了NACA0012翼型在雷诺数为8200时的流动特性,重点炎注了翼型绕流结构随迎角的变化。研究发脱：分离点和分离翦切层形成旋涡的位置随迎角的增大而向上游移动,同时翼型上表面流动分离后形成的回流区尺寸随着翼利迎角的增加而增大。当流动再附于翼型上表面时,在再附点附近能够观测到展向涡的三维演化过程,并能观测到展向涡的局部配对现象。     

一种基于计算几何控制无量纲参数的叶片造型方法

应用目前先进的自由曲线理论,开发了一种新的叶片造型方法——B样条控制中线角叶型(BMAA)方法。分别选取准均匀B样条和贝塞尔曲线,实现了对叶型中线和厚度的方便、灵活控制;同时综合考虑方便性与实用性,选取四点控制参数进行设计。分别利用BMAA方法与原有定制叶型、任意中线方法,对某单级压气机进行设计,结果表明:对于超/跨声叶片设计,BMAA方法设计的叶片性能略优于定制叶型;与任意中线叶型达到的性能相当,但叶型控制便捷性和叶型光滑性优于任意中线叶型。     

基于细菌觅食性的改进粒子群优化算法翼型设计

提出了一种基于细菌觅食性的改进粒子群优化算法。该算法以粒子群优化算法的社会模型为基础,添加了个体之间的交流项,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,同时,引入了细菌觅食算法中的趋化和驱散机制,使得算法能够有效地跳出局部最优。函数测试结果表明,该算法显著地提高了粒子群优化算法的寻优性能,并将该算法应用到了翼型设计之中。