机器学习在湍流模型构建中的应用进展

借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。     

跨声速飞机高可信度多设计点多约束气动优化设计技术研究

本文目的是研究和开发工程实用的高可信度数值优化设计技术,并应用于先进跨声速飞机机翼的三维气动外形优化设计。本文综合应用了自由几何变形(FFD)几何外形参数化方法、弹簧比拟非结构网格变形方法、基于RANS方程的高可信度计算流体力学(CFD)分析方法、径向基函数(RBF)代理模型方法、粒子群寻优(PSO)方法等技术,分别对NASA CRM模型、航空工业设计的W2机翼模型展开了单设计点和多设计点的三维气动外形优化设计。通过对单设计点优化设计后的CRM翼身组合体、双设计点优化设计后的W2机翼模型气动外形进行详细的气动分析,发现优化后的CRM翼身组合体、W2机翼模型相对初始外形气动性能得到显著改进,证实了数值优化设计技术应用于先进跨声速飞机机翼三维气动外形设计的有效性。同时证实了开发的数值优化设计技术和工具的正确性和实用性。     

神经网络及其应用

简要介绍了神经网络的基本理论,初步论述了神经网络的存储与计算能力、自学习能力及其冗余容错特性,阐述了神经网络研究的意义,探讨和分析了神经网络的应用前景。     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于两层POD和BPNN的翼型反设计方法

翼型优化过程需要大量的 CFD 分析,计算量大、耗时长。本文发展基于本征正交分解（POD）和反向传播神经网络（BPNN）的翼型反设计方法,该方法的优化过程如下：首先,通过 Hicks-Henne 参数化,在设计空间中构造翼型外形的样本库,并利用 Xfoil/Fluent 对样本翼型的流场进行求解;然后,对翼面压力系数和几何外形分别建立 POD 模型,即两层 POD 模型,并得到对应的基模态系数;最后,使用 BPNN 建立从压力系数的基模态系数到几何外形的基模态系数的映射,实现在给定压力系数下对几何外形的快速预测。通过算例分析,结果表明：在亚/跨声速状态,基于 200 个样本训练所得的两层 POD+BPNN 模型可以实现对具有目标压力系数分布的翼型的预测,其精度满足翼型反设计要求。     

计算机视觉与神经网络

人类视觉的研究成果启发了人们对计算机视觉的改进,神经网络技术的发展为机器人视觉建立了实用的基础,使机器人具有相当强的视觉能力。研究一个实用结构,实现视觉神经网的不变性和联系性。     

一种使用RBF网络的自适应滑模控制器

针对实际系统易受未知非线性、外界干扰和参数摄动等不确定因素影响的问题,以高精度模拟转台为例,采用一种基于RBF(Radial Basis Function)网络的自适应滑模控制器.控制器由名义反馈控制器和滑模干扰补偿器两个子系统组成.反馈控制器通过极点配置的方法实现,用来稳定名义系统.干扰补偿器使用一个自适应RBF网络在线辨识不确定性的上界值.计算机仿真结果表明了该法的鲁棒性和有效性.     

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

真实感DVE时空一致性技术

传统的一致性解决方案大多将重点放在构建完全一致性模型,缺少对虚拟环境本身运动规律的分析.从认知虚拟环境客观规律出发,提出基于真实感的一致性模型,遵从以人为本的原则,构建描述分布式虚拟环境下时空一致的数学模型,判断虚拟环境下的节点是否达到时空一致,并加以验证.在充分利用一致性模型的基础上通过单向数据传输减少时间扭曲后的回滚节点数目,增强用户沉浸感;利用时延神经网络对大于传输延迟上限的节点状态进行预测;完成节点的状态修复,从而保证时空同步一致.经过独立实验测试,验证了模型的有效性以及解决方法的可行性.