基于CUDA的有限元矩阵并行装配算法研究

构建航天飞行器的结构有限元模型是准确模拟飞行仿真、完成飞行器在轨飞行阶段结构故障监测和诊断的基础。采用细长体飞行器简化梁模型,提出新的基于CUDA(Compute Unified Device Architecture)的有限元单元刚度矩阵生成和总刚度矩阵组装算法。依据梁单元矩阵的对称性,结合GPU硬件架构提出并行生成算法并进行改进。为有效减少装配时间,在装配过程中采用着色算法,提出了基于GPU(Graphics Processing Unit)共享内存的非零项组装策略,通过在不同计算平台下算例对比,验证了新算法的快速性。数值算例表明,本文算法的求解效率较高,针对一定计算规模内的模型可满足快速计算与诊断的实时性要求。

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。

数字孪生机翼损伤模式快速识别与监测方法

针对飞行器结构健康监测过程中存在的识别流程复杂、实时性较差问题,提出一种基于数字孪生技术的飞行器机翼损伤模式识别与监测方法。采用模块化技术构建飞行器机翼的数字孪生结构模型,基于概率神经网络建立了传感器数据在结构数字孪生模型中的映射方法,形成了通用的数字孪生飞行器结构损伤模式快速识别流程。以某无人机为例,基于此流程方法建立了其机翼的损伤模式快速识别模型并开展了对损伤的识别。结果表明:构建的飞行器结构数字孪生识别模型对损伤模式的识别准确率达到了96%以上,能够实现动态航迹规划任务。