CN117313235A - 一种基于机器学习的特种无人机优化翼型桨叶设计方法 - Google Patents
一种基于机器学习的特种无人机优化翼型桨叶设计方法 Download PDFInfo
- Publication number
- CN117313235A CN117313235A CN202311233947.2A CN202311233947A CN117313235A CN 117313235 A CN117313235 A CN 117313235A CN 202311233947 A CN202311233947 A CN 202311233947A CN 117313235 A CN117313235 A CN 117313235A
- Authority
- CN
- China
- Prior art keywords
- airfoil
- aerial vehicle
- unmanned aerial
- machine learning
- special unmanned
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- UJCHIZDEQZMODR-BYPYZUCNSA-N (2r)-2-acetamido-3-sulfanylpropanamide Chemical compound CC(=O)N[C@@H](CS)C(N)=O UJCHIZDEQZMODR-BYPYZUCNSA-N 0.000 claims description 15
- 241001669680 Dormitator maculatus Species 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 2
- 230000001939 inductive effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/32—Rotors
- B64C27/46—Blades
- B64C27/467—Aerodynamic features
-
- 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
-
- 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]
- G06F30/20—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
- 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
- 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
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)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的特种无人机优化翼型桨叶设计方法,所述方法如下:一、利用翼型上边缘曲线和下边缘曲线方程建立翼型库:二、利用获取到的翼型点阵信息进行网格绘制;三、进行二维仿真,获取翼型的升阻系数仿真库;四、优选机器学习方法;五、对α、c条件下的m、p、t进行预测,获取得到二维翼型的各截面测几何参数,通过利用最佳升阻特性的包络法得到特种无人机的翼型三维结构,通过优化相应迎角处的截面参数得到最终的翼型包络线;六、对获得到的翼型三维结构进行仿真与实验分析,得到PL与FM;七、进行迭代优化参数,优化桨叶结构从而构建特种无人机桨叶数据库。本发明利用优化的方法将最优解求出,具有很大优势。
Description
技术领域
本发明涉及一种特种无人机桨叶设计方法,具体涉及一种基于机器学习的特种无人机优化翼型桨叶设计方法。
背景技术
地外行星探测对于了解太阳系行星的起源和演化、发现地外能源、拓展人类潜在的生存环境具有重要意义,然而,地外行星上的大气密度和表面气压与地球有显著的不同,在低雷诺数流场中运行的地外行星直升机会因直升机表面的粘性效应和层流分离而导致飞行效率降低。目前研究地外行星大气条件下火星直升机旋翼系统的空气动力学特性,如翼型形状和叶片特性的实验成本高昂和模拟计算量巨大,机器学习方法越来越多地用于翼型优化以增强空气动力性能。因此有必要设计一种基于机器学习的特种无人机优化翼型桨叶设计方法。
发明内容
本发明的目的是提供一种基于机器学习的特种无人机优化翼型桨叶设计方法,通过探索不同的机器学习算法进行预测,评估不同算法的预测效果,然后应用模型对翼型进行优化,并使用优化后的翼型在模拟火星环境中进行实验,为阐明翼型的效果提供指导升阻特性和翼型优化的参数。
本发明的目的是通过以下技术方案实现的:
一种基于机器学习的特种无人机优化翼型桨叶设计方法,包括如下步骤:
步骤一、利用翼型上边缘曲线和下边缘曲线方程建立翼型库:
步骤二、利用获取到的翼型点阵信息进行网格绘制;
步骤三、对特种无人机桨叶翼型的进行二维仿真,获取翼型的升阻系数仿真库;
