CN112364442A - 一种双向智能选择的流固耦合分析方法 - Google Patents

一种双向智能选择的流固耦合分析方法 Download PDF

Info

Publication number
CN112364442A
CN112364442A CN202011522952.1A CN202011522952A CN112364442A CN 112364442 A CN112364442 A CN 112364442A CN 202011522952 A CN202011522952 A CN 202011522952A CN 112364442 A CN112364442 A CN 112364442A
Authority
CN
China
Prior art keywords
flow field
finite element
structural
field object
nodes
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
Application number
CN202011522952.1A
Other languages
English (en)
Inventor
田海涛
刘凯
程萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Mechanical and Electrical Technology
Original Assignee
Beijing Research Institute of Mechanical and Electrical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Mechanical and Electrical Technology filed Critical Beijing Research Institute of Mechanical and Electrical Technology
Priority to CN202011522952.1A priority Critical patent/CN112364442A/zh
Publication of CN112364442A publication Critical patent/CN112364442A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明提供了一种双向智能选择的流固耦合分析方法，能够解决现有插值方法存在的准确性差、数据传递精度低、插值效率低以及自动化程度低等技术问题。该方法包括以下步骤：S1，建立流场CFD网格和结构有限元网格；S2，通过设定的智能匹配判断准则将所有结构有限元网格节点按照顺序编号的各流场物面进行智能匹配分组；S3，对匹配分组后的结构有限元网格节点进行训练，获得结构特征点集{QFEM}，并建立{QFEM}和对应流场物面节点的数据传递关系{TFC}；S4，获得流场气动力；S5，插值气动力、计算弹性变形，变形插值到CFD网格；S6，针对变形后的流场网格开展CFD网格的流场计算；S7，判断计算结果是否满足静气动弹性收敛条件。

