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。