[发明专利]基于人工神经网络的飞机翼型优化设计方法

权利要求书

1.一种基于人工神经网络的飞机翼型优化设计方法，其特征在于具体步骤为：

(1)首先，建立翼型参数化数据库

采用PARSEC参数化方法描述飞机翼型，建立飞机翼型表达方式，即以11个Parsec参数：前缘半径r_le、上/下翼面最大厚度x_up和x_lo、上/下翼面最大厚度对应位置z_up和z_lo、上/下翼面顶点曲率z_xxup和z_xxlo、后缘宽度△z_te、后缘垂直高度z_te、后缘楔角β_te、后缘方向角α_te模拟翼型几何状况，用6个气动性能参数：升力系数CL、阻力系数CD、力矩系数CM、巡航效率M(CL/CD)、摩擦阻力系数CDF、激波阻力系数CDW概括翼型气动性能；

于是，上翼面和下翼面曲线参数化表达式为式(1)所示：

a_n为多项式系数，对于上翼面，系数a_n由矩阵方程(2)给出：

对于下翼面，系数a_n由矩阵方程(3)给出：

获得拟合系数，便建立几何参数与实际翼型外形的联系；

在PARSEC几何参数化方法的基础上，对翼型/机翼反设计以几何参数为优化对象；

(2)对于建立的数据库进行分类

分类方法采用SOM人工神经网络算法，进行SOM网络训练；SOM网络训练结束后，输出层各神经元与各输入模式类的特定关系就被完全确定，因此可用作模式分类器；当输入一个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，从而将该输入自动归类；

(3)建立训练相关的人工神经网络

通过人工神经网络算法，深入地利用参数化翼型数据的结构与人工神经网络的联系；具体采用BP算法；BP算法的基本过程是，学习过程由信号的正向传播与误差的反向传播两个过程组成:

正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；

误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；

这种信号正向传播与误差反向传播的各层权值调整过程，周而复始地进行；权值不断调整的过程，也就是网络的学习训练过程；此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止；

其中，通过利用“固定步长”的概念寻找实现优化方向的手段，作为设置神经网络训练方式中输入端和输出端的配置依据；具体说明如下：

针对一个翼型进行空气动力学分析时，对于一个给定的翼型，对其做一个确切的气动要求下的优化改进，这一系列的改进总是趋近于一个确定的外形，称其优化的“上限”；因此，优化前后的情形可以描述为：设计人员手中拥有的翼型中的性能与上限的距离是待定的；待优化的翼型和目标的翼型由事先指定，所以整个优化性扩充，作为一个翼型优化过程/结果，看成是待优化的翼型向目标翼型“学习”的过程/结果；每一类翼型中，假设优化过程中所使用的是一种“学习方法”，那么在一定的距离开外，该“学习方法”将不再适用，将该一定的距离作为“新上限”，这一“新上限”应该低于上一条所说的“上限”；以这里的“新上限”作为“上限”；如果优化的气动性能差的值过大使得优化目标超过了“上限”，那么置信度分析得到的关联度将会发生质变，不再适用；

翼型优化的问题在于，如何实现高评价和低评价翼型之间的联系以便基于人工神经网络的飞机翼型优化设计方法获知；对于每一类翼型，由于几何相似的关系，几何数据对应气动数据的相关性一致；通过比较翼型实验数据的任意两个翼型的置信度便获得优化方向；在进行基于人工神经网络的飞机翼型优化设计方法的时候，人工神经网络起着计算置信度的作用；并且将数据进行归一化处理，以排除数量值大的参数在人工神经网络训练中对于其他参数的干扰；运用BP算法，输入集合数据，得到一个具备更佳气动特征的翼型的数据。

2.根据权利要求1所述的基于人工神经网络的飞机翼型优化设计方法，其特征在于：所述“固定步长”在基于人工神经网络的翼型优化设计中的作用通过以下方式体现：对于每个翼型，选择与其本身的气动性能差距最接近固定步长的那一个翼型作为人工神经网络的学习目标，以此类推，逐个形成人工神经网络的输入端和输出端；

翼型实验数据中的一类翼型，按照设定的气动性能标准从最差到最好即上限分类，每一个气动评价对应着一个几何数据向量，11维几何向量和气动性能评价参数，两者构成12维的空间M：

range_evaluation×range_{para 1} ×range_para2×...range_para11＝M

在此翼型实验数据空间中，翼型优化工作相当于现有的数量较小的数据点上的曲线拟合，以此找到在更好的气动性能评价下所对应的几何数据；故应有一个映射f，满足：

f_i：M₁→R¹≡Δp_i

其中f_i组合构成的f为一个向量值映射，i＝1，2，…，11；

翼型实验数据优化性扩充是11+1＝12维度向量朝向11维向量的投影，因此可将翼型实验数据优化性扩充视作函数逼近；利用Hilbert空间中的射影定理，将随着优化标准升高而变化的翼型几何数据，看作是一个最佳外推逼近元；一个已经降低维度的翼型数据空间和一个一维优化指标实数域空间的向量直接和就是上述12维的空间M；最佳外推逼近元就是对应空间M中的理想的优化指标；因此无需具体的解法，就能知道问题的解存在；对于一个给定的已经按照要求的气动性能评价参数排列的系列翼型数据：

k₁＜k₂＜...＜k_i＜k_i+1＜...

其中，k_i指代翼型；选取一个较低的评价参数的翼型k_i，比k_i翼型具有更优气动性能评价参数的分别有k_p，p＝1，2……，在气动性能评价参数上做k_i分别到k_p的差：

Δk_i，p，p-i＝1，2，...

指定h为限制优化方法中的标准气动性能差，选取p使得：

|Δk_i，p-h|

最小；

对翼型k_i0，满足上式的p为p₀，由此对于神经网络的学习设置，初始翼型k_i0对应的目标翼型便是p₀；如此训练了神经网络之后，就完成了基于人工神经网络的限制优化方法。