[發明專利]一種基于神經網絡的超臨界翼型抖振優化方法

有效

• 申請號: 202111266475.1
• 申請日: 2021-10-28
• 公開（公告）號: CN114021492B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 屈峰;付俊杰;孫迪;葉政茂;白俊強
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/27;G06N3/04;G06N3/08;G06F111/04;G06F113/08;G06F119/14
• 代理公司: 西安匠星互智知識產權代理有限公司 61291
• 代理人: 陳星

1.一種基于神經網絡的超臨界翼型抖振優化方法，其特征在于，包括如下步驟：

步驟1：計算待優化翼型的抖振始發攻角α_onset和抖振完全建立攻角α_established；

步驟1-1：生成待優化翼型的計算網格；對待優化翼型進行定馬赫數、不同攻角下的定常CFD數值模擬得到定常CFD計算結果，采用升力線線性段斜率變化0.1的方法進行抖振邊界的預估；

步驟1-2：在預估的抖振邊界的±0.5°范圍內，以固定步長進行加點非定常計算，根據非定常計算結果，得到待優化翼型的抖振始發攻角α_onset和抖振完全建立攻角α_established；待優化翼型抖振完全建立攻角下的升力系數時均值待優化翼型抖振完全建立攻角下的阻力系數時均值待優化翼型抖振完全建立攻角下的俯仰力矩系數時均值以及待優化翼型抖振始發攻角下的升力系數時均值待優化翼型抖振始發攻角下的阻力系數時均值待優化翼型抖振始發攻角下的升力系數PSD的峰值

步驟2：生成樣本，計算樣本數據庫，建立神經網絡模型；

步驟2-1：對待優化超臨界翼型，采用自由變形FFD方法進行幾何參數化；建立一個完全包圍待優化超臨界翼型的FFD框，選取FFD框上各點的縱向y_i,i＝1…n坐標的改變量△y_i,i＝1…n為設計變量；

步驟2.2：以△y_i,i＝1…n為設計變量形成抖振優化的設計空間，利用拉丁超立方采樣方法在設計空間中進行采樣生成一系列的超臨界翼型作為翼型樣本，構成翼型幾何庫；

步驟2-3：對步驟2-2中得到的翼型幾何庫中的所有翼型樣本生成計算網格，進行抖振始發攻角α_onset和抖振完全建立攻角α_established下的非定常CFD數值模擬，得到翼型樣本的力系數和力矩系數曲線；將每個翼型樣本對應的FFD框的y坐標改變量△y_i,i＝1…n、每個翼型樣本的抖振始發攻角α_onset和抖振完全建立攻角α_established下的升力系數曲線的功率譜分析PSD的峰值、升力系數時均值、阻力系數時均值、力矩系數時均值作為每個翼型樣本的樣本數據集，用于神經網絡模型的訓練；

步驟2-4：采用多層感知器神經網絡搭建神經網絡模型，分別建立針對抖振始發攻角α_onset和抖振完全建立攻角α_established的兩個神經網絡模型；

對于針對抖振始發攻角α_onset的神經網絡，以步驟2-3中得到的樣本數據集中翼型樣本對應的FFD框的y坐標改變量△y_i,i＝1…n為神經網絡的輸入，神經網絡的輸出為抖振始發攻角α_onset下的升力系數曲線的功率譜分析PSD的峰值、升力系數時均值、阻力系數時均值、力矩系數時均值；

對于針對抖振完全建立攻角α_established的神經網絡，以步驟2-3中得到的樣本數據集中翼型樣本對應的FFD框的y坐標改變量△y_i,i＝1…n為神經網絡的輸入，神經網絡的輸出為抖振完全建立攻角α_established下的升力系數曲線的功率譜分析PSD的峰值、升力系數時均值、阻力系數時均值、力矩系數時均值；

訓練神經網絡模型：將樣本數據集按一定比例分為訓練集和測試集，以網絡輸出的均方根誤差作為損失函數，利用Adam優化算法對神經網絡進行迭代優化，優化目標為損失函數最小，直至訓練樣本數據集的損失函數不再降低，完成訓練；

步驟3：設定優化問題，基于神經網絡模型進行抖振優化；

步驟3-1：設定優化問題：優化目標為抖振完全建立攻角α_established下抖振幅度最小，優化的設計變量為翼型FFD框的y坐標改變量△y_i,i＝1…n，優化的約束條件為力約束、力矩約束和翼型厚度約束；優化問題用如下數學表達式表示：

min peak_psd

其中：

peak_psd為抖振完全建立攻角下的升力系數的功率譜分析PSD的峰值，即優化中采用的抖振幅度判別標準；

C_{L-established}為訓練完成的神經網絡模型輸出的抖振完全建立攻角下的升力系數時均值；

C_{d-established}為訓練完成的神經網絡模型輸出的抖振完全建立攻角下的阻力系數時均值；

C_{m-established}為訓練完成的神經網絡模型輸出的抖振完全建立攻角下的俯仰力矩系數時均值；

C_L-onset為訓練完成的神經網絡模型輸出的抖振始發攻角下的升力系數時均值；

C_d-onset為訓練完成的神經網絡模型輸出的抖振始發攻角下的阻力系數時均值；

peak_psd_onset為訓練完成的神經網絡模型輸出的抖振始發攻角下的升力系數PSD的峰值；

t為翼型的最大厚度；

步驟3-2：根據步驟2-4得到的兩個神經網絡模型的輸出，采用遺傳算法NSGA-II進行優化問題的求解，設定最大優化代數Gen_max和每一代子群的數目num，當優化代數Gen達到最大，優化終止。