CN110580396A - 一种叶轮机械叶片的三维反设计方法 - Google Patents
一种叶轮机械叶片的三维反设计方法 Download PDFInfo
- Publication number
- CN110580396A CN110580396A CN201910877651.1A CN201910877651A CN110580396A CN 110580396 A CN110580396 A CN 110580396A CN 201910877651 A CN201910877651 A CN 201910877651A CN 110580396 A CN110580396 A CN 110580396A
- Authority
- CN
- China
- Prior art keywords
- blade
- distribution
- dimensional
- coefficient distribution
- different
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000005452 bending Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010408 sweeping Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明提出了一种叶轮机械叶片的三维反设计方法，该方法为:对不同三维造型叶片在不同流量下或不同进口参数条件下的流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布，以此作为深度学习的样本。基于深度学习方法，使用卷积神经网络降低输入参数维数并提取不同的特征值，然后根据特征值建立与输出之间的联系，即构建出叶片几何数据与表面压力系数分布、阻力系数分布或损失系数分布的低维表示。实现了通过叶型的表面压力系数分布、阻力系数分布或损失系数分布预测叶型的几何形状及攻角；通过叶型的表面压力系数分布、阻力系数分布或损失系数分布预测叶片的几何参数。本发明让求解过程程式化，便于工程应用。
Description
技术领域
本发明涉及动力机械及工程领域，尤其涉及一种叶轮机械叶片的三维反设计方法。
背景技术
叶型的气动设计大致可分为正命题、优化命题、反命题和杂交命题。正命题是通过对已有的叶型进行气动性能试验(含数值试验),根据流场细节,不断修正叶型的型线而最终达到设计所需的目标气动性能；优化命题是通过设定以气动性能为准则的目标函数,基于流体力学的控制方程,对叶型的若干控制参数进行优化；反命题是设定对叶型的气动性能要求,在若干限制条件下寻求满足该要求的物面形状。与反命题方法相比,正命题方法在叶型的设计中得到了更为广泛的应用,但是对于叶型的气动设计而言,由于反命题是根据对叶型气动性能的要求,在若干实际物理条件的制约下,反衍出叶型的几何形状,因此,与正命题相比,反命题更本质、更直接、更具基础性。
1945年,Lighthill首先提出了用保角变换法进行叶型气动反命题的方法,这种方法把叶型保角地变换到一个单位圆上,由于圆柱的绕流流场已知,通过施加叶型的目标压力或速度分布,经过反变换就能得到满足气动性能要求的叶型,这种方法可以得到解析解,计算量小,但需要根据经验才能在计算平面给定与气动目标相对应的压力或速度分布。Garabedian等采用速度图法将流场控制方程转换到速度平面,通过适当的解析延拓和保角变换,进而用复特征线求解,其缺点是速度平面上与目标气动参数对应的边界条件不易给定。Schimidt等将物理坐标的流动方程、无旋条件及给定的边界条件转换到势函数坐标,通过求解计算平面的拉普拉斯方程得到势函数为自变量的速度场,再经过坐标变换得到物理坐标系的叶型坐标。王正明用流函数方法,根据叶型表面给定的流速分布,求解流函数场,再反求出叶型的形状。Henne把叶型表面目标压力分布当作Dirichlet边界条件加入,计算控制方程得到法向速度分量,再通过叶型表面的质量守恒条件,得到新的叶型表面。葛满初从欧拉方程出发,导出了基于流函数方程、以非正交曲线坐标为独立变量的反问题通用控制方程组,提出了流函数有旋方程直接反问题的数学物理模型,给定叶型表面速度及厚度的分布规律,对亚声速和跨声速反问题进行了求解,并对典型的压气机叶栅进行了计算。Dang等基于N-S方程,同时假定壁面可穿透且可移动,将给定物面上的目标压力强制为N-S方程的壁面边界条件,由计算出来的流场,找到目标叶型表面与该处流场相切的坐标位置,构成反馈,叶片表面几何位置不断修正直至满足壁面上的压力条件及流动切向条件,得到叶型的几何形状。王正明等基于N-S方程发展了二维与三维粘性反命题的解法,该解法给定叶面上的压力分布,计算过程中,叶型表面可“移动”但不可穿透,将叶型表面移动的“速度”与叶型表面上用N-S方程求解得到的压力分布及给定的目标压力分布联系起来,构成反馈,直至获得满足预期压力分布的叶片几何形状。刘高联提出了用于气动设计的变域变分理论,利用泛函的变域变分公式来构造叶面上的边界条件,建立以流函数(或势函数)和叶型几何坐标为未知量的泛函,通过求泛函极值得到流函数(或势函数)及叶型坐标的非线性代数方程组,通过迭代计算,即可实现机翼或叶栅的反命题求解。该方法首先用于求解叶片的杂交问题,后又推广到含有激波的跨声速流杂交问题和三维杂交问题。Jameson提出了基于控制理论的气动优化设计方法,并成功地应用于飞机叶型的气动设计,这种方法应用了控制理论中的伴随系统概念,通过伴随变量计算目标泛函的梯度,实现了精确快速的叶型反命题设计,可以大大降低设计成本。李颖晨等将这种基于控制理论的气动优化设计方法应用到叶轮机械叶栅的反命题中,取得预期成效。
可见，以上的叶型反设计方法，要么对控制方程做了简化，要么求解过程过于繁杂，很难得到实际的工程应用。
发明内容
本发明的目的在于提供一种叶轮机械叶片的三维反设计方法，其便于实际的工程应用。
为实现上述目的，本发明所采用的技术方案为：一种叶轮机械叶片的三维反设计方法，该方法为:对不同三维造型叶片(包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律)在不同流量下或不同进口参数条件下的流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布，以此作为深度学习的样本。
本发明的一种叶轮机械叶片的三维反设计方法中，所述叶片的三维造型包括沿着叶片高度方向不同的叶型、叶片的弯(周向)、掠(轴向)和扭等参数。
本发明的一种叶轮机械叶片的三维反设计方法中，对不同叶型几何曲线及不同攻角下的绕流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布。
本发明的一种叶轮机械叶片的三维反设计方法中，采用自编码器进行高维数据的低维表示，进行深层神经网络模型搭建。
本发明的一种叶轮机械叶片的三维反设计方法中，目标叶型的几何形状及攻角的获取方法如下：将叶型表面压力分布、阻力系数分布或损失系数分布作为输入层；叶型几何曲线及不同攻角作为输出层；利用卷积层通过共享的小型权重矩阵(卷积核，初始权重参数为随机生成),来获取上层数据特征；通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系。由目标叶型表面的压力分布及阻力系数分布或损失系数分布，获得目标叶型的几何形状及攻角。
本发明的一种叶轮机械叶片的三维反设计方法中，不同叶型几何曲线及不同攻角下的表面压力分布与阻力系数分布可以通过海量的试验获得，也可以通过流场的数值模拟获得。
本发明的叶轮机械叶片的三维反设计方法中，目标叶片的几何形状(包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律)的获取方法如下：将叶片的表面压力分布和阻力系数分布等作为输入层，将三维叶片不同几何形状及其不同流量或不同进出口参数条件作为输出层；利用卷积层通过共享的小型权重矩阵(卷积核、初始权重参数为随机生成),来获取数据特征；通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系。由目标叶片表面的压力分布及阻力系数分布或损失系数分布，获得目标叶片的几何形状。
与现有技术相比，本发明的优点为：本方法不需要对控制方程做简化，只要准备好足够大的样本数据库，求解过程程式化，便于实际的工程应用。
附图说明
图1为在4°攻角下某叶型及其表面压力分布具有一一对应的关系图。
图2为某叶片三维造型及根部、中部、顶部表面压力分布图，其中a为某叶片三维造型示意图；b为某叶片根部表面压力分布图；c为某叶片中部表面压力分布图；d为某叶片顶部表面压力分布图。
具体实施方式
下面将结合示意图对本发明所采用的技术方案作进一步的说明。
图1是一个二维叶型，图2是三维叶片，一个三维叶片是由若干个二维叶型组成(本实施例中给了根部、中部和顶部三个截面)。下面详细描述一种叶轮机械叶片的三维反设计方法。
一种叶轮机械叶片的三维反设计方法，其对不同三维造型叶片在不同流量下或不同进口参数条件下的流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布，以此作为深度学习的样本。
所述叶片的三维造型包括沿着叶片高度方向不同的叶型、叶片的弯(周向)、掠(轴向)和扭等参数，对不同叶型几何曲线及不同攻角下的绕流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布。
本发明的一种叶轮机械叶片的三维反设计方法中，采用自编码器进行高维数据的低维表示，进行深层神经网络模型搭建。
下面描述目标叶型的几何形状及攻角的获取过程：
将叶型表面压力分布、阻力系数分布或损失系数分布等作为输入层；
叶型几何曲线及不同攻角作为输出层；
利用卷积层通过共享的小型权重矩阵(卷积核，初始权重参数为随机生成),来获取数据特征；
通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；
由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系。由目标叶型表面的压力分布及阻力系数分布或损失系数分布，获得目标叶型的几何形状及攻角。
需要指出的是，不同叶型几何曲线及不同攻角下的表面压力分布与阻力系数分布等可以通过海量的试验获得，也可以通过流场的数值模拟获得。
下面描述目标三维叶片的几何形状的获取过程：
将叶片的表面压力分布和阻力系数分布或损失系数分布等作为输入层，将三维叶片不同几何形状及其不同流量或不同进出口参数条件作为输出层，其中，三维叶片不同几何形状包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律；
利用卷积层通过共享的小型权重矩阵(卷积核，初始权重参数为随机生成),来获取数据特征；
通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；
由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系。由目标叶型表面的压力分布及阻力系数分布或损失系数分布，获得目标叶片的几何形状，其中，目标叶片的几何形状包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律。
在图1中，由几何叶型，可确定表面压力分布，或者由表面压力分布可确定叶型，在4°攻角下，叶型及其表面压力分布具有一一对应的关系，图1中右侧坐标数据中横坐标为叶片弦向位置(单位化)，纵坐标为叶片表面上压力系数(无量纲)，叶型几何形状确定后，在一定流动条件下，其表面压力分布就是确定的。
图2中示出了某叶片的三维造型，该叶片具有根部1、中部2、顶部3，通过图2可以知晓叶片的根部、中部、顶部表面压力分布，或者，给出目标叶片若干截面上的表面压力分布，可以基于上述深度学习方法，在已经准备好足够多样本后，获得叶片的三维造型。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (7)
1.一种叶轮机械叶片的三维反设计方法，其特征在于，该方法为:对不同三维造型叶片在不同流量下或不同进口参数条件下的流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布，以此作为深度学习的样本。
2.根据权利要求1所述的一种叶轮机械叶片的三维反设计方法，其特征在于，所述叶片的三维造型包括沿着叶片高度方向不同的叶型、叶片弯、掠和扭的参数。
3.根据权利要求2所述的一种叶轮机械叶片的三维反设计方法，其特征在于，对不同叶型几何曲线及不同攻角下的绕流场进行试验或数值模拟，获得其表面压力分布与阻力系数分布或损失系数分布。
4.根据权利要求1所述的一种叶轮机械叶片的三维反设计方法，其特征在于，采用自编码器进行高维数据的低维表示，进行深层神经网络模型搭建。
5.根据权利要求1所述的一种叶轮机械叶片的三维反设计方法，其特征在于，目标叶型的几何形状及攻角的获取方法如下：
将叶型表面压力分布、阻力系数分布或损失系数分布作为输入层；
叶型几何曲线及不同攻角作为输出层；
利用卷积层通过共享的小型权重矩阵,来获取数据特征；
通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；
由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系；
由目标叶型表面的压力分布及阻力系数分布或损失系数分布，获得目标叶型的几何形状及攻角。
6.根据权利要求3所述的一种叶轮机械叶片的三维反设计方法，其特征在于，不同叶型几何曲线及不同攻角下的表面压力分布与阻力系数分布可以通过海量的试验获得，或者通过流场的数值模拟获得。
7.根据权利要求1所述的一种叶轮机械叶片的三维反设计方法，其特征在于，目标叶片的几何形状的获取方法如下：
将叶片的表面压力分布和阻力系数分布或损失系数分布作为输入层，将三维叶片不同几何形状及其不同流量或不同进出口参数条件作为输出层，其中，三维叶片不同几何形状包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律；
利用卷积层通过共享的小型权重矩阵,来获取数据特征；
通过聚合临近数据点的特征来使得在保证预测精度的前提下，降低权值参数来达到降低模型训练时间的目的；
由卷积神经网络层层提取到的特征值数据组成，并建立输入与输出的线性回归关系；
由目标叶型表面的压力分布及阻力系数分布或损失系数分布，获得目标叶片的几何形状，其中，目标叶片的几何形状包括沿叶高的叶型分布规律，叶片的弯曲、扭转、掠的规律。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877651.1A CN110580396A (zh) | 2019-09-17 | 2019-09-17 | 一种叶轮机械叶片的三维反设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877651.1A CN110580396A (zh) | 2019-09-17 | 2019-09-17 | 一种叶轮机械叶片的三维反设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110580396A true CN110580396A (zh) | 2019-12-17 |
Family