步骤四、优选机器学习方法;
步骤五、基于优选的机器学习方法,对迎角α、弦长c条件下的最优翼型参数相对弯度m、最大弯度的位置p、相对厚度t进行预测,获取得到二维翼型的各截面测几何参数,通过利用最佳升阻特性的包络法得到特种无人机的翼型三维结构,通过优化相应迎角处的截面参数得到最终的翼型包络线;
步骤六、对获得到的翼型三维结构进行仿真与实验分析,得到功率负载(PL)与品质因数(FM);
步骤七、进行迭代优化参数,优化桨叶结构从而构建特种无人机桨叶数据库。
相比于现有技术,本发明具有如下优点:
本发明将机器学习与仿真两种方法相互融合,在仿真的基础上,对仿真的结果进行了一个模糊的优化,从而利用有限的数据做了一个优化的设计。相较于普通的离散的设计,本发明利用优化的方法将最优解求出,具有很大优势。
附图说明
图1为NACA翼型几何结构及几何参数示意图。
图2为翼型库建立的流程图。
图3为机器学习训练流程图。
图4为转子设计流程图。
图5为包络法获得翼型的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于机器学习的特种无人机优化翼型桨叶设计方法,所述方法包括如下步骤:
步骤一、利用翼型上边缘曲线和下边缘曲线方程建立翼型库。具体步骤如下:
步骤一一、从每条翼型的上边缘曲线和下边缘曲线提取一定数量的点,从而提取翼型点阵信息,上边缘曲线和下边缘曲线取点数量不少于200个。
步骤一二、撰写脚本文本,自动生成以翼型的相对弯度m、最大弯度的位置p、弦长c、相对厚度t为变量的NACA翼型库。
翼型上边缘曲线和下边缘曲线方程如下:
本步骤中,NACA翼型参数包括翼型的相对弯度(m)、最大弯度的位置(p)、弦长(c)和相对厚度(t)等参数,如图1所示。NACA翼型的相对弯度(m)是最大弯度位置(p)与弦长(c)之比,最大弯度位置(p)是从翼型前缘到最大弯度位置(p)的距离与弦长(c)之比,翼型的相对厚度(t)是翼型最大厚度与弦长(c)的比值。
步骤二、利用获取到的翼型点阵信息进行网格绘制。具体步骤如下:
步骤二一、通过翼型网格自动绘制脚本(.tcl文件)自动绘制网格,通过NASA提出的y+算法获得网格的最小边缘尺寸,其中:翼型网格范围为翼型有效尺寸的40倍,网格的整体质量需要大于90%。
步骤二二、撰写脚本文件,利用代码自动生成翼型库所对应的网格数据库。
在网格绘制之后,通过利用有限元分析软件对所需要的特种无人机所处的大气条件下翼型周围流场进行数值模拟。
步骤三、对特种无人机桨叶翼型的进行二维仿真,获取翼型的升阻系数仿真库。具体步骤如下:
步骤三一、提取特种无人机翼型的飞行环境条件,飞行环境条件不限于气体密度、热力常数、热力系数、气体粘度、参考粘度、参考温度、有效温度、摩尔质量等。
步骤三二、优选CFD仿真设置条件,CFD仿真设置条件不限于求解器、流体力学模型、环境边界条件、边界条件、特征尺寸、收敛条件、计算精度等。
步骤三三、根据CFD仿真结果获得特种翼型所对应的升力系数Cl和阻力系数Cd,撰写脚本文件,自动完成翼型升阻特性的二维仿真。
步骤三四、撰写脚本文件重复步骤三一~步骤三三的仿真过程,自动生成特种桨叶翼型的二维升阻系数仿真库。
步骤三五、根据二维升阻系数仿真库构建翼型库对应的特种无人机翼型的Cl、Cd、Cl/Cd、Cl 1.5/Cd的数据库,其中:升力系数Cl是指物体所受到的升力与气流动压和参考面积的乘积之比,阻力系数Cd是指物体所受到的阻力与气流动压和参考面积之比。升阻比Cl/Cd表明了特种无人机的空气动力效率,此值越大,特种无人机的空气动力越好。翼型升阻比Cl 1.5/Cd反映翼型的飞行效率。
步骤四、机器学习方法的优选。具体步骤如下:
步骤四一、在翼型仿真之后,提取特种无人机翼型的输入参数和输出参数,通过机器学习训练来构建变量与输出参数之间的机器学习模型。其中:输入参数包括但不限于翼型参数相对弯度(m)、最大弯度位置(p)、相对厚度(t)、弦长(c)、迎角(α),输出参数包括Cl、Cd。
步骤四二、在scikit学习平台上训练不同的回归算法模型,这些回归算法包括但不限于Adaboost、支持向量机(SVM)以及人工神经网络(ANN)等。
步骤四三、分别构建机器学习模型,提取输入参数,进行数据预处理(清洗数据、特征选择、特征工程、数据转换)、数据划分、选择模型、模型训练等。
步骤四四、通过MSE(Mean Suare Error)与R2对不同的回归算法进行评估,进而优选出最合适的回归算法以优化翼型参数,其中MSE是均方误差,其表达式为:
其中,n是样本总数,yi是实际值,是预测值。尽管MSE面临尺度变化的问题,但较小的MSE表明数据库的预测值更接近实际值。
R2是拟合优度,其表达式为:
其中,是实际值均值。R2反映了模型的预测值和实际值之间的相关性,将其与其他模型分开来,并消除了尺度的影响,根据MSE与R2分别优选Cl、Cd对应的最佳机器学习算法。
步骤五、基于优选的机器学习方法,对α、c条件下的最优翼型参数m、p、t进行预测,获取得到二维翼型的各截面测几何参数,通过利用最佳升阻特性的包络法得到特种无人机的翼型三维结构。转子的迎角在不同截面处呈线性变化,通过优化相应迎角处的截面参数得到最终的翼型包络线。