Description

一种双向智能选择的流固耦合分析方法
技术领域
本发明涉及飞行器气动弹性技术领域，尤其涉及一种双向智能选择的流固耦合分析方法。
背景技术
随着飞行器性能的不断提升，飞行器外形也逐渐复杂，对气动弹性的需求已经不再停留于单个典型状态的气动弹性分析，需要具备多个典型状态、适应复杂外形以及高效高精度的强鲁棒分析方法，这无疑对气动弹性分析技术提出更高要求。以往气动弹性分析方法多采用工程分析方法，但是随着气动外形逐渐复杂，复杂流场环境无法真实模拟的局限性逐渐显现，而CFD/CSD直接耦合气动弹性分析方法在工程上逐渐得到应用。在考虑耦合效率和计算精度的条件下，CFD/CSD耦合方法中松耦合策略目前广泛应用，即各个物理场分别求解迭代，并进行大量的数据交换从而实现多物理场的耦合，但是这种方法需要大量的人为干预，且也会因为人为干预的个体差异造成气动弹性分析效率不同，同时人为干预也会但来失误的不确定性。
气动弹性分析精度和效率主要表现为：CFD/CSD求解器的计算精度和数据传递精度。主要表现在以下几个方面：
（1）结构计算边界与流场计算边界的匹配性问题
流固耦合计算的前提是，流场计算部件和结构分析部件一一对应，然而，气动分析的部件和结构建模中部件的区分方式不同，因此，在气动弹性分析前需要完成结构计算边界与流场计算边界的匹配；对于单个翼面或者舵面的气动弹性分析时可以较快完成，但是对于多部件、全飞行器量级的分析则需要耗费大量人力，并且时常会出现问题。
（2）多场耦合计算数据传递精度的问题
随着气动外形逐渐复杂，具有大薄尺寸、几何尖角明显、缝隙狭小、非线性扭转等特征的特殊几何部位逐渐增多，严重影响了多物理的数据传递精度。这些位置处内外侧壁面（或者两个部件）的插值节点距离较近，会出现其它部位的气动力插值到待插值区域的情况，引起插值到结构的气动力与流场气动力分布存在差异，进而影响结构弹性变形计算结果的准确性；
总之，现有插值方法存在准确性差、数据传递精度低、插值效率低、自动化程度低等问题，影响静气动弹性分析的精度、效率。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供了一种双向智能选择的流固耦合分析方法，能够解决现有插值方法存在的准确性差、数据传递精度低、插值效率低以及自动化程度低等技术问题。
本发明的技术解决方案如下：提供一种双向智能选择的流固耦合分析方法，该方法包括以下步骤：
S1，建立流场CFD网格和结构有限元网格，确定各流场物面单元信息以及结构有限元网格节点的坐标信息，并对各流场物面进行顺序编号；
S2，根据所述流场物面单元信息以及结构有限元网格节点的坐标信息，通过设定的智能匹配判断准则将所有结构有限元网格节点按照顺序编号的各流场物面进行智能匹配分组；
S3，对匹配分组后的结构有限元网格节点进行训练，获得结构特征点集{QFEM}，并建立结构特征点集{QFEM}和对应流场物面节点的数据传递关系{TFC}；
S4，根据S1建立的流场CFD网格进行指定条件下的流场分析，获得流场气动力；
S5，通过数据传递关系{TCF}将所述流场气动力传递到所述结构特征点集上，进行结构模型在气动载荷作用下的有限元分析，计算结构弹性变形；再根据所述数据传递关系{TFC},将结构弹性变形数据转换到流场物面，得到变形后的流场网格；其中{TCF}={TFC}-1；
S6，针对变形后的流场网格开展CFD网格的流场计算；
S7，判断计算结果是否满足静气动弹性收敛条件，若满足则转至S8，否则转至S9，
S8，完成静气动弹性分析；
S9，获取上一步获得弹性变形后的气动力，并基于弹性变形后的气动力执行S5-S7。
进一步地，步骤S2中，设定的智能匹配判断准则包括：a、结构有限元网格节点到流场物面单元的垂直距离小于等于设定阈值；b、结构有限元网格节点位于流场物面单元的面内；c、流场物面单元节点和结构有限元节点的连线与该流场物面单元法向矢量的夹角最大；其中，步骤S2具体包括：
2.1 对于首次编号的流场物面，将满足智能匹配判断准则中的a或b的所有的结构有限元节点判定为与首次编号的流场物面相匹配，对于剩余结构有限元节点和流场物面按照相同方法依次进行智能匹配分组；
2.2 对于不满足智能匹配判断准则中的a或b的结构有限元节点，则按照智能匹配判断准则中的c进行匹配分组，当满足c时，则判定结构有限元网格节点与相应的流场物面单元所在的流场物面相匹配。
进一步地，S2中，设定阈值为流场物面外形和结构外形的距离偏差值。
进一步地，S2中，设定阈值为1mm。
进一步地，S4中，指定条件优选飞行器典型工况。
进一步地，S3中，通过特征值分解、神经网络或径向基函数训练方法对结构有限元网格节点进行训练。
进一步地，S5中，通过径向基函数插值方法、弹簧法或者常体积转换方法将结构弹性变形数据转换到流场物面。
与现有技术相比，本发明的有益效果是：
本发明通过结构有限元网格节点向流场物面的智能匹配和结构有限元网格节点的智能选取（也即S3）实现了流固耦合分析中的双向选择，提高了静气动弹性分析过程中数据交换的精度和效率，克服了现有插值方法存在的准确性差、数据传递精度低、插值效率低以及自动化程度低等技术问题。本发明适用于飞行器复杂几何外形气动弹性分析，便于工程应用。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例提供的一种双向智能选择的流固耦合分析方法的流程示意图；
图2示出了根据本发明实施例提供的智能匹配判断准则；
图3示出了根据本发明实施例提供的智能匹配结构有限元网格节点前后对比示意图；
其中，（A）智能匹配前；（B）智能匹配后；
图4示出了根据本发明实施例提供的结构有限元网格节点智能选取后的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到 ：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1-4所示，本发明的技术解决方案如下：提供一种双向智能选择的流固耦合分析方法，该方法包括以下步骤：
S1，建立流场CFD网格和结构有限元网格，并确定各流场物面单元信息以及结构有限元网格节点（也即结构插值节点）的坐标信息，其中，按照设定顺序给各流场物面进行编号；
S2，根据所述流场物面单元信息以及结构有限元网格节点的坐标信息，通过设定的智能匹配判断准则将所有结构有限元网格节点按照顺序编号的各流场物面进行智能匹配分组（也即通过节点智能匹配选择方法使得流场和结构场部件匹配）；
S3，对匹配分组后的结构有限元网格节点进行训练，获得结构特征点集{QFEM}，并建立结构特征点集{QFEM}和对应流场物面节点的数据传递关系{TFC}（也即实现结构插值节点的智能选取）；
S4，根据S1建立的流场CFD网格进行指定条件下的流场分析，获得流场气动力；
S5，通过数据传递关系{TCF}将所述流场气动力传递到所述结构特征点集上（也即将气动力插值到结构特征点集的插值节点），进行结构模型在气动载荷作用下的有限元分析，计算结构弹性变形；再根据所述数据传递关系{TFC},将结构弹性变形数据转换到流场物面（也即将弹性变形插值到流场各物面的流场网格上），得到变形后的流场网格；其中{TCF}={TFC}-1；
S6，针对变形后的流场网格开展CFD网格的流场计算；
S7，判断计算结果是否满足静气动弹性收敛条件，若满足则转至S8，否则转至S9，
S8，完成静气动弹性分析；
S9，获取弹性变形后的气动力，并基于弹性变形后的气动力执行S5-S7。
本发明实施例中，建立的流场CFD网格和结构有限元网格分别用于流场计算和结构有限元分析。
举例来讲，可将导出各流场物面单元信息以及结构有限元网格节点的坐标信息以用于后续的计算分析。其中的流场物面信息包括流场物面节点及单元文件。
此外，本领域技术人员应当理解，流场物面划分通常是将关心的流场物面区域整理成一个集合，用来监控和观测该区域的流场变化，具体的划分可根据实际情况进行，在此不再详细赘述。
此外，可根据实际情况对各流场物面进行顺序编号。
可见，本发明实施例通过结构有限元网格节点向流场物面的智能匹配和结构有限元网格节点的智能选取（也即S3）实现了流固耦合分析中的双向选择，提高了静气动弹性分析过程中数据交换的精度和效率，克服了现有插值方法存在的准确性差、数据传递精度低、插值效率低以及自动化程度低等技术问题。本发明适用于飞行器复杂几何外形气动弹性分析，便于工程应用。
在上述实施例中，为了实现结构有限元网格节点的智能匹配分组，步骤S2中，设定的智能匹配判断准则包括：a、结构有限元网格节点到流场物面单元的垂直距离小于等于设定阈值；b、结构有限元网格节点位于流场物面单元的面内；c、流场物面单元节点和结构有限元节点的连线与该流场物面单元法向矢量的夹角最大；其中，步骤S2具体包括：
2.1 对于首次编号的流场物面，将满足智能匹配判断准则中的a或b的所有的结构有限元节点判定为与首次编号的流场物面相匹配，对于剩余结构有限元节点和流场物面按照相同方法依次进行智能匹配分组；
2.2 对于不满足智能匹配判断准则中的a或b的结构有限元节点，则按照智能匹配判断准则中的c进行匹配分组，当满足c时，则判定结构有限元网格节点与相应的流场物面单元所在的流场物面相匹配。
通过上述智能匹配方法，使得流场和结构场部件匹配，大幅度增强了气动弹性分析过程中结构节点对流场网格适应能力，提高了插值效率，且增强了流场网格的使用能力。
举例来讲，如图2所示，根据导出的所有流场物面单元和节点坐标信息以及结构有限元网格节点坐标信息，通过上述智能匹配判断准则将所有结构有限元网格节点智能匹配分组，其中，通过点到面的垂直距离小于等于设定阈值原则进行匹配分组，如图2所示，n为单元法向矢量，d为结构有限元网格节点也即结构插值节点到流场物面单元的距离，Node a~Node d为流场物面单元节点，通过判断距离d和设定阀值的大小，决定是否将结构节点分配给流场单元所在的流场物面区域，按照上述原则，将其余有限元节点智能分配给对应的流场物面。
如图3A、3B、4所示，以某飞机插值节点匹配为例说明本发明实施例的使用效果。图3A为不进行智能匹配所有结构插值节点和多部件的流场物面示意图，其中，A、B、C是指三个部件，图3B为进行智能匹配后结构插值节点和多部件的流场物面示意，可以看出，结构节点按照流场部件进行了分组a、b、c。图4中实心黑点为智能选取后的结构插值节点，可以看出通过智能选取，插值节点数量大幅降低，在后续的气动力插值过程中可以大幅提高计算效率，同时结构插值节点的智能匹配也避免了插值过程中舵面和安定面上的插值关系出错的问题。也即，本发明实施例通过节点智能匹配选择方法使得流场和结构场部件匹配，增强了气动弹性分析过程中结构节点对流场网格适应能力提高了插值效率，增强了流场网格的使用能力。同时，通过训练后选择的结构节点特征性强，数据点少且合理，取消了人为选择结构插值节点的过程提高了插值效率，匹配选择方法使得流场和结构场部件数据传递精度提高。
