CN108664742B - 短舱参数化设计的多目标优化方法 - Google Patents
短舱参数化设计的多目标优化方法 Download PDFInfo
- Publication number
- CN108664742B CN108664742B CN201810458695.6A CN201810458695A CN108664742B CN 108664742 B CN108664742 B CN 108664742B CN 201810458695 A CN201810458695 A CN 201810458695A CN 108664742 B CN108664742 B CN 108664742B
- Authority
- CN
- China
- Prior art keywords
- nacelle
- model
- sample
- design
- geometric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013461 design Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000011084 recovery Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000004323 axial length Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004907 flux Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
一种短舱参数化设计的多目标优化方法,以短舱几何的外部摩擦阻力和风扇进口处的总压恢复系数作为设计目标,选取短舱几何的内、外型线的关键几何参数作为考察变量,采用拉丁超立方(LHS)方法选取样本的模型库,对不同几何参数对应的短舱进行模型建立、网格生成和数值计算,然后根据样本目标函数的分布规律使用径向基神经网络作为代理模型,采用多目标优化算法对代理模型进行寻优计算,最终选取最优的短舱型线方案,即更高的风扇进口处总压恢复和更低的短舱外部摩擦阻力。本发明能够迅速找到短舱参数的设计最优值,提高了设计效率,缩短了设计周期和研制成本。
Description
技术领域
本发明涉及的是一种飞机制造领域的技术,具体是一种短舱参数化设计的多目标优化方法。
背景技术
随着当今世界航空技术的发展,飞机发动机技术也得到了长足的进步,发动机可以在实现更远航程的同时有效降低飞机发动机的燃油率。这些进步的实现就要求在飞行过程中,发动机必须工作在一个稳定、可控的运行状态下,同时发动机整体受到更小的摩擦阻力,而短舱装置作为发动机的引气装置和安装平台,其在稳定气流和减小阻力方面的作用就尤为显著。一个正确的短舱设计,可以有效提高风扇入口处的总压恢复、流量系数和流场均匀性,明显改善发动机的整体性能,极大地扩大飞机的飞行包线,同时使民用飞机具有更佳的经济性和市场竞争力。因此针对短舱装置的合理设计就显得愈来重要。短舱设计的主要目的是提供对发动机和飞机性能影响最小、最紧凑的流线外形,同时短舱外形的设计也要兼顾到它对进气道内部流动产生的影响。
早期的短舱设计方法是在基本方案设计的基础上,进行不同几何方案的风洞试验,依据试验结果选定最终的设计方案。近年来,得益于计算流体力学(CFD)方法和计算机技术的快速发展,国内外对基于CFD方法的气动外形设计方案也越来越完善,取得了诸多成果,出现了基于梯度搜索的优化设计与基于遗传算法等智能算法的优化设计两类主要设计方法。但短舱外形的几何参数众多,且易产生相互影响,无法采用穷举方案完成短舱设计。
发明内容
本发明针对现有技术存在的上述不足,提出一种短舱参数化设计的多目标优化方法,通过合理的参数化方案可以同时完成内、外两条型线的参数化建模,保证曲线精度;采用多目标函数的优化方案,可同时兼顾短舱模型的内、外几何性能;程序模块化处理,提高了设计效率,能够迅速找到短舱参数的设计最优值,缩短了设计周期和研制成本。
本发明是通过以下技术方案实现的:
本发明以短舱几何的外部摩擦阻力和风扇进口处的总压恢复系数作为设计目标,选取短舱几何的内、外型线的关键几何参数作为考察变量,采用拉丁超立方(LHS)方法选取样本的模型库,对不同几何参数对应的短舱进行模型建立、网格生成和数值计算,然后根据样本目标函数的分布规律使用径向基神经网络(Radial Basis Neural Network)作为代理模型,采用多目标优化算法对代理模型进行寻优计算,最终选取最优的短舱型线方案,即更高的风扇进口处总压恢复和更低的短舱外部摩擦阻力。
本发明涉及一种实现上述方法的系统,包括:用于优化问题的提出及数学表达,并建立有效的几何模型样本库的模型样本建立模块、用于获得几何模型样本所对应的目标函数性能的数值分析模块、代理模型构建模块以及用于最优解寻优的遗传算法模块,其中给你:模型样本建立模块利用拉丁超立方方法获得模型样本点的几何信息,并将该几何信息传输至数值分析模块,数值分析模块经过数值分析模块的数值模拟技术,获得目标函数性能,代理模型构建模块根据来自模型样本建立模块的几何样本库和数值分析模块对应的目标性能建立径向基神经网络模型,遗传算法模块通过带精英策略的非支配排序(NSGA-II)多目标遗传算法计算得到径向基神经网络模型的最优解并进行检验。