步骤六、对获得到的翼型三维结构进行仿真与实验分析,得到功率负载(PL)与品质因数(FM),其中FM的表达式为:
其中,Pidl是理想功率,Pactl是实际功率,Pi和P0分别是与翼型的Cl和Cd相关的实际功率和感应功率,FM可以根据叶片单元动量理论进一步表示,CT是推力系数,定义为实验功率系数。
PL表征单位功率的推力,PL和FM的关系如下:
其中,vi是感应速度,ρ是空气密度,DL是即叶片盘负载,A是叶片盘面积,T是旋翼推力。
步骤七、进行迭代优化翼型参数(c、m、p、t),优化桨叶结构从而构建特种无人机桨叶数据库。
实施例:
本实施例提供了一种基于机器学习预测的特种无人机桨叶优化设计方法,所述方法包括如下步骤:
火星上的大气密度为地球的1/70,表面气压也仅为地球的1/100。以NACA翼型为例,其几何示意图与几何参数如图1所示。
翼型数据库的建立流程如图2所示。NACA翼型的上下边缘曲线的方程如下所示:
提取NACA翼型的点阵信息,每条上边缘曲线和下边缘曲线提取200个点,构建出NACA翼型库。
利用有限元分析软件Fluent对火星大气条件下的NACA翼型周围流场进行数值模拟,考虑翼型弯度、最大弯度位置与相对厚度等几何参数对翼型的空气动力学特性具有影响,需对翼型的前缘及后缘区域网格进行特殊的加密处理,翼型网格的范围为其有效尺寸的40倍。
考虑火星大气流场的压缩性,翼型的有限元模拟采用密度基求解器,采用SST k–ω模型进行模拟计算,翼型尺寸与实际情况一致,翼型表面流场流速与迎角等飞行参数与实验一致。
翼型表面边界条件设置为壁面边界条件。考虑到流体环境可压缩且流场边界距离远大于翼型间距离,入口边界条件设置为压力远场边界条件。将翼型后缘出口处的流场设置为压力出口边界条件。每个边界条件的压力和温度参数与火星大气的物理参数一致。具体而言,翼型表面作为内边界,具有壁面边界条件,而翼型前方的圆弧边界以及上下线性边界为具有压力远场边界条件的外边界。
利用脚本语言编写代码,自动生成NACA翼型库对应的网格数据库。
采用脚本语言编写代码,自动生成NACA翼型对应的升力系数Cl、阻力系数Cd、升阻比Cl/Cd与Cl 1.5/Cd。并且构建NACA翼型的Cl、Cd、Cl/Cd、Cl 1.5/Cd数据库。
提取NACA翼型的特征参数,即相对弯度m、最大弯度位置p、相对厚度t、迎角α和弦长c,并提取输出参数Cl、Cd,构建机器学习模型。
采用机器学习方法基于现有数据集进行回归和预测,其流程如图3所示。样本来自原始数据集,训练/测试样本都来自同一组。数据集分为训练集和测试集,训练集占所有样本的80%,测试集占20%。输入数据集在基于CFD模拟的AdaBoost、SVM和ANN算法训练的不同模型中分别进行预测。
可视化结果Cl/Cd表示各种模型的预测值和实际结果之间的偏差程度。对于Cl/Cd,在SVM-L和几种ANN回归算法的预测结果中,大多数点偏离了对角线,只有少数点聚集在对角线附近。这表明预测结果存在显著偏差。此外,增加ANN算法的隐藏层中的节点数量不会显著影响整体预测趋势。相反,在SVM-L算法过程中,在执行最终数据预测之前,已经确定了该范围内的最优超参数。因此,SVM-L和ANN不适合用于预测Cl/Cd参数并搜索最佳拟合。AdaBoost和SVM-G的预测结果需要进一步评估。
可视化结果Cl 1.5/Cd预测表明不同的模型对不同的参数表现出不同的适用性。SVM-L算法的预测明显偏离了数据集中的原始输出值,大量点偏离了这些值。对于SVM-G算法,除了集中在3-5和9附近的几个点外,大多数预测值与实际模拟值密切一致。ANN和AdaBoost回归算法对Cl 1.5/Cd不会显著偏离实际模拟值,因此需要进行进一步的误差评估。
通过MSE与R2对不同的回归算法进行评估,MSE评估Cl/Cd表明,SVM-G算法提供了优越的预测性能。随着隐藏层中节点数量的增加,ANN算法的MSE没有表现出显著的变化,而SVM-L算法的MSE与其他回归算法相比要大得多。对于Cl 1.5/Cd,ANN算法的MSE显著低于其他回归算法的回归系数。它随着隐藏层中节点数量的增加而逐渐减少,表明预测精度提高。MSE评估Cl/Cd参数在SVM-G算法中表现出最高的预测精度,其次是AdaBoost,而SVM-L的R2值预测精度最高。此外ANN算法的R2值随着隐藏层中节点的数量逐渐增加,Cl 1.5/Cd的R2值数反映了不同算法的预测结果,从优到差不等。ANN算法具有很高的R2值,该值随着隐藏层中节点的数量而增加,其次是AdaBoost和SVM-G。相反,SVM-L算法的R2值最低,表明其预测结果与样本值存在显著偏差。
在评估了各种机器学习回归算法的预测结果后,为新的预测选择了性能最好的算法。SVM-G回归算法用于Cl/Cd并且ANN 40-40用于Cl 1.5/Cd。基于这两种方法对不同迎角和弦长下的相对弯度m、最大弯度位置p、相对厚度t进行预测。
进行转子设计流程如图4所示。利用包络线法得到了具有最佳升阻特性的火星直升机旋翼在翼型变化情况下的三维结构。转子的AOA在不同截面处线性变化,通过优化相应AOA处的截面参数来获得翼型的最终包络,如图5所示。
通过仿真模拟与实验分析获得所需功率P与品质因数FM,得出预测的旋翼系统气动参数的变化趋势与实验结果一致。
迭代优化参数,优化桨叶结构,从而构建特种无人机NACA翼型桨叶数据库。
Claims (10)
1.一种基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述方法包括如下步骤:
步骤一、利用翼型上边缘曲线和下边缘曲线方程建立翼型库:
步骤二、利用获取到的翼型点阵信息进行网格绘制;
步骤三、对特种无人机桨叶翼型的进行二维仿真,获取翼型的升阻系数仿真库;
步骤四、优选机器学习方法;
步骤五、基于优选的机器学习方法,对迎角α、弦长c条件下的最优翼型参数相对弯度m、最大弯度的位置p、相对厚度t进行预测,获取得到二维翼型的各截面测几何参数,通过利用最佳升阻特性的包络法得到特种无人机的翼型三维结构,通过优化相应迎角处的截面参数得到最终的翼型包络线;
步骤六、对获得到的翼型三维结构进行仿真与实验分析,得到功率负载PL与品质因数FM;
步骤七、进行迭代优化参数,优化桨叶结构从而构建特种无人机桨叶数据库。
2.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述步骤一的具体步骤如下:
步骤一一、从每条翼型的上边缘曲线和下边缘曲线提取一定数量的点,从而提取翼型点阵信息,上边缘曲线和下边缘曲线取点数量不少于200个;
步骤一二、撰写脚本文本,自动生成以翼型的相对弯度m、最大弯度的位置p、弦长c、相对厚度t为变量的NACA翼型库。
3.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述翼型上边缘曲线和下边缘曲线方程如下:
其中,m是相对弯度,p是最大弯度的位置,c是弦长。
4.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述步骤二的具体步骤如下:
步骤二一、通过翼型网格自动绘制脚本自动绘制网格,通过NASA提出的y+算法获得网格的最小边缘尺寸,其中:翼型网格范围为翼型有效尺寸的40倍,网格的整体质量需要大于90%;
步骤二二、撰写脚本文件,利用代码自动生成翼型库所对应的网格数据库。
5.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述步骤三的具体步骤如下:
步骤三一、提取特种无人机翼型的飞行环境条件;
步骤三二、优选CFD仿真设置条件;
步骤三三、根据CFD仿真结果获得特种翼型所对应的升力系数Cl和阻力系数Cd,撰写脚本文件,自动完成翼型升阻特性的二维仿真;
步骤三四、撰写脚本文件重复步骤三一~步骤三三的仿真过程,自动生成特种桨叶翼型的二维升阻系数仿真库;
步骤三五、根据二维升阻系数仿真库构建翼型库对应的特种无人机翼型的Cl、Cd、Cl/Cd、Cl 1.5/Cd的数据库。
6.根据权利要求5所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述飞行环境条件包括气体密度、热力常数、热力系数、气体粘度、参考粘度、参考温度、有效温度、摩尔质量,CFD仿真设置条件包括求解器、流体力学模型、环境边界条件、边界条件、特征尺寸、收敛条件、计算精度。
7.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述步骤四的具体步骤如下:
步骤四一、提取特种无人机翼型的输入参数和输出参数,通过机器学习训练来构建变量与输出参数之间的机器学习模型;
步骤四二、在scikit学习平台上训练不同的回归算法模型;
步骤四三、分别构建机器学习模型,提取输入参数,进行数据预处理、数据划分、选择模型、模型训练;
步骤四四、通过MSE与R2对不同的回归算法进行评估,进而优选出Cl、Cd对应的最佳机器学习算法以优化翼型参数。
8.根据权利要求7所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述输入参数包括翼型参数相对弯度m、最大弯度位置p、相对厚度t、弦长c、迎角α,输出参数包括Cl、Cd;回归算法包括Adaboost、支持向量机以及人工神经网络;数据预处理包括清洗数据、特征选择、特征工程、数据转换。
9.根据权利要求7所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述MSE的表达式为:
其中,n是样本总数,yi是实际值,是预测值;
R2的表达式为:
其中,是实际值均值。
10.根据权利要求1所述的基于机器学习的特种无人机优化翼型桨叶设计方法,其特征在于所述FM的表达式为:
其中,Pidl是理想功率,Pactl是实际功率,Pi和P0分别是与翼型的Cl和Cd相关的实际功率和感应功率,CT是推力系数,定义为实验功率系数;
PL和FM的关系如下:
其中,vi是感应速度,ρ是空气密度,DL是即叶片盘负载,A是叶片盘面积,T是旋翼推力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233947.2A CN117313235A (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机优化翼型桨叶设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233947.2A CN117313235A (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机优化翼型桨叶设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313235A true CN117313235A (zh) | 2023-12-29 |
Family
ID=89285906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311233947.2A Pending CN117313235A (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机优化翼型桨叶设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313235A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246157A (zh) * | 2024-05-29 | 2024-06-25 | 中国人民解放军陆军指挥学院 | 一种旋翼无人机的三维桨叶设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014121554A1 (zh) * | 2013-02-05 | 2014-08-14 | 新疆尚孚新能源科技有限公司 | 三维曲面翼型的设计方法 |
CN104612892A (zh) * | 2014-12-30 | 2015-05-13 | 中国科学院工程热物理研究所 | 一种风力机翼型的多学科优化设计方法 |
CN113408044A (zh) * | 2020-12-24 | 2021-09-17 | 北京理工大学 | 一种多旋翼无人机桨叶优化设计方法 |
CN116628894A (zh) * | 2023-07-20 | 2023-08-22 | 中国海洋大学 | 基于深度学习的水翼设计优化方法及水翼设计优化框架 |
-
2023
- 2023-09-23 CN CN202311233947.2A patent/CN117313235A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014121554A1 (zh) * | 2013-02-05 | 2014-08-14 | 新疆尚孚新能源科技有限公司 | 三维曲面翼型的设计方法 |
CN104612892A (zh) * | 2014-12-30 | 2015-05-13 | 中国科学院工程热物理研究所 | 一种风力机翼型的多学科优化设计方法 |
CN113408044A (zh) * | 2020-12-24 | 2021-09-17 | 北京理工大学 | 一种多旋翼无人机桨叶优化设计方法 |
CN116628894A (zh) * | 2023-07-20 | 2023-08-22 | 中国海洋大学 | 基于深度学习的水翼设计优化方法及水翼设计优化框架 |
Non-Patent Citations (2)
Title |
---|
PENGYUE ZHAO 等: "Machine Learning Assisted Prediction of Airfoil Lift-to-Drag Characteristics for Mars Helicopter", AEROSPACE, vol. 10, no. 07, 4 July 2023 (2023-07-04), pages 614 * |
姚琳: "机器学习在翼型优化问题中的应用", 航天标准化, no. 01, 25 March 2020 (2020-03-25), pages 43 - 47 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246157A (zh) * | 2024-05-29 | 2024-06-25 | 中国人民解放军陆军指挥学院 | 一种旋翼无人机的三维桨叶设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102789539B (zh) | 一种飞行器升力面结构优化设计方法 | |
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 | |
CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
CN110580396A (zh) | 一种叶轮机械叶片的三维反设计方法 | |
Lee et al. | Development of an optimized trend kriging model using regression analysis and selection process for optimal subset of basis functions | |
Körpe et al. | Aerodynamic optimization of a UAV wing subject to weight, geometric, root bending moment, and performance constraints | |
CN114021492B (zh) | 一种基于神经网络的超临界翼型抖振优化方法 | |
Sheikh et al. | Airfoil optimization using design-by-morphing | |
Stephan et al. | The effect of gusts on aircraft wake vortices | |
Kitson et al. | Modeling and simulation of flexible jet transport aircraft with high-aspect-ratio wings | |
Yang et al. | A novel global optimization algorithm and its application to airfoil optimization | |
Hoyos et al. | Airfoil shape optimization: Comparative study of meta-heuristic algorithms, airfoil parameterization methods and reynolds number impact | |
Kim et al. | Geometric modification for the enhancement of an airfoil performance using deep CNN | |
Díaz-Casás et al. | Wind turbine design through evolutionary algorithms based on surrogate CFD methods | |
Bourguet et al. | Aerodynamic multi-criteria shape optimization of VAWT blade profile by viscous approach | |
Johnson et al. | Optimizing rotor blades with approximate british experimental rotor programme tips | |
Anand et al. | A novel approach to inverse design of wind turbine airfoils using tandem neural networks | |
Gopalarathnam et al. | Aerodynamic Modeling for Real-Time Flight Dynamics Simulation | |
Ben Mosbah et al. | Artificial Neural Networks-Extended Great Deluge Model to predict Actuators Displacements for a Morphing Wing Tip System. | |
Kieszek et al. | Feed-forward artificial neural network as surrogate model to predict lift and drag coefficient of NACA airfoil and searching of maximum lift-to-drag ratio | |
Stephan et al. | Neural-Network-Based Model for Trailing-Edge Flap Loads in Preliminary Aircraft Design | |
Moshtaghzadeh et al. | Prediction of Wind Turbine Airfoil Performance Using Artificial Neural Network and CFD Approaches. | |
Li et al. | Aerodynamic Design Optimization of Transonic Natural‐Laminar‐Flow Airfoil at Low Reynolds Number | |
CN117313237B (zh) | 一种基于机器学习的特种无人机组构方案优选方法 | |
Sadrehaghighi | Dynamic & Adaptive Meshing |
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 |