在上述实施例中，为了保证匹配精度，S2中，设定阈值为流场物面外形和结构外形的距离偏差值。
此外，本领域技术人员应当理解，流场物面外形和结构外形的距离偏差值的获取为本领域公知手段。
较佳地，S2中，设定阈值为1mm，也即，此时结构外表面与流场物面外形基本保持一致。
作为本发明一种具体实施例，S4中，指定条件优选飞行器典型工况。
在上述实施例中，为了实现对结构有限元网格节点的训练，S3中，通过特征值分解、神经网络或径向基函数训练方法对结构有限元网格节点进行训练。
在上述实施例中，为了实现弹性变形数据的插值，S5中，通过径向基函数插值方法、弹簧法或者常体积转换等插值方法将结构弹性变形数据转换到流场物面。
其中的径向基函数插值方法、弹簧法或者常体积转换等插值方法均为本领域插值用常用方法，在此不再详细赘述。
可见，本发明通过节点智能匹配选择和插值点的智能选择，节省了插值节点的选择时间和插值节点的分组时间，建立了准确的一一对应的流固边界插值关系，提高了翼尖、翼舵前后缘、进气道唇口、翼舵距离较近等几何外形区域的气动力插值准确性。经过工程适用测试，经过智能匹配分组和节点智能选取后，在气动弹性耦合分析花费时间由原先的380秒左右缩短为50秒左右。综上所述，本发明对于复杂外形具有较强的鲁棒性、计算稳定性以及高效性的特点。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种双向智能选择的流固耦合分析方法，其特征在于，所述方法包括以下步骤：
S1，建立流场CFD网格和结构有限元网格，确定各流场物面单元信息以及结构有限元网格节点的坐标信息，并对各流场物面进行顺序编号；
S2，根据所述流场物面单元信息以及结构有限元网格节点的坐标信息，通过设定的智能匹配判断准则将所有结构有限元网格节点按照顺序编号的各流场物面进行智能匹配分组；
S3，对匹配分组后的结构有限元网格节点进行训练，获得结构特征点集{QFEM}，并建立结构特征点集{QFEM}和对应流场物面节点的数据传递关系{TFC}；
S4，根据S1建立的流场CFD网格进行指定条件下的流场分析，获得流场气动力；
S5，通过数据传递关系{TCF}将所述流场气动力传递到所述结构特征点集上，进行结构模型在气动载荷作用下的有限元分析，计算结构弹性变形；再根据所述数据传递关系{TFC},将结构弹性变形数据转换到流场物面，得到变形后的流场网格；其中{TCF}={TFC}-1；
S6，针对变形后的流场网格开展CFD网格的流场计算；
S7，判断计算结果是否满足静气动弹性收敛条件，若满足则转至S8，否则转至S9，
S8，完成静气动弹性分析；
S9，获取上一步获得弹性变形后的气动力，并基于弹性变形后的气动力执行S5-S7。
2.根据权利要求1所述的一种双向智能选择的流固耦合分析方法，其特征在于，所述步骤S2中，设定的所述智能匹配判断准则包括：a、结构有限元网格节点到流场物面单元的垂直距离小于等于设定阈值；b、结构有限元网格节点位于流场物面单元的面内；c、流场物面单元节点和结构有限元节点的连线与该流场物面单元法向矢量的夹角最大；其中，所述步骤S2具体包括：
2.1 对于首次编号的流场物面，将满足智能匹配判断准则中的a或b的所有的结构有限元节点判定为与首次编号的流场物面相匹配，对于剩余结构有限元节点和流场物面按照相同方法依次进行智能匹配分组；
2.2 对于不满足智能匹配判断准则中的a或b的结构有限元节点，则按照智能匹配判断准则中的c进行匹配分组，当满足c时，则判定结构有限元网格节点与相应的流场物面单元所在的流场物面相匹配。
3.根据权利要求2所述的一种双向智能选择的流固耦合分析方法，其特征在于，S2中，所述设定阈值为流场物面外形和结构外形的距离偏差值。
4.根据权利要求3所述的一种双向智能选择的流固耦合分析方法，其特征在于，S2中，设定阈值为1mm。
5.根据权利要求1-4任一项所述的一种双向智能选择的流固耦合分析方法，其特征在于，S4中，指定条件优选飞行器典型工况。
6.根据权利要求1所述的一种双向智能选择的流固耦合分析方法，其特征在于，S3中，通过特征值分解、神经网络或径向基函数训练方法对结构有限元网格节点进行训练。
7.根据权利要求1所述的一种双向智能选择的流固耦合分析方法，其特征在于，S5中，通过径向基函数插值方法、弹簧法或者常体积转换方法将结构弹性变形数据转换到流场物面。
CN202011522952.1A 2020-12-22 2020-12-22 一种双向智能选择的流固耦合分析方法 Pending CN112364442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011522952.1A CN112364442A (zh) 2020-12-22 2020-12-22 一种双向智能选择的流固耦合分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011522952.1A CN112364442A (zh) 2020-12-22 2020-12-22 一种双向智能选择的流固耦合分析方法