技术效果
与现有技术相比,本发明利用代理模型、遗传算法等优化设计方法可以快速得出短舱几何参数的影响机制,有效简化短舱的设计流程;针对短舱模型的内、外型线利用多目标优化方法同时优化,可以兼顾内、外气流的稳定性,提高了设计效率,缩短了设计周期和研制成本;且将优化方案模块化处理,各模块间分工明确且模块易于扩展,优化方案更为灵活。
附图说明
图1为本发明系统示意图;
图2为实施例中短舱内、外型线的几何参数示意图;
图3为实施例中短舱内、外型线的参数化方案流程图;
图4为实施例中样本点及优化结果的Pareto前沿解分布图。
具体实施方式
本实施例以某宽体客机的发动机短舱型线为研究对象,针对短舱模型的内、外两条型线分别开展参数化设计,并采用本多目标优化方法同时进行优化;发动机短舱的设计需要兼顾到内部气流的稳定性和外部最小的摩擦阻力,所以本实施例将内部气流的总压恢复系数最高和外部气流的摩擦阻力最低作为本次研究对象的两个优化目标,具体包括以下步骤:
1.确定短舱设计的优化目标及多目标优化流程(如图1所示),本实施例中优化目标针对短舱几何的外部摩擦阻力和风扇进口处的总压恢复系数进行。
2.选择发动机短舱内、外型线(见图2)的关键几何参数作为考察变量,通过合理的参数化设计方法(图3)完成短舱型线的高精度造型,并确定考察变量(图3中虚线框示)对应的参数可选范围。
所述的关键几何参数包括:外型线最大半径的轴向位置Xm、外型线的尾缘切角θ、唇口前缘的曲率半径Rle、唇口前缘的径向距离Rc、内唇口喉道的轴向位置Li、内型线等直段的轴向长度Le。
所述的参数可选范围包括:外型线最大半径的轴向位置Xm的轴向位置应处在短舱外型线总长的前25%~50%范围内,且保证型线光滑、无畸形;外型线尾缘切角θ应保证短舱外型线从最大半径处均匀、光滑地过渡到短舱尾缘;前缘的曲率半径Rle应保证内、外型线保持合理的几何形状;唇口前缘的径向距离Rc保证进气道在各工况可吸入足够气流的前提条件下选择相对较小的参数取值;内唇口喉道的轴向位置Li保证内型线扩压段具有较小的局部扩张角完成气流的减速增压,同时保证内唇口曲线的光滑、合理;内型线等直段的轴向长度Le保证风扇入口处的气流均匀稳定。
3.在考察变量范围内采用多维分层抽样的拉丁超立方(LHS)方法进行试验设计,选取样本的模型库,具体为:
3.1)首先定义该多目标优化问题中所需用的样本数目N;
3.2)在每个几何变量的单层维度上等概率地分成N列,满足
3.3)在每列中仅抽取一个样本,各列中样本的位置是随机的。
4.对散布的样本完成参数化几何建模,完成网格生成,并利用数值模拟求解雷诺平均Navier-Stokes方程,最终得到相应模型的内流总压恢复系数和外部阻力大小。
所述的雷诺平均Navier-Stokes方程具体为:其中:U为解向量,为无粘矢通量,为粘性矢通量,Q为源项,将无粘矢通量和粘性矢通量分解到笛卡儿坐标系的分量分别为:其中 为笛卡儿坐标系中三个坐标轴的单位矢量;源项Q包含哥氏力和离心力的作用。
5.采用步骤4中所得的模型目标函数值和相应的几何参数建立径向基神经网络(Radial Basis Neural Network)作为代理模型,通过调整非线性函数的参数实现不同形状的基函数,然后通过这些基函数的加权线性组合来拟合目标函数。
6.对代理模型采用带精英策略的非支配排序(NSGA-II)多目标遗传算法,计算得到代理模型的Pareto前沿解集,见图4所示。
7.挑选优化结果所相应的模型几何再进行数值模拟计算,完成对其总压恢复系数是否提高或外部阻力能否明显降低等性能的分析,如果不满足设计要求则需要重新将新的计算结果加入样本库中进行迭代求解。
本实施例的优化目标确定为短舱几何的外部摩擦阻力和风扇进口处的总压恢复系数,短舱型线的主要几何参数和对应的研究变量说明如图2及图3所示,在实施方案中的具体研究变量可取范围如表1所示,其中短舱唇口处的前缘点设定为轴向零点,沿气流流动方向为正,短舱轴线位置设定为径向方向零点,外型线尾缘处的切线与轴向方向的锐角夹角定义为尾缘切角。
表1优化变量取值范围
优化变量 | 取值范围 |
外型线最大半径的轴向位置 | 2.1m-2.8m |
外型线尾缘切角 | 7°-11° |
唇口前缘的曲率半径 | 0.03m-0.15m |
唇口前缘的径向距离 | 1.5m-1.65m |
内唇口喉道的轴向位置 | 0.2m-0.6m |
内型线等直段的轴向长度 | 0.01m-0.1m |
采用拉丁超立方取样方法在上述变量范围内取出30个随机样本作为模型库;然后采用相应的参数化设计方法生成30个样本对应的几何型线以及相应的数值计算网格。
所述的参数化设计方法具体是指:针对外部型线采用形函数(CST)方法完成参数化造型,对于内部型线采用分段设计与超椭圆、贝塞尔(Bezier)曲线相结合的方法完成内型线造型。
所述的几何型线包括:
1)外型线为形函数(CST)方法,公式为Y=C(X)S(X)+δTE,其中:C(X)采用弧形曲线,具体为S(X)采用四阶伯恩斯坦多项式,具体为其中:bp4,i为多项式系数,BP4,i为多项式空间的基;δTE为函数的尾缘偏移量。