ID=68811358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910877651.1A Pending CN110580396A (zh) | 2019-09-17 | 2019-09-17 | 一种叶轮机械叶片的三维反设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110580396A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112632728A (zh) * | 2020-12-30 | 2021-04-09 | 西安交通大学 | 基于深度学习的透平机械叶型设计及性能预测方法 |
| CN112800663A (zh) * | 2021-01-03 | 2021-05-14 | 复旦大学 | 基于神经网络的航空发动机压气机转子叶片的反设计方法 |
| CN113468824A (zh) * | 2021-07-29 | 2021-10-01 | 北京全四维动力科技有限公司 | 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 |
| CN114781203A (zh) * | 2022-03-17 | 2022-07-22 | 西安交通大学 | 一种用于提取叶轮机械当地损失力系数的方法及系统 |
| CN116796459A (zh) * | 2023-06-20 | 2023-09-22 | 东南大学溧阳研究院 | 一种应用于涡轮增压器的带分流叶片的径向透平设计方法 |
| CN118070157A (zh) * | 2024-04-22 | 2024-05-24 | 西北工业大学 | 一种基于水压数据的目标航行体形状识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120303345A1 (en) * | 2011-05-24 | 2012-11-29 | Sunil Kumar | System and method for automatic generation and usage of fluid flow loss coefficients for t-junctions |
| CN105046041A (zh) * | 2015-05-18 | 2015-11-11 | 西北工业大学 | 一种压气机可控扩散叶型稳健优化设计方法 |
| CN106202795A (zh) * | 2016-07-21 | 2016-12-07 | 浙江理工大学 | 基于熵产和叶片载荷联合约束的离心泵叶轮及其设计方法 |
| CN107480392A (zh) * | 2017-08-25 | 2017-12-15 | 北京航空航天大学 | 一种基于椭圆非均匀变形的叶片造型方法 |
| CN110043517A (zh) * | 2019-03-15 | 2019-07-23 | 北航（四川）西部国际创新港科技有限公司 | 基于边界涡量流诊断的吸附式风扇的设计方法 |
-
2019
- 2019-09-17 CN CN201910877651.1A patent/CN110580396A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120303345A1 (en) * | 2011-05-24 | 2012-11-29 | Sunil Kumar | System and method for automatic generation and usage of fluid flow loss coefficients for t-junctions |
| CN105046041A (zh) * | 2015-05-18 | 2015-11-11 | 西北工业大学 | 一种压气机可控扩散叶型稳健优化设计方法 |
| CN106202795A (zh) * | 2016-07-21 | 2016-12-07 | 浙江理工大学 | 基于熵产和叶片载荷联合约束的离心泵叶轮及其设计方法 |
| CN107480392A (zh) * | 2017-08-25 | 2017-12-15 | 北京航空航天大学 | 一种基于椭圆非均匀变形的叶片造型方法 |
| CN110043517A (zh) * | 2019-03-15 | 2019-07-23 | 北航（四川）西部国际创新港科技有限公司 | 基于边界涡量流诊断的吸附式风扇的设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘凌君: "基于神经网络的翼型气动力计算和反设计方法", 《气体物理》, 31 October 2018 (2018-10-31) * |
| 梁礼明: "《优化方法导论》", 北京：北京理工大学出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112632728A (zh) * | 2020-12-30 | 2021-04-09 | 西安交通大学 | 基于深度学习的透平机械叶型设计及性能预测方法 |
| CN112632728B (zh) * | 2020-12-30 | 2022-10-25 | 西安交通大学 | 基于深度学习的透平机械叶型设计及性能预测方法 |
| CN112800663A (zh) * | 2021-01-03 | 2021-05-14 | 复旦大学 | 基于神经网络的航空发动机压气机转子叶片的反设计方法 |
| CN113468824A (zh) * | 2021-07-29 | 2021-10-01 | 北京全四维动力科技有限公司 | 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 |
| CN114781203A (zh) * | 2022-03-17 | 2022-07-22 | 西安交通大学 | 一种用于提取叶轮机械当地损失力系数的方法及系统 |
| CN114781203B (zh) * | 2022-03-17 | 2024-08-06 | 西安交通大学 | 一种用于提取叶轮机械当地损失力系数的方法及系统 |
| CN116796459A (zh) * | 2023-06-20 | 2023-09-22 | 东南大学溧阳研究院 | 一种应用于涡轮增压器的带分流叶片的径向透平设计方法 |
| CN116796459B (zh) * | 2023-06-20 | 2023-12-08 | 东南大学溧阳研究院 | 一种应用于涡轮增压器的带分流叶片的径向透平设计方法 |
| CN118070157A (zh) * | 2024-04-22 | 2024-05-24 | 西北工业大学 | 一种基于水压数据的目标航行体形状识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580396A (zh) | 一种叶轮机械叶片的三维反设计方法 | |
| Mahmuddin | Rotor blade performance analysis with blade element momentum theory | |
| Potsdam et al. | Unstructured mesh CFD aerodynamic analysis of the NREL Phase VI rotor | |
| CN111079228B (zh) | 一种基于流场预测的气动外形优化方法 | |
| Russell et al. | Comprehensive analysis modeling of small-scale uas rotors | |
| CN107609243B (zh) | 一种螺旋桨叶片的设计方法 | |
| CN106650046B (zh) | 一种舰船空气流场的非定常特性获取方法 | |
| CN111859746B (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
| CN104317980A (zh) | 一种共轴刚性旋翼气动弹性响应方法 | |
| CN106126791B (zh) | 一种考虑几何不确定性的高超声速机翼气动力/热分析方法 | |
| EP2275671A1 (en) | System and method for designing airfoils | |
| CN110702363B (zh) | 针对雷诺数影响的高空螺旋桨风洞试验数据修正方法 | |
| CN105631125A (zh) | 基于降阶模型的气动-热-结构耦合分析方法 | |
| CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
| CN113777931A (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
| Kinnas et al. | Prediction of the unsteady cavitating performance of ducted propellers subject to an inclined inflow | |
| CN114676639A (zh) | 基于神经网络的飞行器气动外形优化方法、装置及介质 | |
| CN105138766B (zh) | 基于模糊聚类的高超声速气动热降阶模型的加点方法 | |
| CN117313235A (zh) | 一种基于机器学习的特种无人机优化翼型桨叶设计方法 | |
| CN109992893A (zh) | 一种螺旋桨气动外形优化设计方法 | |
| CN109515739B (zh) | 一种气动力特性快速预测方法 | |
| CN113353285B (zh) | 一种旋翼翼型的确定方法及系统 | |
| Barrett et al. | Airfoil shape design and optimization using multifidelity analysis and embedded inverse design | |
| CN115563879A (zh) | 一种风力机叶片翼型失速延迟建模的方法和系统 | |
| Varchola et al. | Methodology of 3D hydraulic design of a impeller of axial turbo machine |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |