CN113221237B - 一种基于降阶建模的大迎角颤振分析方法 - Google Patents
一种基于降阶建模的大迎角颤振分析方法 Download PDFInfo
- Publication number
- CN113221237B CN113221237B CN202110374518.1A CN202110374518A CN113221237B CN 113221237 B CN113221237 B CN 113221237B CN 202110374518 A CN202110374518 A CN 202110374518A CN 113221237 B CN113221237 B CN 113221237B
- Authority
- CN
- China
- Prior art keywords
- generalized
- reduced
- training
- relative
- order model
- 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.)
- Active
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于降阶建模的大迎角颤振分析方法。首先完成给定机翼的模态特性分析;然后选定一系列马赫数,求解得到在该迎角和这些马赫数下的静气弹变形,设计训练运动信号和预测运动信号,获得训练数据样本和预测数据样本;然后建立非定常气动降阶模型,评估非定常气动降阶模型的训练效果和泛化能力;最后使用得到的非定常气动降阶模型完成颤振分析。
Description
技术领域
本发明涉及涉及一种基于降阶建模的大迎角颤振分析方法,属于非线性气动弹性领域。
背景技术
现代战斗机具备的高机动性,使之需要在大迎角条件下飞行;导弹机动时舵面处于大迎角状态;飞机在遇到阵风时机翼可能会进入较大的迎角状态;风力机叶片、涡轮叶片等机械部件通常也是在有一定迎角的状态工作。但是目前气动弹性相关研究主要关注零迎角状态,对于具有非零迎角的气动弹性研究很少。
气动弹性相关研究主要是风洞试验和数值模拟方法,风洞试验需准备相应的场地、风洞和器材,不仅时间周期长、成本高,由于气动弹性问题的复杂性,风洞试验精度也有限;数值模拟方法中,基于计算流体力学和有限元的流固耦合方法针对大迎角、跨音速等复杂非线性问题仍然较困难、成本较高、计算周期长,于是各种降阶模型(Reduced OrderModel,ROM)开始应用于气动弹性领域,在保证计算精度的同时,大幅提高计算效率。
目前已有大量的动态线性非定常气动降阶模型的研究,但这些非定常气动降阶模型应用于大迎角、跨音速等气动力有强动态非线性特性时,通常有较大误差。随着人工智能技术逐渐兴起,基于人工神经网络(Artificial Neural Network,ANN)的建模方法也快速发展。ANN具有很强的拟合非线性系统的能力,且天然就具备对多输入/多输出系统的描述能力。这些优势使得ANN适用于非定常非线性气动力降阶。
但是目前非定常气动降阶模型的研究主要针对一固定来流状态,若将目前的降阶方法用于颤振分析,特别是用于寻找颤振边界匹配解时,势必需要反复迭代,以确定合适的来流条件以建立降阶模型。另外目前非定常气动降阶模型研究主要针对的是二元翼段。因此有必要建立适用于大迎角三维机翼,且适用于不同来流马赫数的非定常气动降阶模型。
发明内容
本发明针对三维机翼大迎角气动弹性问题,提出了一种基于降阶建模的大迎角颤振分析方法,其包括如下步骤:
步骤A:针对给定机翼进行有限元建模,完成机翼的模态的特性分析,提取参与颤振的前若干阶模态的模态信息,其中:
模态信息包括模态的频率和机翼表面各点处的模态值,模态值包括垂直于弦向和展向平面的模态值分量,
以未变形的机翼状态为坐标零点,把机翼的瞬态变形可以表示为:z=Φd,z为机翼表面处垂直于弦向和展向平面的变形分量向量,Φ为模态矩阵,d为广义坐标,
步骤B:对于上述的前若干阶模态信息,设计训练运动信号和预测运动信号,得到用于建立非定常气动降阶模型的训练数据样本和预测数据样本,包括:
把广义气动弹性运动方程表示为:
其中I为单位阵,C为广义阻尼矩阵,K为广义刚度矩阵,F为广义力,
确定机翼颤振马赫数的大致范围,在该大致范围内选定一系列马赫数Mar,并求解该一系列马赫数Mar下的静气弹,获得静气弹收敛后的广义位移d0和广义力F0,将该一系列马赫数Mar分成两部分,包括训练马赫数Matrain和预测马赫数Mapredict,
把广义位移和广义力表示为静变形量和相对量的叠加,即d=dt+d0,F=F0+Ft,其中dt为相对广义位移、Ft为相对广义力,把相对广义力Ft表示为相对广义力系数的形式Ft=p0ft,其中p0为来流动压、ft为相对广义力系数,
在训练马赫数Matrain条件计算的静气弹基础上设计相对广义位移dt的函数,即设计训练运动信号dtrain,得到训练运动信号下的相对广义力系数ftrain,将训练马赫数Matrain、训练运动信号dtrain、训练运动信号下的相对广义力系数ftrain作为训练数据样本,
在预测马赫数Mapredict条件计算的静气弹基础上设计相对广义位移dt的函数,即设计预测运动信号dpredict,得到预测运动信号下的相对广义力系数fpredict,将预测马赫数Mapredict、预测运动信号dpredict、预测运动信号下的相对广义力系数fpredict作为预测数据样本,
步骤C:使用上述得到的训练数据样本和预测数据样本,建立基于人工神经网络的非定常气动降阶模型,评估降阶模型的训练效果和泛化能力,其中:
非定常气动降阶模型的输入是步骤B中选定的一系列马赫数Mar和相对广义位移dt,输出是相对广义力系数ft,
使用步骤B中得到的训练数据样本和预测数据样本建立非定常气动降阶模型,评估非定常气动降阶模型的训练效果和泛化能力包括计算该非定常气动降阶模型对训练数据样本的辨识误差和对预测数据样本的预测误差,若辨识误差或预测误差过大,则返回步骤B进行迭代,
步骤D:使用所得到的非定常气动降阶模型完成颤振分析,
将无阻尼广义气动弹性运动方程表示为相对广义位移dt和相对广义力系数ft的形式,从而把无阻尼广义气动弹性运动方程表示为:
给定颤振分析中的马赫数Ma1,得到来流动压,给定广义位移初始条件,由非定常气动降阶模型计算相对广义力系数ft,使用数值迭代方法求解无阻尼广义气动弹性运动方程实现时间推进,得到该颤振分析中的马赫数Ma1下广义位移的时间响应,
若颤振分析中的马赫数Ma1超出步骤B中选定的一系列马赫数Mar的范围,则返回步骤B,然后重新训练非定常气动降阶模型。
本发明的优点包括:
1)、该方法适用于有初始迎角、不同马赫数三维机翼的颤振分析;
2)、流固耦合计算中,结构使用模态叠加法而非传统有限元法,节省计算时间;
3)、使用了基于人工神经网络的非定常气动降阶方法,从而使得本发明的方法在气动具有强动态非线性特性时仍然能够适用。
附图说明
图1是根据本发明的适用于变马赫数、大迎角三维机翼气动降阶模型建模方法流程图;
图2是基于本发明的建立非定常气动降阶模型的三维机翼大迎角颤振分析流程图;
图3用于说明AGARD445.6机翼实施例中的机翼几何参数;
图4显示了AGARD445.6机翼实施例中基于径向基神经网络的气动降阶模型的输入输出结构。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图和AGARD445.6机翼的实施例对本发明作进一步的详细和深入描述。
本发明提出的一种适用于三维机翼大迎角颤振分析的降阶建模流程如图1所示;基于该非定常气动降阶模型完成三维机翼大迎角颤振分析流程如图2所示。具体步骤如下:
在根据本发明的一个实施例中,针对AGARD445.6机翼,如图3所示,完成10度初始迎角,大气密度1.11kg/m3、温度298K、压强95215Pa的颤振分析。
步骤A:针对给定机翼进行有限元建模,完成机翼的模态的特性分析,提取参与颤振的前若干阶模态的模态信息,其中:
模态信息包括模态的频率和机翼表面各点处的模态值,模态值包括垂直于弦向和展向平面的模态值分量,
在根据本发明的一个实施例中,AGARD445.6机翼的颤振类型为前两阶模态耦合,即弯扭耦合颤振,一阶弯曲模态频率为14.1Hz,第二阶扭转模态频率为50.9Hz。机翼所处平面为xoy平面,提取前两阶模态频率和z方向的模态值分量,
步骤B:对于上述的前若干阶模态信息,设计训练运动信号和预测运动信号,得到用于建立非定常气动降阶模型的训练数据样本和预测数据样本,包括:
把广义气动弹性运动方程表示为:
其中I为单位阵,C为广义阻尼矩阵,K为广义刚度矩阵,F为广义力,
确定机翼颤振马赫数的大致范围,在该大致范围内选定一系列马赫数Mar,将该一系列马赫数Mar分成两部分,包括训练马赫数Matrain和预测马赫数Mapredict,并求解该一系列马赫数Mar条件下的静气弹,获得静气弹收敛后的广义位移d0和广义力F0,然后设计相对广义位移dt的训练运动信号dtrain和预测运动信号dpredict,求解训练运动信号和预测运动信号下的相对广义力系数,得到训练数据样本和预测数据样本,
在根据本发明的一个实施例中,确定机翼颤振马赫数的大致范围为亚音速,选定一系列马赫数Mar并分成两部分,包括训练马赫数Matrain和预测马赫数Mapredict,其中训练马赫数Matrain为:[0.3、0.4、0.5、0.6],预测马赫数Mapredict为:[0.35、0.465、0.55]。在广义气动弹性运动方程中增加阻尼,使用流固耦合方法求解得到静气弹广义位移d0和广义力F0,
在根据本发明的一个实施例中,机翼颤振形式为前两阶模态耦合,则颤振频率一定在前两阶模态频率之间。在静气弹计算结果基础上,训练运动信号和预测运动信号中给前两阶相对广义位移以下列形式的函数:
训练数据样本的获取中取m=5,Ai代表了幅值特性,覆盖颤振运动幅值范围;ωi代表了频率特性,覆盖前两阶模态频率之间的范围。分别给前两阶模态以上述形式的训练运动信号dtrain,获得每一阶模态运动引起的两阶相对广义力系数ftrain,将训练马赫数Matrain、训练运动信号dtrain、训练运动信号下的相对广义力系数ftrain作为训练数据样本。
在根据本发明的一个实施例中假设了模态运动对气动力的影响满足线性叠加,对每一阶广义位移和每一阶广义力建立一对一的非定常气动降阶模型,即对于前两阶模态分别建立四个非定常气动降阶模型,这样建立的非定常气动降阶模型没有考虑到两阶模态运动的耦合对广义气动力的影响。预测数据样本的获取中取m=2,并同时给前两阶模态以上述形式的预测运动信号dpredict,获得两阶模态运动耦合后引起的两阶相对广义力系数fpredict,将预测马赫数Mapredict、预测运动信号dpredict、预测运动信号下的相对广义力系数fpredict作为预测数据样本,
步骤C:使用上述得到的不同马赫数下的训练数据样本和预测数据样本,建立基于人工神经网络的非定常气动降阶模型,评估非定常气动降阶模型的训练效果和泛化能力,其中:
非定常气动降阶模型的输入是步骤B中选定的一系列马赫数Mar和相对广义位移dt,输出是相对广义力系数ft,使用步骤B中得到的训练数据样本和预测数据样本建立非定常气动降阶模型,并评估非定常气动降阶模型的训练效果和泛化能力,包括计算该非定常气动降阶模型对训练数据样本的辨识误差和对预测数据样本的预测误差,若辨识误差或预测误差过大,则返回步骤B进行迭代,
在根据本发明的一个实施例中,把第i阶广义位移与第j阶相对广义力系数对应降阶模型的输入和输出关系表示为:fi=ROMij(di1,di2,...,din,Ma),其中fi为第i阶相对广义力系数,dim为第m个时间步、第i阶相对广义位移,Ma是当前相对广义位移输入对应的来流马赫数,属于Mar集合内。
在根据本发明的一个实施例中,非定常气动降阶模型类型采用径向基神经网络,其输入输出结构如图4所示,设定径向基神经网络结构参数:时间延迟n和隐含层单元数,建立非定常气动降阶模型,计算得到辨识误差和预测误差,发现预测误差略高于辨识误差,不断迭代直到辨识误差和预测误差均可接受,至此认为两阶模态运动的耦合对广义力的影响可忽略,得到的非定常气动降阶模型可用于后续颤振分析,
步骤D:使用得到的非定常气动降阶模型完成颤振分析;
将无阻尼广义气动弹性运动方程表示为相对广义位移dt和相对广义力系数ft的形式,
给定颤振分析中的马赫数Ma1,得到来流动压,给定广义位移初始条件,由非定常气动降阶模型计算相对广义力系数ft,使用数值迭代方法求解无阻尼广义气动弹性运动方程实现时间推进,得到该颤振分析中的马赫数Ma1下广义位移的时间响应,若颤振分析中的马赫数Ma1超出步骤B中选定的一系列马赫数Mar的范围,则返回步骤B,然后重新训练非定常气动降阶模型,
在根据本发明的一个实施例中,为了得到AGARD445.6机翼在该迎角、大气条件的颤振边界,给定不同颤振分析中的来流马赫数Ma1,由非定常气动降阶模型计算相对广义力系数ft,数值迭代方法求解无阻尼广义气动弹性运动方程,即可得到不同颤振分析中的马赫数条件下广义位移的时间响应。通过不断改变颤振分析中的来流马赫数Ma1,观察广义位移响应的收敛发散情况,快速得到当前初始迎角、大气条件下的颤振临界马赫数Maf,发现颤振临界马赫数Maf在步骤B中选定的一系列马赫数Mar的范围内,不需要返回步骤B迭代。经计算该结果与直接使用流固耦合求解颤振,得到的颤振边界基本一致。
Claims (1)
1.一种基于降阶建模的大迎角颤振分析方法,其特征在于包括如下步骤:
步骤A:针对给定机翼进行有限元建模,完成机翼的模态的特性分析,提取参与颤振的前若干阶模态的模态信息,其中:
模态信息包括模态的频率和机翼表面各点处的模态值,模态值包括垂直于弦向和展向平面的模态值分量,
以未变形的机翼状态为坐标零点,把机翼的瞬态变形可以表示为:z=Φd,z为机翼表面处垂直于弦向和展向平面的变形分量向量,Φ为模态矩阵,d为广义坐标,
步骤B:对于上述的前若干阶模态信息,设计训练运动信号和预测运动信号,得到用于建立非定常气动降阶模型的训练数据样本和预测数据样本,包括:
把广义气动弹性运动方程表示为:
其中I为单位阵,C为广义阻尼矩阵,K为广义刚度矩阵,F为广义力,
确定机翼颤振马赫数的大致范围,在该大致范围内选定一系列马赫数Mar,并求解该一系列马赫数Mar下的静气弹,获得静气弹收敛后的广义位移d0和广义力F0,将该一系列马赫数Mar分成两部分,包括训练马赫数Matrain和预测马赫数Mapredict,
把广义位移和广义力表示为静变形量和相对量的叠加,即d=dt+d0,F=F0+Ft,其中dt为相对广义位移、Ft为相对广义力,把相对广义力Ft表示为相对广义力系数的形式Ft=p0ft,其中p0为来流动压、ft为相对广义力系数,
在训练马赫数Matrain条件计算的静气弹基础上设计相对广义位移dt的函数,即设计训练运动信号dtrain,得到训练运动信号下的相对广义力系数ftrain,将训练马赫数Matrain、训练运动信号dtrain、训练运动信号下的相对广义力系数ftrain作为训练数据样本,
在预测马赫数Mapredict条件计算的静气弹基础上设计相对广义位移dt的函数,即设计预测运动信号dpredict,得到预测运动信号下的相对广义力系数fpredict,将预测马赫数Mapredict、预测运动信号dpredict、预测运动信号下的相对广义力系数fpredict作为预测数据样本,
步骤C:使用上述得到的训练数据样本和预测数据样本,建立基于人工神经网络的非定常气动降阶模型,评估降阶模型的训练效果和泛化能力,其中:
非定常气动降阶模型的输入是步骤B中选定的一系列马赫数Mar和相对广义位移dt,输出是相对广义力系数ft,
使用步骤B中得到的训练数据样本和预测数据样本建立非定常气动降阶模型,评估非定常气动降阶模型的训练效果和泛化能力包括计算该非定常气动降阶模型对训练数据样本的辨识误差和对预测数据样本的预测误差,若辨识误差或预测误差过大,则返回步骤B进行迭代,
步骤D:使用所得到的非定常气动降阶模型完成颤振分析,包括:
将无阻尼广义气动弹性运动方程表示为相对广义位移dt和相对广义力系数ft的形式,从而把无阻尼广义气动弹性运动方程表示为:
给定颤振分析中的马赫数Ma1,得到来流动压,给定广义位移初始条件,由非定常气动降阶模型计算相对广义力系数ft,使用数值迭代方法求解无阻尼广义气动弹性运动方程实现时间推进,得到该颤振分析中的马赫数Ma1下广义位移的时间响应,
若颤振分析中的马赫数Ma1超出步骤B中选定的一系列马赫数Mar的范围,则返回步骤B,然后重新训练非定常气动降阶模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374518.1A CN113221237B (zh) | 2021-04-07 | 2021-04-07 | 一种基于降阶建模的大迎角颤振分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374518.1A CN113221237B (zh) | 2021-04-07 | 2021-04-07 | 一种基于降阶建模的大迎角颤振分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221237A CN113221237A (zh) | 2021-08-06 |
CN113221237B true CN113221237B (zh) | 2022-08-05 |
Family
ID=77086669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374518.1A Active CN113221237B (zh) | 2021-04-07 | 2021-04-07 | 一种基于降阶建模的大迎角颤振分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221237B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329315B (zh) * | 2022-01-04 | 2023-03-31 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于动模态分解技术的静气弹快速求解方法 |
WO2024011510A1 (zh) * | 2022-07-14 | 2024-01-18 | 中国科学院深圳先进技术研究院 | 基于模型降阶边界元法的声压评估方法、装置及终端设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182560A (zh) * | 2014-01-08 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞行器颤振预测分析方法和装置 |
CN105843073A (zh) * | 2016-03-23 | 2016-08-10 | 北京航空航天大学 | 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法 |
-
2021
- 2021-04-07 CN CN202110374518.1A patent/CN113221237B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182560A (zh) * | 2014-01-08 | 2014-12-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞行器颤振预测分析方法和装置 |
CN105843073A (zh) * | 2016-03-23 | 2016-08-10 | 北京航空航天大学 | 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法 |
Non-Patent Citations (5)
Title |
---|
《High Efficient Numerical Method for Limit Cycle Flutter Analysis Based on Nonlinear Aerodynamic Reduced Order Model Reduced Order Model》;Zhang W , Wang B , Ye Z .;《51st AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference 18th AIAA/ASME/AHS Adaptive Structures Conference 12th》;20100430;全文 * |
《非定常气动力降阶模型及其应用研究》;陈刚;《中国优秀博硕士学位论文全文数据库(硕士)》;20040915;全文 * |
《高超声速飞行器气动—热—结构建模及模型降阶研究》;陈鑫;《中国优秀博硕士学位论文全文数据库(博士)》;20160715;全文 * |
杨超 ; 黄超 ; 吴志刚 ; 唐长红.《气动伺服弹性研究的进展与挑战》.《航空学报》.2014, * |
王梓伊 ; 张伟伟.《适用于参数可调结构的非定常气动力降阶建模方法》.《航空学报》.2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN113221237A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raveh | CFD-based models of aerodynamic gust response | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
Ghoreyshi et al. | Computational investigation into the use of response functions for aerodynamic-load modeling | |
Sankaralingam et al. | A comprehensive survey on the methods of angle of attack measurement and estimation in UAVs | |
Frink et al. | Computational aerodynamic modeling tools for aircraft loss of control | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
US20220229948A1 (en) | Simulation of the behavior of a vehicle in a fluid by Hamiltonian neural network | |
Kitson et al. | Modeling and simulation of flexible jet transport aircraft with high-aspect-ratio wings | |
Sainmont et al. | Boundary layer behaviour on a morphing airfoil: Simulation and wind tunnel tests | |
Peters et al. | Mode based reduced order model for a moving store | |
Tondji et al. | Identification of the Bombardier CRJ-700 stall dynamics model using neural networks | |
CN211685678U (zh) | 一种多旋翼无人机实时尾迹的仿真分析系统 | |
CN117195763A (zh) | 一种考虑风干扰的固定翼飞行器元飞行气动建模方法 | |
Tondji et al. | CRJ 700 aerodynamic coefficients identification in dynamic stall conditions using neural networks | |
CN115796021A (zh) | 一种基于神经网络的变体飞行器自适应pid控制参数整定方法 | |
Ben Mosbah et al. | Artificial Neural Networks-Extended Great Deluge Model to predict Actuators Displacements for a Morphing Wing Tip System. | |
Mosbah et al. | New methodology combining neural network and extended great deluge algorithms for the ATR-42 wing aerodynamics analysis | |
CN112441253A (zh) | 一种多旋翼无人机实时尾迹的仿真分析系统及方法 | |
Frink et al. | Status of Computational Aerodynamic Modeling Tools for Aircraft Loss-of-Control-Invited | |
Sundaram et al. | Fast and Accurate Aerodynamic Predictions Using Unsteady CFD | |
Mosbah et al. | Artificial Neural Networks-Extended Great Deluge Model to predict Actuators Displacements for a Morphing Wing Tip System | |
Morton et al. | Computational aircraft and armament stability and control techniques applied to the F-16 | |
Cooper et al. | Advances in the analysis of flight flutter test data | |
Phase | Enhancements to SIMMOD: A neural network post-processor to estimate aircraft fuel consumption |
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 |