2)内型线采用分段设计与超椭圆函数、贝塞尔(Bezier)曲线相结合的设计方法,超椭圆函数公式为(x/a)m+(y/b)n=1,其中:m,n为超椭圆指数,a,b为超椭圆长、短半轴。贝塞尔(Bezier)曲线公式为其中:Pi为控制点的位置,t∈[0,1]。
对选出的30个样本逐一进行雷诺平均Navier-Stokes方程数值模拟求解,最终得到30个样本对应的总压恢复系数和外部摩擦阻力。
采用上述拉丁超立方方法取出的样本的几何参数取值与数值模拟求解得出的样本目标函数数据对径向基神经网络进行训练,获得一个可以反映目标函数随几何变量变化规律的代理模型。
针对此代理模型使用带精英策略的非支配排序(NSGA-II)多目标遗传算法,最终得到该代理模型的Pareto前沿解如图4所示,从Pareto前沿解上可以权衡总压恢复系数和外部摩擦阻力,得到适合工程指导和应用的短舱几何外形最优解,该最优解的具体几何参数和优化目标值见表2。
表2短舱型线设计最优解具体几何参数和优化目标值
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (4)
1.一种短舱参数化设计的多目标优化方法,其特征在于,以短舱几何的外部摩擦阻力和风扇进口处的总压恢复系数作为设计目标,选取短舱几何的内、外型线的关键几何参数作为考察变量,采用拉丁超立方方法选取样本的模型库,对不同几何参数对应的短舱进行模型建立、网格生成和数值计算,然后根据样本目标函数的分布规律使用径向基神经网络作为代理模型,采用多目标优化算法对代理模型进行寻优计算,最终选取最优的短舱型线方案,即更高的风扇进口处总压恢复和更低的短舱外部摩擦阻力;
所述的关键几何参数包括:外型线最大半径的轴向位置Xm、外型线尾缘切角θ、前缘的曲率半径Rle、唇口前缘的径向距离Rc、内唇口喉道的轴向位置Li、内型线等直段的轴向长度Le;
所述的参数可选范围包括:外型线最大半径的轴向位置Xm的轴向位置应处在短舱外型线总长的前25%~50%范围内,且保证型线光滑、无畸形;外型线尾缘切角θ应保证短舱外型线从最大半径处均匀、光滑地过渡到短舱尾缘;前缘的曲率半径Rle应保证内、外型线保持合理的几何形状;唇口前缘的径向距离Rc保证进气道在各工况可吸入足够气流的前提条件下选择相对较小的参数取值;内唇口喉道的轴向位置Li保证内型线扩压段具有较小的局部扩张角完成气流的减速增压,同时保证内唇口曲线的光滑、合理;内型线等直段的轴向长度Le保证风扇入口处的气流均匀稳定;
所述的拉丁超立方方法,具体为:
1)首先定义该多目标优化问题中所需用的样本数目N;
3)在每列中仅抽取一个样本,各列中样本的位置是随机的;
所述的模型建立,针对外部型线采用形函数方法完成参数化造型,对于内部型线采用分段设计与超椭圆、贝塞尔曲线相结合的方法完成内型线造型,具体包括:
1)外型线为形函数方法,公式为Y=C(X)S(X)+δTE,其中:C(X)采用弧形曲线,具体为S(X)采用四阶伯恩斯坦多项式,具体为其中:bp4,i为多项式系数,BP4,i为多项式空间的基;δTE为函数的尾缘偏移量;
2.根据权利要求1所述的方法,其特征是,所述的样本目标函数,即对模型库中的样本逐一进行雷诺平均Navier-Stokes方程数值模拟求解,最终得到每个样本对应的总压恢复系数和外部摩擦阻力。
3.根据权利要求1所述的方法,其特征是,所述的多目标优化算法为:带精英策略的非支配排序(NSGA-II)多目标遗传算法。
4.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:用于优化问题的提出及数学表达、并建立有效的几何模型样本库的模型样本建立模块、用于获得几何模型样本所对应的目标函数性能的数值分析模块、代理模型构建模块以及用于最优解寻优的遗传算法模块,其中:模型样本建立模块利用拉丁超立方方法获得模型样本点的几何信息,并将该几何信息传输至数值分析模块;数值分析模块经过数值分析模块的数值模拟技术,获得目标函数性能;代理模型构建模块根据来自模型样本建立模块的几何样本库和数值分析模块对应的目标性能建立径向基神经网络模型;遗传算法模块通过带精英策略的非支配排序(NSGA-II)多目标遗传算法计算得到径向基神经网络模型的最优解并进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458695.6A CN108664742B (zh) | 2018-05-15 | 2018-05-15 | 短舱参数化设计的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458695.6A CN108664742B (zh) | 2018-05-15 | 2018-05-15 | 短舱参数化设计的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664742A CN108664742A (zh) | 2018-10-16 |
CN108664742B true CN108664742B (zh) | 2022-06-14 |
Family
