[发明专利]一种基于神经网络的超临界翼型抖振优化方法

权利要求书

1.一种基于神经网络的超临界翼型抖振优化方法，其特征在于，包括如下步骤：

步骤1：计算待优化翼型的抖振始发攻角α_onset和抖振完全建立攻角α_established；

步骤1-1：生成待优化翼型的计算网格；对待优化翼型进行定马赫数、不同攻角下的定常CFD数值模拟得到定常CFD计算结果，采用升力线线性段斜率变化0.1的方法进行抖振边界的预估；

步骤1-2：在预估的抖振边界的±0.5°范围内，以固定步长进行加点非定常计算，根据非定常计算结果，得到待优化翼型的抖振始发攻角α_onset和抖振完全建立攻角α_established；待优化翼型抖振完全建立攻角下的升力系数时均值待优化翼型抖振完全建立攻角下的阻力系数时均值待优化翼型抖振完全建立攻角下的俯仰力矩系数时均值以及待优化翼型抖振始发攻角下的升力系数时均值待优化翼型抖振始发攻角下的阻力系数时均值待优化翼型抖振始发攻角下的升力系数PSD的峰值

步骤2：生成样本，计算样本数据库，建立神经网络模型；

步骤2-1：对待优化超临界翼型，采用自由变形FFD方法进行几何参数化；建立一个完全包围待优化超临界翼型的FFD框，选取FFD框上各点的纵向y_i,i＝1…n坐标的改变量△y_i,i＝1…n为设计变量；

步骤2.2：以△y_i,i＝1…n为设计变量形成抖振优化的设计空间，利用拉丁超立方采样方法在设计空间中进行采样生成一系列的超临界翼型作为翼型样本，构成翼型几何库；

步骤2-3：对步骤2-2中得到的翼型几何库中的所有翼型样本生成计算网格，进行抖振始发攻角α_onset和抖振完全建立攻角α_established下的非定常CFD数值模拟，得到翼型样本的力系数和力矩系数曲线；将每个翼型样本对应的FFD框的y坐标改变量△y_i,i＝1…n、每个翼型样本的抖振始发攻角α_onset和抖振完全建立攻角α_established下的升力系数曲线的功率谱分析PSD的峰值、升力系数时均值、阻力系数时均值、力矩系数时均值作为每个翼型样本的样本数据集，用于神经网络模型的训练；

步骤2-4：采用多层感知器神经网络搭建神经网络模型，分别建立针对抖振始发攻角α_onset和抖振完全建立攻角α_established的两个神经网络模型；

对于针对抖振始发攻角α_onset的神经网络，以步骤2-3中得到的样本数据集中翼型样本对应的FFD框的y坐标改变量△y_i,i＝1…n为神经网络的输入，神经网络的输出为抖振始发攻角α_onset下的升力系数曲线的功率谱分析PSD的峰值、升力系数时均值、阻力系数时均值、力矩系数时均值；

对于针对抖振完全建立攻角α_established的神经网络，以步骤2-3中得到的样本数据集中翼型样本对应的FFD框的y坐标改变量△y_i,i＝1…n为神经网络的输入，神经网络的输出为抖振完全建立攻角α_established下的升力系数曲线的功率谱分析PSD的峰值、升力系数时均值、阻力系数时均值、力矩系数时均值；

训练神经网络模型：将样本数据集按一定比例分为训练集和测试集，以网络输出的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；

步骤3：设定优化问题，基于神经网络模型进行抖振优化；

步骤3-1：设定优化问题：优化目标为抖振完全建立攻角α_established下抖振幅度最小，优化的设计变量为翼型FFD框的y坐标改变量△y_i,i＝1…n，优化的约束条件为力约束、力矩约束和翼型厚度约束；优化问题用如下数学表达式表示：

min peak_psd

其中：

peak_psd为抖振完全建立攻角下的升力系数的功率谱分析PSD的峰值，即优化中采用的抖振幅度判别标准；

C_{L-established}为训练完成的神经网络模型输出的抖振完全建立攻角下的升力系数时均值；

C_{d-established}为训练完成的神经网络模型输出的抖振完全建立攻角下的阻力系数时均值；

C_{m-established}为训练完成的神经网络模型输出的抖振完全建立攻角下的俯仰力矩系数时均值；

C_L-onset为训练完成的神经网络模型输出的抖振始发攻角下的升力系数时均值；

C_d-onset为训练完成的神经网络模型输出的抖振始发攻角下的阻力系数时均值；

peak_psd_onset为训练完成的神经网络模型输出的抖振始发攻角下的升力系数PSD的峰值；

t为翼型的最大厚度；

步骤3-2：根据步骤2-4得到的两个神经网络模型的输出，采用遗传算法NSGA-II进行优化问题的求解，设定最大优化代数Gen_max和每一代子群的数目num，当优化代数Gen达到最大，优化终止。