Publications (1)

Publication Number Publication Date
CN112364442A true CN112364442A (zh) 2021-02-12

Family

ID=74534538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011522952.1A Pending CN112364442A (zh) 2020-12-22 2020-12-22 一种双向智能选择的流固耦合分析方法

Country Status (1)

Country Link
CN (1) CN112364442A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949151A (zh) * 2021-02-19 2021-06-11 北京航空航天大学 基于数据驱动的流固耦合预测方法
CN113033056A (zh) * 2021-04-02 2021-06-25 之江实验室 计算流体力学与有限元分析联合仿真方法
CN114004174A (zh) * 2021-10-29 2022-02-01 中船重工奥蓝托无锡软件技术有限公司 适用多套复杂网格耦合cfd计算的高效宿主单元搜索方法
CN114491730A (zh) * 2021-12-23 2022-05-13 中国铁道科学研究院集团有限公司 一种高速铁路路基结构动力安定分析迭代方法及装置
CN115057001A (zh) * 2022-08-17 2022-09-16 中国空气动力研究与发展中心空天技术研究所 一种基于网格的翼面后缘舵面快速生成与舵效评估方法
CN115794447A (zh) * 2023-02-07 2023-03-14 青岛哈尔滨工程大学创新发展中心 一种用于多物理场耦合的网格数据传递方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492234A (zh) * 2017-09-11 2019-03-19 北京机电工程研究所 一种改进的流固耦合插值方法
CN110162825A (zh) * 2019-03-20 2019-08-23 北京机电工程研究所 开裂式舵面气动弹性建模方法
CN110162822A (zh) * 2019-03-19 2019-08-23 北京机电工程研究所 耦合结构模态的时域快速非定常气动力计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492234A (zh) * 2017-09-11 2019-03-19 北京机电工程研究所 一种改进的流固耦合插值方法
CN110162822A (zh) * 2019-03-19 2019-08-23 北京机电工程研究所 耦合结构模态的时域快速非定常气动力计算方法
CN110162825A (zh) * 2019-03-20 2019-08-23 北京机电工程研究所 开裂式舵面气动弹性建模方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
完颜振海;刘佳佳;杨亮;孟超;: "运载火箭静气动弹性流固耦合仿真研究", 计算机仿真, no. 11, pages 27 - 30 *
寇家庆: "非定常气动力建模与流场降阶方法研究", 《硕士论文全文数据库 基础科学》, no. 6, pages 1 - 173 *
李裕龙;储南洋;邓锐;牛丽霞;: "三维圆柱体-弹性板非线性流固耦合数值计算", 华中科技大学学报(自然科学版), no. 11, pages 18 - 22 *
王博斌;张伟伟;叶正寅;: "基于神经网络模型的动态非线性气动力辨识方法", 航空学报, no. 07, pages 1379 - 1388 *
王立文;刘强;霍金鉴;姜兴禹;胡建伟;唐杰;: "基于概率神经网络的液压管路泄漏故障程度识别", 机床与液压, no. 04, pages 159 - 164 *
陈召涛;孙秦;: "一种高精度气动弹性计算方法", 航空计算技术, no. 01, pages 48 - 51 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949151A (zh) * 2021-02-19 2021-06-11 北京航空航天大学 基于数据驱动的流固耦合预测方法
CN112949151B (zh) * 2021-02-19 2022-09-27 北京航空航天大学 基于数据驱动的流固耦合预测方法
CN113033056A (zh) * 2021-04-02 2021-06-25 之江实验室 计算流体力学与有限元分析联合仿真方法
CN113033056B (zh) * 2021-04-02 2024-04-05 之江实验室 计算流体力学与有限元分析联合仿真方法
CN114004174A (zh) * 2021-10-29 2022-02-01 中船重工奥蓝托无锡软件技术有限公司 适用多套复杂网格耦合cfd计算的高效宿主单元搜索方法
CN114004174B (zh) * 2021-10-29 2023-08-25 中船奥蓝托无锡软件技术有限公司 适用多套复杂网格耦合cfd计算的高效宿主单元搜索方法
CN114491730A (zh) * 2021-12-23 2022-05-13 中国铁道科学研究院集团有限公司 一种高速铁路路基结构动力安定分析迭代方法及装置
CN115057001A (zh) * 2022-08-17 2022-09-16 中国空气动力研究与发展中心空天技术研究所 一种基于网格的翼面后缘舵面快速生成与舵效评估方法
CN115057001B (zh) * 2022-08-17 2023-03-24 中国空气动力研究与发展中心空天技术研究所 一种基于网格的翼面后缘舵面快速生成与舵效评估方法
CN115794447A (zh) * 2023-02-07 2023-03-14 青岛哈尔滨工程大学创新发展中心 一种用于多物理场耦合的网格数据传递方法

Similar Documents

Publication Publication Date Title
CN112364442A (zh) 一种双向智能选择的流固耦合分析方法
CN110705078B (zh) 一种核动力装置的仿真模型开发系统及分析方法
CN110909762B (zh) 基于多传感器融合的机器人姿态识别方法及装置
CN110222828B (zh) 一种基于混合深度神经网络的非定常流场预测方法
CN106971043B (zh) 一种嵌套网格的建立方法及装置
CN112016167A (zh) 基于仿真和优化耦合的飞行器气动外形设计方法及系统
CN109446471B (zh) 一种考虑载荷不确定性的流固耦合界面数据传递方法
CN111310278A (zh) 一种基于仿真的船舶自动化建模方法
CN107958124B (zh) 一种基于应力分布模式优化的混合尺度耦合方法
CN112541584B (zh) 深度神经网络模型并行模式选择方法
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN113221475A (zh) 一种用于高精度流场分析的网格自适应方法
CN109492234B (zh) 一种改进的流固耦合插值方法
CN107527385B (zh) 一种网格自动投影方法
CN104408773A (zh) 一种结构化网格非匹配界面插值的方法
CN114676522B (zh) 融合gan和迁移学习的气动形状优化设计方法及系统及设备
CN106114876B (zh) 飞机试飞数据的参数辨识方法
CN112414668B (zh) 一种风洞试验数据静气弹修正方法、装置、设备及介质
Cary et al. Current practice unstructured grid CFD results for 3rd AIAA High Lift Prediction Workshop
CN106803266A (zh) 一种船体复杂外板点云肋骨线提取方法及装置
CN107247833B (zh) 一种云计算下的cae海量数据轻量化方法
CN115293069A (zh) 一种用于飞行器外流场仿真控制参数智能优化的系统
CN110795877B (zh) 一种基于流固耦合的受电弓作动电机扭矩补偿量计算方法
Lakshminarayan et al. Fully Automated Surface Mesh Adaptation in Strand Grid Framework
CN114692287A (zh) 耦合太阳能电池布片的翼型构建方法及系统

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