ID=63779273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458695.6A Expired - Fee Related CN108664742B (zh) | 2018-05-15 | 2018-05-15 | 短舱参数化设计的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664742B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726478A (zh) * | 2018-12-29 | 2019-05-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种适用于非轴对称层流短舱设计的参数化方法 |
CN114154278B (zh) * | 2021-11-25 | 2024-05-14 | 成都飞机工业(集团)有限责任公司 | 一种s形进气道的参数化建模与优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256297A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 缝式机匣处理参数化设计的优化方法 |
CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
CN108009383A (zh) * | 2017-12-26 | 2018-05-08 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种自然层流短舱外形的确定方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130125561A1 (en) * | 2007-11-30 | 2013-05-23 | Frederick M. Schwarz | Geared turbofan with distributed accessory gearboxes |
CN105759613B (zh) * | 2016-03-22 | 2017-08-15 | 沈阳上博智拓科技有限公司 | 倾转旋翼机的控制方法和控制装置 |
CN106227967A (zh) * | 2016-08-01 | 2016-12-14 | 杭州汽轮机股份有限公司 | 工业汽轮机低压级组叶片型线优化方法 |
-
2018
- 2018-05-15 CN CN201810458695.6A patent/CN108664742B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
CN107256297A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 缝式机匣处理参数化设计的优化方法 |
CN108009383A (zh) * | 2017-12-26 | 2018-05-08 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种自然层流短舱外形的确定方法及系统 |
Non-Patent Citations (6)
Title |
---|
"发动机短舱内型面参数设计对进气效率的影响研究";肖毅 等;《教练机》;20140115(第1期);24-28 * |
"基于EFFD方法的自然层流短舱优化设计";何小龙 等;《航空动力学报》;20141031;第29卷(第10期);2311-2320 * |
"基于多目标优化算法的发动机进气道设计";贾金鑫 等;《机械设计》;20110430;第28卷(第4期);75-78 * |
"基于知识的飞机外形特征参数化设计";吴权石;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150215(第2期);C031-102 * |
"民机翼吊式短舱参数化造型设计";周洪升 等;《机械制造与研究》;20100831(第4期);3-6 * |
"飞机发动机短舱外形设计及数值仿真";单文娟 等;《航空科学技术》;20160215;第27卷(第2期);16-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN108664742A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tejero et al. | Multi-objective optimisation of short nacelles for high bypass ratio engines | |
CN111079228B (zh) | 一种基于流场预测的气动外形优化方法 | |
McGlumphy et al. | Numerical investigation of tandem airfoils for subsonic axial-flow compressor blades | |
CN106777482A (zh) | 一种基于网格参数化的结构多学科设计优化方法 | |
US20160092629A1 (en) | Aircraft designing method, aircraft designing program and aircraft designing apparatus | |
