CN115525980A - 一种再入飞行器气动外形的优化方法和优化装置 - Google Patents
一种再入飞行器气动外形的优化方法和优化装置 Download PDFInfo
- Publication number
- CN115525980A CN115525980A CN202211379091.5A CN202211379091A CN115525980A CN 115525980 A CN115525980 A CN 115525980A CN 202211379091 A CN202211379091 A CN 202211379091A CN 115525980 A CN115525980 A CN 115525980A
- Authority
- CN
- China
- Prior art keywords
- precision
- axial force
- variable
- force coefficient
- 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.)
- Pending
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
- G06F30/27—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Abstract
本申请提供了一种再入飞行器气动外形的优化方法和优化装置,该优化方法包括:获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;将多个气动外形参数输入到变精度轴向力系数预示模型中,得到变精度轴向力系数预示模型输出的目标再入飞行器在变精度下的轴向力系数;基于目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使优化后的变精度轴向力系数预示模型输出目标再入飞行器在优化精度下的最大轴向力系数。根据所述方法和装置,能够在保证精度的同时提高计算效率,让优化结果更为准确高效。
Description
技术领域
本申请涉及飞行器气动外形设计领域,具体而言,涉及一种再入飞行器气动外形的优化方法和优化装置。
背景技术
随着航天事业的发展,天地往返运输和深空探测任务将是今后的研究重点。相比于传统的再入减速方式以及充气式再入飞行器,机械展开式再入飞行器凭借包络约束小、运载效率高、减速效果好等优点,在近年来广受国内外关注。再入飞行器作为一个复杂的多学科系统,气动外形设计直接影响到飞行器飞行过程中的减速效果和防热效果,是再入飞行器设计优化过程中的重要环节。
对再入飞行器进行气动计算通常有多种方式,采用基于面元法的气动力工程估算方法计算速度快,效率高,但计算精度较低;采用计算流体力学进行CFD数值仿真求解可以得到飞行器飞行过程中的流场细节,对气动力计算精度高,但需要耗费大量的时间与计算资源,计算效率低。如何能在保证精度的同时提高飞行器气动计算的计算效率,形成准确高效的计算模型对于再入飞行器气动外形优化具有重要意义。
发明内容
有鉴于此,本申请的目的在于提供一种再入飞行器气动外形的优化方法和优化装置,能够充分发挥变精度代理模型的优势,在保证精度的同时提高计算效率,让优化结果更为准确高效。
第一方面,本申请实施例提供了一种再入飞行器气动外形的优化方法,所述优化方法包括:
获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值;
将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数;
基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
进一步的,通过以下步骤训练所述差值模型:
获取所述目标再入飞行器的多组训练样本;其中,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值;
将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
进一步的,每组训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值是通过以下步骤确定出的:
针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数;
对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数;
将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
进一步的,所述基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,包括:
构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体;
基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值;
对所述初始化群体进行种群变异,生成后代群体;
利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值;
判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度;
若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型;
若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
第二方面,本申请实施例还提供了一种再入飞行器气动外形的优化装置,所述优化装置包括:
获取模块,用于获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值;
轴向力系数确定模块,用于将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数;
模型优化模块,用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
进一步的,所述优化装置还包括模型训练模型,所述模型训练模块用于通过以下步骤训练所述差值模型:
获取所述目标再入飞行器的多组训练样本;其中,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值;
将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
进一步的,所述模型训练模块还用于:
针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数;
对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数;
将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
进一步的,所述模型优化模块在用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型时,所述模型优化模块还用于:
构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体;
基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值;
对所述初始化群体进行种群变异,生成后代群体;
利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值;
判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度;
若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型;
若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的再入飞行器气动外形的优化方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的再入飞行器气动外形的优化方法的步骤。
本申请实施例提供的优化方法及优化装置,采用上述预示模型与优化方法能够充分发挥变精度代理模型的优势,在保证精度的同时提高计算效率,让优化结果更为准确高效。相比于传统的低精度模型存在的精度低与高精度模型存在的效率低等问题,变精度模型都进行了相应改进,对于通过神经网络直接预示存在的问题,变精度神经网络代理模型结合了理论公式计算的物理信息,大大减少了神经网络预示输出偏差过大的概率,且在构建代理模型时只需要少量的高精度点即可,节省了计算资源。通过变精度神经网络代理模型的精度验证与优化结果验证,证明基于变精度神经网络的再入飞行器气动外形优化方法可行。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种再入飞行器气动外形的优化方法的流程图;
图2为本申请实施例所提供的一种差值模型的训练方法的流程图;
图3为本申请实施例所提供的一种再入飞行器气动外形的优化装置的结构示意图;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于飞行器气动外形设计领域。
随着航天事业的发展,天地往返运输和深空探测任务将是今后的研究重点。相比于传统的再入减速方式以及充气式再入飞行器,机械展开式再入飞行器凭借包络约束小、运载效率高、减速效果好等优点,在近年来广受国内外关注。再入飞行器作为一个复杂的多学科系统,气动外形设计直接影响到飞行器飞行过程中的减速效果和防热效果,是再入飞行器设计优化过程中的重要环节。
经研究发现,对再入飞行器进行气动计算通常有多种方式,采用基于面元法的气动力工程估算方法计算速度快,效率高,但计算精度较低;采用计算流体力学进行CFD数值仿真求解可以得到飞行器飞行过程中的流场细节,对气动力计算精度高,但需要耗费大量的时间与计算资源,计算效率低。如何能在保证精度的同时提高飞行器气动计算的计算效率,形成准确高效的计算模型对于再入飞行器气动外形优化具有重要意义。
论文《基于变可信度代理模型的气动优化》提出通过采用Co-Kriging的方法形成了变可信度模型对二维翼型进行优化,在保证精度的同时缩短了优化时间,但对于再入飞行器而言,其构型复杂且气动力输出高度非线性,Kriging代理模型预测精度与准确性略低。专利《基于神经网络的飞行器气动外形优化方法、装置及介质》通过应用对抗神经网络替代大量的CFD计算进行气动外形优化,预测精度高,但所需高精度数据集巨大,前期气动计算准备周期长,计算效率略低。
基于此,本申请实施例提供了一种再入飞行器气动外形的优化方法,能够充分发挥变精度代理模型的优势,在保证精度的同时提高计算效率,让优化结果更为准确高效。
请参阅图1,图1为本申请实施例所提供的一种再入飞行器气动外形的优化方法的流程图。如图1中所示,本申请实施例提供的优化方法,包括:
S101,获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型。
其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值。
需要说明的是,气动外形参数指的是再入飞行器的外形参数,具体的,气动外形参数可以包括再入飞行器的展开半径RB、头锥半径RN、肩部半径RR、基部半径RS、半锥角θ以及飞行器总长度LZ。变精度轴向力系数预示模型用于计算目标再入飞行器在变精度下的轴向力系数。这里,变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的,具体的,是将低精度轴向力系数计算模型与差值模型进行结合得到的变精度轴向力系数预示模型。低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数。所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值。
针对上述步骤S101,在具体实施时,获取目标再入飞行器的多个气动外形参数,以及变精度轴向力系数预示模型。
请参阅图2,图2为本申请实施例所提供的一种差值模型的训练方法的流程图。如图2中所示,通过以下步骤训练所述差值模型:
S201,获取所述目标再入飞行器的多组训练样本。
需要说明的是,训练样本指的是用于训练差值模型的样本参数。具体的,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值。
针对上述步骤S201,在具体实施时,首先获取目标再入飞行器的多组训练样本。其中,多组训练样本中的每组训练样本中的多个气动外形样本参数是通过如下方式确定的:首先进行参数化建模,建立再入飞行器参数化模型,确定再入飞行器外形参数。然后采用最优拉丁超立方进行试验设计,选取多组样本点,形成多组不同外形在最大动压点下的样本输入数据。每组样本点中的气动外形参数均为每组训练样本中的多个气动外形样本参数。
针对上述步骤S201,每组训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值是通过以下步骤确定出的:
步骤2011,针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数。
针对上述步骤2011,在具体实施时,针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数。具体的,低精度轴向力系数计算模型的再入飞行器轴向力系数表达式如下述公式一所示:
其中,CdL表示再入飞行器在低精度下的轴向力样本系数;M表示来流马赫数;γ为气体比热比,为定值取1.4;RB为展开半径;RN为头锥半径;RR为肩部半径;RS为基部半径;θ为半锥角;LZ为飞行器总长度。
具体的,再入飞行器轴向力系数表达式是采用高超声速气动力计算公式推导到的,具体的推导过程如下述内容所示:
修正牛顿流理论:考虑精确的正激波理论,钝头锥表面压强系数最大值产生于正激波后的驻点处,根据瑞利皮托管公式得到激波后总压,根据牛顿理论推导出压力驻点最大值Cpmax,任一点压力乘以撞击角正弦平方。
Cp=Cp max sin2θ
对球体或者钝锥体而言,通过计算每个表面微元的气动力在轴向的分量即气动阻力,再根据表面进行积分,并除以正对来流的参考面积,即可得到零升阻力系数Cd。
全参数构型修正公式:定义肩部半径RR,总长LZ,底部半径RS,返回舱内部长LN,外部长LW。修正参考面积的半径RB,引入了肩部半径,投影后的半径影响参考面积计算,将公式中RB整体代换为RBQ。
RBQ=RB+RR(1-sinθ)
Sref=πRBQ 2
结合上述各式即可得到低精度轴向力系数计算模型的再入飞行器轴向力系数表达式。
步骤2012,对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数。
针对上述步骤2012,在具体实施时,对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数。具体的,对多个气动外形样本参数进行CFD流场计算,通过计算流体力学的方法得到其对应的在高精度下的轴向力系数。高精度下的轴向力样本系数的计算公式如下述公式二所示:
CdH=f(CFD) (公式二)
其中,CdH表示高精度下的轴向力样本系数,CFD表示计算流体力学,通过Fluent软件进行气动数值仿真。
具体的,通过CFD流场仿真的方法对再入飞行器进行连续流域的气动分析,流场计算平台使用Fluent软件。采用Fluent-meshing对再入飞行器三维模型进行网格划分,选用非结构六边形面网格与混合体网格,计算效率高。气动计算时采用精度更高、考虑到低雷诺数粘性流动的k-e RNG湍流模型,结合用于模拟高超声速流动中的非平衡热现象的Two-Temperature model进行求解。选取压力远场为边界条件,设置恒温壁面温度300K,计算收敛后监测再入飞行器的阻力系数。
步骤2013,将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
针对上述步骤2013,在具体实施时,在步骤2011和步骤2012中在低精度下的轴向力样本系数与在高精度下的轴向力样本系数均计算出后,将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。具体的,变精度差值的计算公式如下述公式三所示:
ΔCd=CdH-CdL (公式三)
其中,ΔCd表示变精度差值。
S202,将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
针对上述步骤S202,在具体实施时,将步骤S201中获取到的多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。具体的,以网络误差平方和为目标函数,采用梯度下降法来计算目标函数的最小值。在所有样本经历训练、计算训练误差、修正权值与阈值完成一个周期后,计算出性能指标,目标函数如下述公式四所示:
其中,E为网络误差平方和;Q为样本总数;m为输出总数;dqj为样本值;xqj为训练值。当网络误差平方和满足计算学习精度要求,即E≤ε,则结束网络训练,得到训练好的变精度轴向力系数预示模型中的差值模型。
S102,将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数。
针对上述步骤S102,在具体实施时,将目标再入飞行器的多个气动外形参数输入到步骤S101获取到的变精度轴向力系数预示模型中,即可得到变精度轴向力系数预示模型输出的目标再入飞行器在变精度下的轴向力系数。
根据本申请提供的实施例,在得到目标再入飞行器在变精度下的数据后,还可以对变精度轴向力系数预示模型进行验证。具体的,为进行变精度模型精度验证,额外选取多组训练样本,分别计算每组训练样本的高精度、低精度与变精度数据,进行验证。结果证明,分别计算后,以高精度数据为基准,变精度数据更加接近高精度数据,相对误差小于低精度数据,证明变精度数据精度更高。变精度神经网络预示模型每组训练样本预示误差均小于低精度模型,且趋势规律预示更好,只需要加入较少的高精度点修正即可达到精度要求,且大大提高了运算效率,其计算效率高于高精度模型,计算精度高于低精度模型,便于优化时调用。
S103,基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
针对上述步骤S103,在具体实施时,基于变精度轴向力系数预示模型输出的目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使优化后的变精度轴向力系数预示模型输出目标再入飞行器在优化精度下的最大轴向力系数。这里,选用多岛遗传算法结合变精度神经网络代理模型进行优化,多岛遗传算法将可行域进一步划分为很多个岛,遗传算法本身的变异、交叉和选择在岛上进行,设计适应度函数用以评判性能的优越,其值控制父代杂交,各岛间的迁移有助于跳出局部最优解,抑制早熟现象。
针对上述步骤S103,所述基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,包括:
步骤1031,构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体。
这里,优化模型目标函数是再入飞行器的最大轴向力系数,与适应度函数变化方向一致,构造为适应度函数F=CdH2。并基于目标再入飞行器的多个气动外形参数确定初始化群体。例如,设定种群规模为100,交叉概率为1.0,变异概率为0.01,岛间迁移率为0.01,迁移间隔代数为5,最大迭代次数为1000。
步骤1032,基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值。
针对上述步骤1032,在具体实施时,利用步骤1031中构造的适应度函数,基于变精度轴向力系数预示模型输出的目标再入飞行器在变精度下的轴向力系数,即可确定出初始化群体对应的适应度值。
步骤1033,对所述初始化群体进行种群变异,生成后代群体。
步骤1034,利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值。
针对上述步骤1033和步骤1034,在具体实施时,对初始化群体进行种群变异,选择父代个体,并杂交、变异产生后代群体。然后利用变精度轴向力系数预示模型以及适应度函数,计算后代群体对应的适应度值。
步骤1035,判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度。
需要说明的是,适应度变化指的是本次计算的适应度值F与上一次迭代计算的适应度值F的相对变化率,小于许可精度就是说明经过迭代后基本不变化。许可精度是预先设置的一个定值,例如,可以预选设定为10的-5次方。
针对上述步骤1035,在具体实施时,计算出初始化群体对应的适应度值以及后代群体对应的适应度值后,计算两者之间的适应度变化率,并判断适应度变化量是否小于预设的许可精度。若是,则执行下述步骤1036,若否,则执行下述步骤1037。
步骤1036,若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型。
针对上述步骤1036,在具体实施时,若适应度变化率小于许可精度,则满足收敛要求,终止种群繁殖,将变精度轴向力系数预示模型确定为优化后的变精度轴向力系数预示模型。
步骤1037,若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
针对于上述步骤1037,在具体实施时,若适应度变化率不小于许可精度,则不满足收敛要求,需要继续进行种族繁衍,则将上述步骤1033生成的后代群体作为初始化群体,返回执行上述步骤1033中对所述初始化群体进行种群变异,生成后代群体的步骤,然后重新计算后代群体的适应度值,直至后代群体对应的适应度值与初始化群体对应的适应度值之间的适应度变化率小于许可精度,确定优化后的变精度轴向力系数预示模型。
在步骤S103中,确定出在优化精度下的最大轴向力系数后,对比优化构型与原构型的优化目标,验证优化结果,相较于较于原构型,优化构型轴向力系数相对提高了5.8%,实现了减速效果更好的优化目标,对比变精度模型与高精度模型的计算结果,预测的相对误差为0.2%,符合精度要求,且完成一次CFD数值模拟得到高精度数据需60min以上,采用变精度神经网络预示模型模拟仅需5s,表明变精度神经网络代理模型在满足精度同时大幅提高了计算速度。
本申请实施例提供的再入飞行器气动外形的优化方法,首先通过参数化建模,将再入飞行器结构外形参数作为输入变量,采用最优拉丁超立方采样得到不同样本点,通过工程估算公式获取大量样本点低精度轴向力系数,通过CFD计算流体力学获取少量样本点高精度轴向力系数,采用加法标度获取同一样本点下的高精度数据与低精度数据差值,以结构外形参数作为输入,高低精度数据差值作为输出,训练差值模型,当精度在可接受范围内时,将低精度轴向力系数计算模型与训练好的差值模型结合,得到变精度轴向力系数预示模型,之后采用多岛遗传算法进行以轴向力系数最大为目标的优化,优化过程中涉及的气动力计算调用变精度轴向力系数预示模型,优化完成后,对优化结果进行验证,证明变精度轴向力系数预示模型保证了预示精度,同时大大提高了计算效率。
根据本申请提供的优化方法,采用上述预示模型与优化方法能够充分发挥变精度代理模型的优势,在保证精度的同时提高计算效率,让优化结果更为准确高效。相比于传统的低精度模型存在的精度低与高精度模型存在的效率低等问题,变精度模型都进行了相应改进,对于通过神经网络直接预示存在的问题,变精度神经网络代理模型结合了理论公式计算的物理信息,大大减少了神经网络预示输出偏差过大的概率,且在构建代理模型时只需要少量的高精度点即可,节省了计算资源。通过变精度神经网络代理模型的精度验证与优化结果验证,证明基于变精度神经网络的再入飞行器气动外形优化方法可行。
请参阅图3,图3为本申请实施例所提供的一种再入飞行器气动外形的优化装置的结构示意图。如图3中所示,所述优化装置300包括:
获取模块301,用于获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值;
轴向力系数确定模块302,用于将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数;
模型优化模块303,用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
进一步的,所述优化装置300还包括模型训练模型,所述模型训练模块用于通过以下步骤训练所述差值模型:
获取所述目标再入飞行器的多组训练样本;其中,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值;
将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
进一步的,所述模型训练模块还用于:
针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数;
对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数;
将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
进一步的,所述模型优化模块303在用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型时,所述模型优化模块303还用于:
构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体;
基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值;
对所述初始化群体进行种群变异,生成后代群体;
利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值;
判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度;
若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型;
若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以及图2所示方法实施例中的再入飞行器气动外形的优化方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的再入飞行器气动外形的优化方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种再入飞行器气动外形的优化方法,其特征在于,所述优化方法包括:
获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值;
将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数;
基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
2.根据权利要求1所述的优化方法,其特征在于,通过以下步骤训练所述差值模型:
获取所述目标再入飞行器的多组训练样本;其中,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值;
将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
3.根据权利要求2所述的优化方法,其特征在于,每组训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值是通过以下步骤确定出的:
针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数;
对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数;
将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
4.根据权利要求1所述的优化方法,其特征在于,所述基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,包括:
构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体;
基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值;
对所述初始化群体进行种群变异,生成后代群体;
利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值;
判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度;
若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型;
若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
5.一种再入飞行器气动外形的优化装置,其特征在于,所述优化装置包括:
获取模块,用于获取目标再入飞行器的多个气动外形参数以及变精度轴向力系数预示模型;其中,所述变精度轴向力系数预示模型是基于预先建立的低精度轴向力系数计算模型和预先训练好的差值模型得到的;所述低精度轴向力系数计算模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数;所述差值模型用于在接收到所述多个气动外形参数后,输出所述目标再入飞行器在低精度下的轴向力系数与在高精度下的轴向力系数之间的差值;
轴向力系数确定模块,用于将所述多个气动外形参数输入到所述变精度轴向力系数预示模型中,得到所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数;
模型优化模块,用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型,以使所述优化后的变精度轴向力系数预示模型输出所述目标再入飞行器在优化精度下的最大轴向力系数。
6.根据权利要求5所述的优化装置,其特征在于,所述优化装置还包括模型训练模型,所述模型训练模块用于通过以下步骤训练所述差值模型:
获取所述目标再入飞行器的多组训练样本;其中,每组训练样本中包括多个气动外形样本参数,以及,所述多个气动外形样本参数对应的再入飞行器的变精度差值;
将所述多组训练样本输入原始差值模型中,以每组训练样本中的多个气动外形样本参数为输入,以多个气动外形样本参数对应的再入飞行器的变精度差值为输出,通过网络误差平方和函数训练所述原始差值模型,以得到训练好的所述变精度轴向力系数预示模型中的差值模型。
7.根据权利要求6所述的优化装置,其特征在于,所述模型训练模块还用于:
针对于每组训练样本,将该组训练样本中的多个气动外形样本参数输入到所述低精度轴向力系数计算模型中,得到该组训练样本对应的再入飞行器在低精度下的轴向力样本系数;
对该组训练样本中的多个气动外形样本参数进行CFD流场计算,得到该组训练样本对应的再入飞行器在高精度下的轴向力样本系数;
将该组训练样本对应的再入飞行器在低精度下的轴向力样本系数与在高精度下的轴向力样本系数之间的差值,确定为该训练样本中的多个气动外形样本参数对应的再入飞行器的变精度差值。
8.根据权利要求5所述的优化装置,其特征在于,所述模型优化模块在用于基于所述目标再入飞行器在变精度下的轴向力系数,利用多岛遗传算法对所述变精度轴向力系数预示模型进行优化,得到优化后的变精度轴向力系数预示模型时,所述模型优化模块还用于:
构造适应度函数,并基于所述目标再入飞行器的多个气动外形参数确定初始化群体;
基于所述变精度轴向力系数预示模型输出的所述目标再入飞行器在变精度下的轴向力系数,利用所述适应度函数,计算所述初始化群体对应的适应度值;
对所述初始化群体进行种群变异,生成后代群体;
利用所述变精度轴向力系数预示模型以及所述适应度函数,计算所述后代群体对应的适应度值;
判断所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率是否小于许可精度;
若是,则将所述变精度轴向力系数预示模型确定为所述优化后的变精度轴向力系数预示模型;
若否,则将所述后代群体作为初始化群体,返回执行所述对所述初始化群体进行种群变异,生成后代群体的步骤,直至所述后代群体对应的适应度值与所述初始化群体对应的适应度值之间的适应度变化率小于所述许可精度,确定所述优化后的变精度轴向力系数预示模型。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至4任一所述的再入飞行器气动外形的优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至4任一所述的再入飞行器气动外形的优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379091.5A CN115525980A (zh) | 2022-11-04 | 2022-11-04 | 一种再入飞行器气动外形的优化方法和优化装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379091.5A CN115525980A (zh) | 2022-11-04 | 2022-11-04 | 一种再入飞行器气动外形的优化方法和优化装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115525980A true CN115525980A (zh) | 2022-12-27 |
Family
ID=84705062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211379091.5A Pending CN115525980A (zh) | 2022-11-04 | 2022-11-04 | 一种再入飞行器气动外形的优化方法和优化装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115525980A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628854A (zh) * | 2023-05-26 | 2023-08-22 | 上海大学 | 一种翼型气动特性预测方法、系统、电子设备及存储介质 |
CN117077298A (zh) * | 2023-10-17 | 2023-11-17 | 中国科学院工程热物理研究所 | 一种基于梯度增强随机Co-Kriging模型的飞行器稳健优化设计方法 |
-
2022
- 2022-11-04 CN CN202211379091.5A patent/CN115525980A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628854A (zh) * | 2023-05-26 | 2023-08-22 | 上海大学 | 一种翼型气动特性预测方法、系统、电子设备及存储介质 |
CN117077298A (zh) * | 2023-10-17 | 2023-11-17 | 中国科学院工程热物理研究所 | 一种基于梯度增强随机Co-Kriging模型的飞行器稳健优化设计方法 |
CN117077298B (zh) * | 2023-10-17 | 2023-12-29 | 中国科学院工程热物理研究所 | 一种基于梯度增强随机Co-Kriging模型的飞行器稳健优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Forsythe et al. | Detached-eddy simulation with compressibility corrections applied to a supersonic axisymmetric base flow | |
CN115525980A (zh) | 一种再入飞行器气动外形的优化方法和优化装置 | |
Badcock et al. | Elements of computational fluid dynamics on block structured grids using implicit solvers | |
Takenaka et al. | Multidisciplinary design exploration for a winglet | |
Vidanović et al. | Aerodynamic–structural missile fin optimization | |
Biancolini et al. | Static aeroelastic analysis of an aircraft wind-tunnel model by means of modal RBF mesh updating | |
Chen et al. | A reduced order aerothermodynamic modeling framework for hypersonic vehicles based on surrogate and POD | |
Xiaojing et al. | Sparse grid-based polynomial chaos expansion for aerodynamics of an airfoil with uncertainties | |
EP2525296B1 (en) | Three-dimensional fluid simulation method | |
Slone et al. | A finite volume unstructured mesh approach to dynamic fluid–structure interaction: an assessment of the challenge of predicting the onset of flutter | |
Ricci et al. | Hovering rotor solutions by high-order methods on unstructured grids | |
Zhang et al. | High-fidelity aerostructural optimization with integrated geometry parameterization and mesh movement | |
Ray et al. | Learning an eddy viscosity model using shrinkage and Bayesian calibration: A jet-in-crossflow case study | |
CN110717216A (zh) | 不规则波下带柔性气囊直升机横摇响应预报方法 | |
Ruiz et al. | Aerodynamic optimization and analysis of quadrotor blades operating in the Martian atmosphere | |
Balasubramanian et al. | Comparison of adjoint‐based and feature‐based grid adaptation for functional outputs | |
Zangeneh | Development of a new algorithm for modeling viscous transonic flow on unstructured grids at high Reynolds numbers | |
Abergo et al. | Aerodynamic shape optimization based on discrete adjoint and RBF | |
Nardini et al. | Direct numerical simulation of transitional and turbulent flows over multi-scale surface roughness—Part I: Methodology and challenges | |
Neumann et al. | Coupling strategies for large industrial models | |
Herbert-Acero et al. | An extended assessment of fluid flow models for the prediction of two-dimensional steady-state airfoil aerodynamics | |
CN115146402A (zh) | 高温合金的氧化过程模拟方法及装置 | |
CN114218672A (zh) | 跨超声速大迎角配平翼的抖振响应获取方法及相关装置 | |
Adibi et al. | Predicting airfoil stalling dynamics using upwind numerical solutions to non-viscous equations | |
Carlson et al. | A reduced-order model of an aeroelastic wing exhibiting a sub-critical Hopf bifurcation |
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 |