基于深度神经网络的任意翼型结冰预测方法

目前针对翼型结冰的机器学习预测模型只能预测特定翼型或某一类翼型的结冰情况,尚不具备面向任意翼型进行结冰预测的普适性。为解决该问题,提出了一种适用于低速不可压流动、基于深度神经网络的任意翼型结冰预测方法。该方法采用翼型压力系数对任意翼型特征进行抽象,结合流场与云雾场等参数共同作为输入,使用二维冰形曲线傅里叶级数拟合系数作为输出。基于该思路,建立了一种基于深度神经网络的预测模型,初步实现了任意翼型的结冰预测。多种算例实验结果表明,提出的方法针对单一翼型或任意翼型均表现出良好的冰形预测效果,预测冰形的主要特征参数相对误差均不超过15%。

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation,BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。

基于多模态融合的任意对称翼型结冰预测方法

为解决目前绝大多数神经网络冰形预测方法只能针对特定翼型且不具备面向多翼型特征的普适性的问题,采用基于多模态融合的深度神经网络方法,以翼型截面图像与结冰工况参数作为输入,以二维冰形曲线傅里叶级数拟合参数作为输出,建立深度神经网络预测模型,实现了对任意对称翼型结冰特征的预测能力。结果表明:提出的模型可以准确地预测任意对称翼型几何特征条件下的结冰外形,冰形面积与最大冰厚等冰形主要参数预测误差均保持在10%以下。

考虑侵蚀效应的冰晶/混合相结冰计算方法

航空发动机内部摄入冰晶并发生结冰,是造成航空发动机损伤和动力损失的重要原因。开展冰晶/混合相结冰计算方法研究,系统分析冰晶结冰物理模型是研究航空发动机内部结冰过程,保证飞行适航安全的主要途径之一。围绕冰晶/混合相结冰计算,建立了拉格朗日框架下,涵盖冰晶运动-传热传质、冰晶粘附、混合相结冰相变、冰晶侵蚀等多个物理现象的完整冰晶/混合相结冰数值计算方法,基于NNWICE结冰平台开发了相应计算程序。以NACA0012翼型及二维冠状圆柱为对象,模拟了不同来流条件及云雾条件下所结冰形,并与试验结果对比,验证了所建立计算方法的有效性,分析得到了来流温度与液态水含量/总水含量在混合相条件和冰晶覆水条件下对结冰的影响规律;对比有无侵蚀效应计算结果,验证了冰晶侵蚀效应对结冰的重要影响。相关工作为进一步发展航空发动机结冰数值模拟计算奠定了工作基础。