Goulos et al. | Aerodynamic design of separate-jet exhausts for future civil aero-engines—part ii: design space exploration, surrogate modeling, and optimization | |
CN110727995A (zh) | 叶片形状的构造方法、叶片以及计算机设备 | |
CN108664742B (zh) | 短舱参数化设计的多目标优化方法 | |
Nejat et al. | Airfoil shape optimization using improved Multiobjective Territorial Particle Swarm algorithm with the objective of improving stall characteristics | |
Burdette et al. | Aerostructural design optimization of an adaptive morphing trailing edge wing | |
Ordaz et al. | Mitigation of engine inlet distortion through adjoint-based design | |
Arshad et al. | Design optimization and investigation of aerodynamic characteristics of low Reynolds number airfoils | |
Zeinalzadeh et al. | Evaluation of novel-objective functions in the design optimization of a transonic rotor by using deep learning | |
Liou et al. | Challenges and progress in aerodynamic design of hybrid wingbody aircraft with embedded engines | |
He et al. | Three-dimensional aerodynamic optimization for axial-flow compressors based on the inverse design and the aerodynamic parameters | |
Sheikh et al. | Airfoil optimization using design-by-morphing | |
Guo et al. | Aero-structural optimization of supersonic wing under thermal environment using adjoint-based optimization algorithm | |
Bertini et al. | A path toward the aerodynamic robust design of low pressure turbines | |
Kirz | Surrogate based shape optimization of a low boom fuselage wing configuration | |
Effing et al. | HLFC-optimized retrofit aircraft design of a medium-range reference configuration within the AVACON project | |
Zhang et al. | Efficient aerodynamic shape optimization with the metric-based POD parameterization method | |
Pan et al. | Integrated design optimization of aerodynamic and stealthy performance for flying wing aircraft | |
Sureshbabu et al. | Deep-learning methods for non-linear transonic flow-field prediction | |
Du et al. | Quasi-three-dimensional loss prediction model of subsonic compressor cascade based on bidirectional long short-term memory networks and multi-head self-attention | |
Kuzmenko et al. | Optimization of the gas turbine engine parts using methods of numerical simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |