面向民机标模的宽域高雷诺数小样本气动建模方法研究

目前飞行雷诺数下复杂工况地面试验需要的运行成本极高,高雷诺数流态下的试验数据少而稀,变雷诺数气动力精确模化存在严重的数据不均衡和小样本问题,因此,气动仿真精度亟待提升。为解决变雷诺数气动力获取成本与模型精度之间的矛盾,聚焦后续飞行器设计的降本增效,以CHN-T1运输机标模为研究对象,通过数据融合和信息迁移两大策略,降低了预测模型对高雷诺数样本的依赖,实现了宽域高雷诺数小样本气动特性的快速预测。本研究利用覆盖亚跨声速、百万至千万量级变雷诺数下的18条气动力曲线构建了宽域变雷诺数气动数据集,设计了涵盖不同速域、雷诺数和马赫数外插等多种复杂度的算例进行分析验证,将仅利用单一来源试验数据构建的模型精度作为基准,对比了不同方法的特点。结果表明,利用10条左右的高精度气动力曲线作为建模数据时,采用基于神经网络的数据融合方法得到的气动预测模型均方根误差可降低50%以上,信息迁移方法得到的气动力预测模均方根误差也可降低至少40%。

强风干扰下固定翼无人机“元飞行”气动建模研究

强风干扰下的复杂空气动力学给固定翼无人机的安全稳定飞行带来了严峻挑战。为提高强风干扰下固定翼无人机的环境适应能力,发展了一种创新的“元飞行”气动建模方法。不同于传统气流系下的气动建模,“元飞行”气动建模是一种元方法论建模技术,其采用易于测量的飞行器相对于地面坐标系的运动变量进行描述,通过隔离实际飞行中难以观测到的风干扰影响,基于高阶泰勒展开多元函数变量分解理论,构建仅与无人机自身特性相关、不同风况条件下通用的固定翼无人机空气动力共性基函数解析模型,结合在线辨识的风干扰系数函数,进而实现对飞行器飞行过程中气动力(矩)的预测。研究表明文章发展的“元飞行”气动模型可以良好地预测未知风况下固定翼无人机的气动力(矩),为实时空气动力学建模的实现奠定了良好基础。

通航飞机气动建模方法介绍

飞行模拟器在飞行员培训中扮演着重要的角色。鉴定合格的飞行模拟机能够有效降低飞行员训练的成本和风险。适用模拟器进行飞行训练效果取决于模拟器的逼真度。另外,飞行模拟器还可以用于飞机设计制造,在设计初期通过模拟器验证飞机的设计是否合理有效,进而降低飞机研制的成本。针对通航固定翼飞机,基于风洞试验和工程设计数据,介绍一种气动建模的方法。

考虑强风干扰的固定翼飞行器“神经元”飞行气动建模

大气环境中的风是影响飞行器实际飞行的主要动态环境干扰因素之一,强风干扰下的复杂空气动力学是固定翼飞行器安全稳定飞行面临的严峻挑战。为提高强风干扰下固定翼飞行器的环境适应能力,发展了一种基于深度元学习的创新固定翼飞行器“神经元”飞行气动建模方法,该方法采用相对于地面坐标系的变量进行描述,根据多元函数的切比雪夫级数理论,将气动力和气动力矩函数分解为不同变量函数的乘积和,通过生成对抗网络技术构建强风干扰下飞行器空气动力模型的共性基函数模型,进而预测飞行器在飞行过程中受到的气动力(矩)。研究结果表明,文章建立的固定翼无人机空气动力共性基函数模型准确,可以较好地预测未知风况条件下飞行器的气动力与气动力矩,为实时空气动力学建模的迁移应用奠定良好基础。

基于飞行数据多重分区的高机动飞机气动建模及参数辨识

在准定常假设下,飞机在大迎角或大幅机动飞行时,其气动特性呈现非线性特点.常用基于配平状态下小幅机动飞行辨识所得的线性气动模型已不再适用.为解决这一问题,提出一种飞行数据多重分区方法,通过各区间的局部线性化以表征气动特性的全局非线性.各区间中,针对气动力和力矩系数的静态项、动导数项及控制导数项进行泰勒级数展开,提出一种通用气动模型,并利用最小二乘类方法辨识各项气动参数.根据某现代战斗机仿真飞行试验数据,辨识相关气动参数并与真实值进行比较,结果表明两者吻合较好.试验结果验证了所述飞行数据多重分区方法和通用气动模型的有效性.

火星旋翼气动建模与分析

针对火星大气环境下旋翼的气动建模问题开展了研究。首先,从火星大气环境研究入手,采用黏性涡粒子方法建立了火星大气环境下置信度较高的六旋翼无人机旋翼气动模型。然后,对火星不同大气密度、不同飞行状态下的旋翼气动性能与流场特征进行了分析。研究结果表明:在悬停和前飞状态下,火星多旋翼无人机旋翼的消耗功率均随火星大气密度的降低而增加,且在低密度区域增幅更加明显;在火星较低的大气密度下,为了满足拉力需求,旋翼桨尖涡增强,使得诱导速度增加,从而导致了旋翼消耗功率的增加。

过失速重新定向机动过程气动特性建模

以过失速重新定向技术为基础的自翻转越肩飞行器与传统越肩发射飞行器相比,具有响应时间短、机动性能高、射程远等优势。本文针对飞行器过失速重新定向机动过程,基于CFD动态计算数据分析了该过程中的飞行器气动特性,通过改进微分方程模型成功描述了机动过程中的迟滞环效应,同时验证了最小二乘支持向量机方法在此建模问题中的适用性。本文的建模方法可以准确捕捉飞行器过失速重新定向机动过程中的非线性非定常气动特性,为飞行器过失速重新定向机动控制律设计提供模型基础。

结合系统辨识和迁移学习的高速旋转弹气动力建模方法

计算流体动力学与刚体动力学(Computational Fluid Dynamics and Rigid Body Dynamics,CFD/RBD)耦合仿真是旋转弹飞行性能评估的常用方法之一,但由于需要进行大量CFD计算,该方法效率较低。建立一个高效、精确且泛化能力强的气动力模型并以之替代耦合仿真中的CFD模块,可以大幅度提升仿真效率。针对前述旋转弹气动力建模问题,提出一种结合系统辨识和迁移学习的建模方法。给定旋转弹运动初始条件并采用CFD/RBD耦合仿真获得样本,采用自回归滑动平均方法建立原始气动力模型,同时采用长短时记忆网络建立状态预测模型。当初始条件变化不大时,原始气动力模型仍然适用;当初始条件发生较大改变时,利用迁移学习将状态预测模型迁移到该初始条件下,并预测相应初始条件下的状态参数,基于预测得到的状态参数,采用自回归滑动平均方法建立气动力模型。算例结果表明:所提方法适用于初始转速和俯仰角变化较大时对旋转弹气动力的精确建模;与直接以CFD/RBD耦合仿真结果为样本、采用自回归滑动平均方法建模相比,在精度相同时建模时间缩短了一半。

基于数据同化方法修正RBF神经网络的高维气动力建模预测

通过数据同化方法修正径向基函数(radial basis function,RBF)神经网络,以提高高维气动力的建模精度。通过在传统RBF神经网络的核函数中引修正量γ,使用EnKF滤波数据同化算法修正该矫正因子,并将其应用于CRA309旋翼翼型的高维气动力建模预测中。结果发现数据同化方法采用非侵入的方式,在不破坏神经网络整体架构的情况下仅对核函数的矫正因子进行修正,大幅减少优化参数与变量,显著提升了RBF神经网络的建模精度和效率。将修正后的RBF神经网络模型应用于高维气动力建模中,用仿真数据替代对气动力参数进行预测。设计结果验证了预测模型的可行性,在风洞试验数据较少的情况下对提高试验数据的利用效率具有一定的工程实用价值。

基于复合神经网络的多源气动数据建模

将深度学习方法应用至气动数据建模,能够解决传统建模方法效率低、代价高的问题,具有重要的现实意义。基于复合神经网络模型对多源气动数据进行学习,利用低精度数据辅助高精度数据进行预测。与不同网络模型进行对比,验证了文中提出的复合神经网络在气动数据建模中表现优良,且泛化能力较好。

基于循环神经网络的大迎角非定常气动力建模

飞行器大迎角动态机动飞行时,非线性流场与运动高度耦合,现在发展的非定常气动力建模技术在通用性、泛化特性等方面仍需要进一步的改进和优化。本文以CFD技术为基础,建立了基于门控循环单元网络的增强泛化能力的非定常气动力神经网络智能模型。通过引入循环神经网络中的门控循环单元网络,丰富了神经网络模型对序列数据的学习能力,提高了其内插和外插的泛化能力。仿真结果表明了该智能模型的有效性和适用性。

电动飞机分布式螺旋桨对气动性能影响的建模研究

作为电动飞机的一项关键技术,分布式螺旋桨推进已成为绿色航空未来发展的重要研究方向。本文以结合多参考系(MRF)的RANS方法作为气动性能分析手段,采用Kriging代理模型对分布式螺旋桨的安装位置对全机气动性能的影响进行了建模研究,并对基准构型和优选构型的流动进行了对比分析。结果表明,螺旋桨往前方移动后全机的升阻比增大;相对于原始构型,优选构型的上表面低压区面积明显增大,吸力峰明显增强,下表面的压强增大,低压区域减少,分布式电推进系统的效率得到有效提升。本文的研究能够支撑以分布式螺旋桨为动力的电动飞机的总体设计,为螺旋桨的安装提供有效参考,从而进一步提升电动飞机的经济性。

飞机大攻角空间机动气动力建模研究

准确的气动力模型是大攻角机动仿真与控制等飞行动力学问题研究的基础。针对纵向运动建立的非线性非定常气动力微分方程模型扩展应用于一般空间运动形式,在分析大攻角非定常流动机理和试验数据的基础上,发展了一种多自由度非线性非定常气动力数学模型,并探讨了模型辨识和参数估计问题。用全机构形的大攻角动态风洞试验数据对模型进行的验证表明所发展的气动力模型能够描述大攻角气动力主要的非线性和非定常特性。

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。

飞行器大攻角非定常气动特性神经网络建模

大攻角气动特性预测与气动建模是新型飞行器提升飞行性能的重要内容.以轴对称导弹简化模型为研究对象,首先采用计算流体力学方法,对70°大攻角状态的非定常气动特性进行数值模拟,计算方法基于RANS的N-S方程,湍流模型采用SA模型,对流场采用有限体积法离散,无黏项采用Roe通量差分分裂格式,黏性项采用中心差分,时间推进采用LU-SGS格式的双时间步法.飞行器运动模式采用强迫振荡的方式,对5种不同振荡频率进行了非定常数值计算,并记录每一内迭代周期最终的气动力和力矩数值.其次,以CFD预测结果作为气动建模的样本,采用动导数模型、多项式模型等传统方法,进行气动建模,并分析其有效性和精度.最后采用神经网络方法对大攻角非定常气动力进行建模,并和动导数模型、多项式模型进行精度对比.结果表明,基于神经网络的人工智能气动建模方法具有较高的精度和适应性.该方法为飞行器大攻角非定常非线性气动建模,大攻角飞行稳定性分析与控制提供理论参考.

四旋翼飞行器气动建模及状态估计器设计

对四旋翼飞行器的气动模型进行了分析,重点推导了四旋翼飞行器的桨叶挥舞效应和诱导阻力所产生的力与力矩,建立了更为完整的动力学模型。为方便试验辨识,对模型进行适当简化,得到相对简洁的集总气动参数结构。最后依据此改进模型设计了扩展卡尔曼滤波器,对姿态和速度进行了估计,并与传统简化模型进行了对比仿真。结果表明,在动态情况下,基于改进模型的姿态和速度估计精度,相对于传统模型有了大幅提升。

机器学习数据融合方法在火箭子级栅格舵气动特性建模应用中的比较研究

机器学习数据融合方法可帮助降低飞行器气动数据库建立的成本,加快研制进度,目前已经成为飞行器设计方法领域越来越活跃的研究方向,但其在工程复杂问题方面的应用研究并不充分。将多种常见变可信度数据融合模型应用于运载火箭子级栅格舵落区控制的工程项目,在开展部分工况的风洞试验基础上,结合少量的CFD数值模拟结果,研究相关函数和不同模型预测完整工况气动特性数据的差异性。通过对比加法标度函数修正模型、Co-Kriging模型、分层Kriging模型和多可信度神经网络模型等4种不同的数据融合模型发现:高斯指数相关函数对气动建模问题的适应性更好;Co-Kriging模型对气动数据的内插表现最好;分层Kriging模型对内插的预测精度较高,外插效果不理想;多可信度神经网络模型在外插区域能获得更光滑、合理的预测结果。

基于移动最小二乘法的气动力数据建模方法

针对一体化飞行器高度耦合的非线性气动问题,提出了一种基于移动最小二乘法的气动力数据建模方法;首先,对影响模型精度的因素进行了分析;接着,在构建移动最小二乘模型时采用遗传算法获取最佳支撑域半径以及最佳影响因子β,提高近似精度从而达到减少样本点的目的;得到泛化能力较强的气动力模型,并与偏最小二乘方法的建模结果进行对比;实验结果表明:移动最小二乘法的建模效果优于偏最小二乘方法,预测误差较小,证明了将该方法应用于气动数据建模是可行的。

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。