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。     

雷诺数对涡扇发动机性能及稳定性影响

综合了Wassell方法和经验数学模型两种雷诺数修正方法,对风扇、压气机、高低压涡轮的部件特性进行了雷诺数修正。运用修正后的部件特性分别对3种涡扇发动机进行了性能计算,定量计算出了雷诺数对涡扇发动机性能的影响程度。计算结果表明:在低空区雷诺数对涡扇发动机性能和稳定性影响可以忽略不计;但在高空低速区,雷诺数对涡扇发动机性能和稳定性影响显著;涡轮前总温剧烈升高;推力增大3%～6%、耗油率增大8%～10%;稳定裕度下降19%～39%。因此在高空低速区航空发动机性能数值模拟必须考虑部件特性雷诺数的影响。      

航空发动机性能差异问题的故障部件快速检验方法

提出了一种航空发动机性能差异问题的故障部件快速检验方法.该方法以部件特性曲线为基础,可以快速检测出航空发动机各部件的自身特性变化而排除由于其它部件性能变化引起的工作线变动带来的影响,从而快速判断出故障的部件.该方法特别适用于仿制发动机与原型发动机性能变化原因的查找.      

涡轮风扇发动机接通加力过程的数值模拟

发展了一种低涵道比混合排气加力涡轮风扇发动机接通加力时的数值模拟方法。该方法考虑混合室加力燃烧室、主燃烧室和外涵道的容积效应,风扇、压气机、高压和低压涡轮等部件的特性,加力燃烧室供油管的充油时间。以混合室加力燃烧室、主燃烧室和外涵道3个容积室的动态方程为基础,用很小的时间步长逐渐逼近,计算不需要迭代,速度快,精度满足工程要求。      

气冷涡轮叶片三维换热问题计算

建立了三维气冷涡轮叶片换热计算的热-流耦合计算模型, 将辐射热量作为源项加入到方程中, 采用热-流耦合方法完成了某气冷涡轮叶片带辐射的三维换热计算.辐射热量的计算采用了P-1辐射模型, 比较了计算辐射和不计辐射时叶片表面的温度值及温度分布的差异.计算表明对于1600 K这样的高温燃气, 辐射热量不可忽略, 考虑辐射热量后, 叶片温度明显升高, 温度分布也产生了显著差异.      

基于部件特性未知的航空发动机故障诊断技术

以航空发动机部件通用特性为基础运用单纯形优化方法,发展了一种预测发动机部件特性的自适应模型方法。并以此为基础运用气路分析原理,选取表征发动机性能参数变化的症兆变量和测量参数,建立了发动机故障诊断小偏差方程。诊断结果表明:症兆变量的选取和相对变化值大小对故障诊断误差有决定性的影响,其值的选取应以门限值1/3为最佳;故障诊断模型症兆变量与实际故障症兆变量变化值相对误差控制在5%内,且不会对故障类型的判断产生影响;故障诊断模型在已知的检验结果内无误诊现象。      

两种涡扇发动机部件特性自适应模型对比

发展了航空发动机自适应模型．并对以两种优化算法为基础的自适应模型进行了对比分析。两种模型以通用特性为基础运用优化方法,以发动机主要性能参数和过程参数偏差函数最小为优化目标,以部件特性耦合因子为被优参数,可以预测出不同飞行条件下的发动机风扇、压气机、燃烧室、高压涡轮、低压涡轮等部件特性。运用单纯形和遗传算法为基础的自适应模型对某型涡扇发动机性能的计算结果表明：相对于单纯形算法模型．遗传算法模型对发动机主要性能参数和过程参数的计算偏差降低了20％～30％;对发动机各截面总温、总压计算偏差降低了15％～20％;遗传算法模型相对于单纯形模型具有更为宽广的自适应模拟范围。对某型已知部件特性的涡扇发动机模拟结果显示．遗传算法模型部件特性模拟结果与已知部件特性差别甚微。