[发明专利]基于人工神经网络的飞机翼型优化设计方法

说明书

技术领域

本发明属于机械设计技术领域，具体涉及一种飞机翼型优化设计方法。

背景技术

飞机设计过程中，尤其在初始设计阶段，往往采取利用现成的飞机部件（如翼型）的数据库的信息进行代入式的设计；在翼型设计方面，由此知道设计的质量和效率取决于翼型的数据库的质量。如何在现有的给定的翼型的数据（包括描述其外形的几何数据和气动性能数据）之上，快速简洁、较为准确地进行其关于气动性能的几何数据的优化，是一个值得研究的工作。

同领域的研究思路常常局限在性能低劣和高级的翼型之间的简单映射，其采用智能算法得到的结果的成功率往往很低。然而由于翼型是个高维的数据载体，难以用简单的映射关系予以框架，故这方面的建树不多。

飞机翼型的反设计，就是根据气动性能要求直接得到符合要求的翼型的飞机翼型设计方案。在基于人工神经网络的翼型参数化反设计工作的基础上，本发明提出一种新型翼型优化方法：以反设计技术进行翼型优化工作，实现翼型数据库的扩充，从而增加设计人员的可利用技术资源。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于人工神经网络的飞机翼型优化设计方法。

本发明提供的基于人工神经网络的飞机翼型优化设计方法，具体步骤为：

（1）首先，参考一般机翼/翼型反设计的方法，建立翼型参数化数据库。

具体是用PARSEC参数化方法（Sobieczky H. Parametric airfoils and wings[M]//Recent Development of Aerodynamic Design Methodologies. Vieweg+ Teubner Verlag, 1999: 71-87.）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MCL/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：

（1）

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：

（2）

对于下翼面，系数 a_n由矩阵方程（3）给出，其和上翼面类似，即将表征上翼面构型特征量的参数换成下翼面相对应的参数：

（3）

获得拟合系数，便可以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）为了使得优化的对象凸显几何特点，需要事先对于数据库进行分类。

分类方法采用自组织竞争人工神经网络算法（SOM）（Kohonen T, Hynninen J, Kangas J. et al. Som pak: The self-organizing map program package[J]. Report A31, Helsinki University of Technology, Laboratory of Computer and Information Science, 1996.），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完全确定了，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。