CN117313237A - 一种基于机器学习的特种无人机组构方案优选方法 - Google Patents
一种基于机器学习的特种无人机组构方案优选方法 Download PDFInfo
- Publication number
- CN117313237A CN117313237A CN202311233951.9A CN202311233951A CN117313237A CN 117313237 A CN117313237 A CN 117313237A CN 202311233951 A CN202311233951 A CN 202311233951A CN 117313237 A CN117313237 A CN 117313237A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- machine learning
- blade
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011295 pitch Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 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 2
- 241001669680 Dormitator maculatus Species 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008520 organization Effects 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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]
- G06F30/20—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)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Computational Mathematics (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组构方案优选方法，所述方法包括如下步骤：(1)建立特种无人机三维桨叶组构方案库；(2)建立特种无人机三维桨叶组构模型库；(3)绘制不同桨叶组构方案对应的网格库；(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库；(5)以机器学习的方式建立组构方案—升阻特性参数库；(6)机器学习方法优选；(7)进行桨叶组构升阻特性预测与方案优选。本发明能够通过机器学习得到目标特种环境条件下特种无人机桨叶组构的优选方案，能够降低很多计算量，提高计算效率，在确保优选组构方案有效性的基础上节约大量实验成本，同时该方法可以进行自我迭代，为进一步提高优选效果提供了可能性。
Description
技术领域
本发明涉及一种特种无人机组构方案优选方法，具体涉及一种使用机器学习方法对特种无人机旋翼系统桨叶的不同组构方案与其升阻特性的关系进行建模、仿真与分析的方法。
背景技术
特种无人机探测对于了解未知环境具有重要意义。由于未知环境的环境条件参数未知，特种无人机因具备垂直起降、空飞行能力和高稳定性受到研究机构的广泛关注。然而，由于特种无人机在复杂流场中运行，不同桨叶数量、不同桨叶分布和不同桨叶间距都会影响特种无人机的升阻特性。因此，在极端大气条件下研究特种无人机旋翼系统的桨叶的组构方案与其相对应的空气动力学特性是至关重要的。此外，特种无人机桨叶组构优选实验成本高，模拟计算量大。
发明内容
为了解决特种无人机桨叶组构方案选择和其面临的实验成本高、模拟计算量大等问题，本发明从不同桨叶数量、不同桨叶分布数量、不同桨叶间距(水平方向、竖直方向)与复杂流场中的特种无人机的升阻特性关系出发，提供了一种基于机器学习的特种无人机组构方案优选方法。该方法通过采用机器学习方法预测最优桨叶组构方案，结合流体力学软件Fluent对三维桨叶组构模型附近流场进行模拟、CFD实验验证推力T，功率P，获得气动效率FM、负载功率PL等评估指标的方式对特种无人机旋翼系统桨叶组构方案进行优选，从而避免了昂贵的实验和模拟的需要。
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组构方案优选方法，包括如下步骤：
步骤(1)建立特种无人机三维桨叶组构方案库：
选取不同桨叶数量n、不同桨叶分布数量p、不同桨叶水平间距dh和不同桨叶竖直间距dv作为变量，构建特种无人机三维桨叶组构方案库；
步骤(2)建立特种无人机三维桨叶组构模型库：
根据所选方案，通过三维建模软件对特种无人机桨叶组构方案进行三维模型建立，将方案库转为可以进行数值模拟的特种无人机三维桨叶组构模型库；
步骤(3)绘制不同桨叶组构方案对应的网格库：
步骤(31)设置网格：桨叶组构模型附近采用非结构网格构建圆柱形网格区域，直径不小于模型尺寸的1.1倍，高度不小于模型尺寸的0.4倍；桨叶组构模型其余部分采用结构化网格构建圆柱形网格区域，直径不小于模型尺寸的3.0倍，高度不小于模型尺寸的3.0倍；
步骤(32)利用NASA提出的y+系数计算得出网格的最小边缘尺度；
步骤(33)编写自动生成网格数据库的脚本代码，生成不同桨叶组构方案所对应的网格，构成桨叶组构方案网格库；
步骤(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库：
步骤(41)提取特种无人机的工作环境条件参数；
步骤(42)优化Fluent仿真设置条件：根据(41)提取的工作环境条件参数，设置环境条件范围并且设置Fluent流体模型、重力、大气压力、时间步长、收敛条件等参数对Fluent仿真设置条件进行优化；
(43)编写脚本代码自动将Fluent仿真结果生成特种无人机不同桨叶组构对应的气动效率FM、负载功率PL；
(44)构建特种无人机不同桨叶组构的参数数据集；
步骤(5)以机器学习的方式建立组构方案—升阻特性参数库：
利用机器学习的方法，根据Fluent仿真结果生成的参数建立特种无人机不同桨叶组构方案和其在特种环境下的气动特性参数之间的对应关系，作为机器学习的组构方案—升阻特性参数库；
步骤(6)机器学习方法优选：
步骤(61)选择机器学习算法；
步骤(62)将升阻特性参数数据库划分为训练集和验证集，并进行机器学习的数据预处理、模型选择和模型训练；
步骤(63)采用均方误差MSE和测定系数R2评估各种机器学习回归算法，分别优选气动效率FM、负载功率PL对应的最佳机器学习方法；
步骤(7)进行桨叶组构升阻特性预测与方案优选：
步骤(71)基于优选的机器学习方法，分别预测目标条件下的最优特种无人机桨叶组构方案；
步骤(72)将桨叶组构方案通过三维建模软件建立三维桨叶组构模型；
步骤(73)利用流体力学分析软件对三维桨叶组构模型附近流场进行模拟并通过CFD对方案进行实验验证推力T，功率P，获得气动效率FM、负载功率PL等评估指标；
步骤(74)迭代优化参数n、p、dh、dv，优化桨叶组构方案优选方法，更新升阻特性参数库。
相比于现有技术，本发明具有如下优点：
本发明通过CFD仿真验证保证了特种无人机旋翼系统桨叶组构方案优选方法的有效性；能够通过机器学习得到目标特种环境条件下特种无人机桨叶组构的优选方案，从而相比现有技术的做法降低了很多计算量，提高了计算效率，在确保优选组构方案有效性的基础上节约了大量实验成本，同时该方法可以进行自我迭代，为进一步提高优选效果提供了可能性。
附图说明
图1是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法的一个具体实施方法的流程示意图；
图2是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中桨叶数量n＝2时的示意图；
图3是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中桨叶数量n＝3时的示意图；
图4是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中桨叶分布数量p＝4时的示意图；
图5是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中桨叶分布数量p＝6时的示意图；
图6是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中选取不同桨叶水平间距dh时的示意图；
图7是本申请基于机器学习的特种无人机旋翼系统桨叶组构方案优选方法中选取不同桨叶竖直间距dv时的示意图。
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组构方案优选方法，如图1所示，具体包括如下步骤：
步骤(1)建立特种无人机三维桨叶组构方案库：
特种无人机三维桨叶组构方案库中的单桨叶结构形式来源于优化的桨叶库，不对桨叶本身结构方案优选，只对其组构方案优选，选取不同桨叶数量(n)、不同桨叶分布数量(p)、不同桨叶水平间距(dh)和不同桨叶竖直间距(dv)作为变量。不同桨叶数量选取2片、3片、4片及5片；不同桨叶分布数量选取单旋翼系统、双旋翼系统、三旋翼系统、四旋翼系统以及六旋翼系统；旋翼系统是否为共轴结构，包括为单桨叶非共轴结构与双桨叶共轴结构和旋翼轴，直接距离选取包括100mm、200mm、300mm及400mm、500mm及600mm。根据上述选取的变量值，构建起特种无人机三维桨叶组构方案库。
步骤(2)建立特种无人机三维桨叶组构模型库：
步骤(21)根据所选方案，通过SolidWorks/ProE等三维建模软件对特种无人机桨叶组构方案进行三维模型建立，总数量为4×5×2×6＝240个模型，将方案库转为可以进行数值模拟的特种无人机三维桨叶组构模型库。
步骤(22)利用三维网格绘制软件ICEM和流体力学分析软件Fluent对特种无人机不同桨叶组构方案中，桨叶组构模型在不同工作环境下周围的流场进行模拟分析。
步骤(3)绘制不同桨叶组构方案对应的网格库：
步骤(31)设置网格：桨叶组构模型附近区域采用不同直径、高度和网格构建方法，主要分为两步：桨叶组构模型附近采用非结构网格构建圆柱形网格区域，直径不小于模型尺寸的1.1倍，高度不小于模型尺寸的0.4倍；桨叶组构模型其余部分采用结构化网格构建圆柱形网格区域，直径不小于模型尺寸的3.0倍，高度不小于模型尺寸的3.0倍。
步骤(32)利用NASA提出的y+系数计算得出网格的最小边缘尺度。
步骤(33)网格整体质量优率>90％。
步骤(34)编写自动生成网格数据库的脚本代码，生成不同桨叶组构方案所对应的240个网格文件，提高自动化程度，构成桨叶组构方案网格库。
步骤(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库：
步骤(41)提取特种无人机的工作环境条件参数，其中包括但不限于大气密度0.2kg/m3、压力100kPa、比热容1050J/(kg·K)和摩尔质量2g/mol等参数。
步骤(42)优化Fluent仿真设置条件：根据(41)提取的工作环境条件参数，设置密度基处理器、RANS模型、k-ωSST模型并考虑辅助现象，如辐射传热、化学反应或湍流模型，根据模拟需求添加相应的模型，采用二阶或更高阶的数值格式提高计算精度，并且设置Fluent流体模型、重力、大气压力、时间步长、收敛条件等参数对Fluent仿真设置条件进行优化，其中：桨叶表面的边界条件、外部流场的上边界、外部流场的下边界和外部流场的周围边界都被设置为壁面边界条件。将桨叶组构模型附近流场与外部流场相交处的上边界、下边界和周围边界条件设置为耦合边界条件。
步骤(43)编写脚本代码自动将Fluent仿真结果生成240组特种无人机不同桨叶组构对应的推力T，功率P，获得气动效率FM、负载功率PL等，进一步提高方法的自动化程度。
步骤(44)构建特种无人机不同桨叶组构的参数数据集，其中：参数数据集包括气动效率FM、负载功率PL。
步骤(5)以机器学习的方式建立组构方案—升阻特性参数库：
利用机器学习的方法，根据Fluent仿真结果生成的参数建立特种无人机不同桨叶组构方案和其在特种环境下的气动特性参数之间的对应关系，作为机器学习的组构方案—升阻特性参数库，其中：机器学习模型的输入参数为NACA翼型、不同桨叶数量(n)、不同桨叶分布数量(p)、不同桨叶水平间距(dh)和不同桨叶竖直间距(dv)；输出参数包括气动效率FM、负载功率PL。
步骤(6)机器学习方法优选：
步骤(61)选择机器学习算法：其中包括但不限于人工神经网络(人工神经网络不限于2层、3层、4层ANN20-20、ANN30-30、ANN40-40等)、决策树、随机森林、支持向量机(SVM-Gaussian、SVM-Linear)、K最近邻算法、线性回归、高斯回归等。
步骤(62)为防止机器学习算法训练过程中出现过拟合现象，将组构方案—升阻特性参数数据库按一定比例划分为训练集和验证集，推荐比例为8:2，并进行机器学习的数据预处理、模型选择和模型训练。模型训练以单旋翼系统的数量、旋翼桨叶数量、旋翼系统是否为共轴结构、旋翼轴直接距离为输入变量，FM和PL为输出变量，分别建立上述方法与FM、PL对应的机器学习模型。
步骤(63)采用机器学习回归算法中常用的评价指标：均方误差(MSE)和测定系数(R2)评估各种机器学习回归算法。均方误差表示平方误差的期望值，误差是估计值与实际值之间的差值。测定系数反映了模型的预测值与实际值之间的相关性，将其与其他模型区分开来并消除了规模的影响。R2的范围从0到1，当值接近1时，模型的准确性越高。具体公式如下：
其中，yi表示实际值，表示预测值，/>表示实际值均值，n表示样本数量。
在评估了各种机器学习回归算法后，分别优选气动效率FM、负载功率PL对应的最佳机器学习方法。对某一情况下，FM最佳的机器学习方法为K最近邻算法、PL最佳的机器学习方法为线性回归。
步骤(7)进行桨叶组构升阻特性预测与方案优选：
步骤(71)基于优选的机器学习方法，预测不同单旋翼系统的数量、旋翼桨叶数量、旋翼系统是否为共轴结构、旋翼轴直接距离条件下的FM和PL。分别以FM、PL为优化对象，获得上述变量范围内，最佳的设计参数。其中一种最佳情况为单旋翼系统的数量为4、旋翼桨叶数量为2、旋翼系统为共轴结构、旋翼轴直接距离为175mm。
步骤(72)将桨叶组构方案通过SolidWorks/ProE等三维建模软件建立三维桨叶组构模型；
步骤(73)利用流体力学分析软件Fluent对三维桨叶组构模型附近流场进行模拟并通过CFD对方案进行实验验证推力T，功率P，获得气动效率FM、负载功率PL等评估指标；其中FM为旋翼系统的悬停效果，PL为旋翼系统的功率负载；
步骤(74)迭代优化参数(n、p、dh、dv)，优化桨叶组构方案优选方法，更新特种无人机桨叶组构方案—升阻特性参数库。
Claims (8)
1.一种基于机器学习的特种无人机组构方案优选方法，其特征在于所述方法包括如下步骤：
步骤(1)建立特种无人机三维桨叶组构方案库：
选取不同桨叶数量n、不同桨叶分布数量p、不同桨叶水平间距dh和不同桨叶竖直间距dv作为变量，构建特种无人机三维桨叶组构方案库；
步骤(2)建立特种无人机三维桨叶组构模型库：
根据所选方案，通过三维建模软件对特种无人机桨叶组构方案进行三维模型建立，将方案库转为可以进行数值模拟的特种无人机三维桨叶组构模型库；
步骤(3)绘制不同桨叶组构方案对应的网格库：
步骤(31)设置网格：桨叶组构模型附近采用非结构网格构建圆柱形网格区域，直径不小于模型尺寸的1.1倍，高度不小于模型尺寸的0.4倍；桨叶组构模型其余部分采用结构化网格构建圆柱形网格区域，直径不小于模型尺寸的3.0倍，高度不小于模型尺寸的3.0倍；
步骤(32)利用NASA提出的y+系数计算得出网格的最小边缘尺度；
步骤(33)编写自动生成网格数据库的脚本代码，生成不同桨叶组构方案所对应的网格，构成桨叶组构方案网格库；
步骤(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库：
步骤(41)提取特种无人机的工作环境条件参数；
步骤(42)优化Fluent仿真设置条件：根据(41)提取的工作环境条件参数，设置环境条件范围并且设置Fluent流体模型、重力、大气压力、时间步长、收敛条件参数对Fluent仿真设置条件进行优化；
步骤(43)编写脚本代码自动将Fluent仿真结果生成特种无人机不同桨叶组构对应的气动效率FM、负载功率PL；
步骤(44)构建特种无人机不同桨叶组构的参数数据集；
步骤(5)以机器学习的方式建立组构方案—升阻特性参数库：
利用机器学习的方法，根据Fluent仿真结果生成的参数建立特种无人机不同桨叶组构方案和其在特种环境下的气动特性参数之间的对应关系，作为机器学习的组构方案—升阻特性参数库；
步骤(6)机器学习方法优选：
步骤(61)选择机器学习算法；
步骤(62)将升阻特性参数数据库划分为训练集和验证集，并进行机器学习的数据预处理、模型选择和模型训练；
步骤(63)采用均方误差MSE和测定系数R2评估各种机器学习回归算法，分别优选气动效率FM、负载功率PL对应的最佳机器学习方法；
步骤(7)进行桨叶组构升阻特性预测与方案优选：
步骤(71)基于优选的机器学习方法，分别预测目标条件下的最优特种无人机桨叶组构方案；
步骤(72)将桨叶组构方案通过三维建模软件建立三维桨叶组构模型；
步骤(73)利用流体力学分析软件对三维桨叶组构模型附近流场进行模拟并通过CFD对方案进行实验验证推力T，功率P，获得气动效率FM、负载功率PL评估指标；
步骤(74)迭代优化参数n、p、dh、dv，优化桨叶组构方案优选方法，更新升阻特性参数库。
2.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(3)中，网格整体质量优率>90％。
3.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(41)中，工作环境条件参数包括大气密度、恒压比热容、导热系数、气体粘度、参考粘度、参考温度、有效温度和摩尔质量气体参数。
4.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(42)中，桨叶表面的边界条件、外部流场的上边界、外部流场的下边界和外部流场的周围边界被设置为壁面边界条件；桨叶组构模型附近流场与外部流场相交处的上边界、下边界和周围边界条件设置为耦合边界条件。
5.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(44)中，参数数据集包括气动效率FM、负载功率PL。
6.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(5)中，输入参数为NACA翼型、不同桨叶数量n、不同桨叶分布数量p、不同桨叶水平间距dh和不同桨叶竖直间距dv；输出参数包括气动效率FM、负载功率PL。
7.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(61)中，机器学习算法包括人工神经网络、决策树、随机森林、支持向量机、K最近邻算法、线性回归、高斯回归。
8.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(63)中，均方误差MSE和测定系数R2的具体公式如下：
其中，yi表示实际值，表示预测值，/>表示实际值均值，n表示样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311233951.9A CN117313237B (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机组构方案优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311233951.9A CN117313237B (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机组构方案优选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117313237A true CN117313237A (zh) | 2023-12-29 |
| CN117313237B CN117313237B (zh) | 2024-04-16 |
Family
ID=89284208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311233951.9A Active CN117313237B (zh) | 2023-09-23 | 2023-09-23 | 一种基于机器学习的特种无人机组构方案优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313237B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
| WO2021077855A1 (zh) * | 2019-10-24 | 2021-04-29 | 南京航空航天大学 | 一种直升机旋翼翼型确定方法及系统 |
| US20210209264A1 (en) * | 2020-01-02 | 2021-07-08 | Viettel Group | Modeling and calculation aerodynamic performances of multi-stage transonic axial compressors |
| 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 |
| CN114036638A (zh) * | 2021-11-05 | 2022-02-11 | 南京航空航天大学 | 一种直升机旋翼桨-涡干扰流场和噪声高精度仿真方法 |
| CN114861315A (zh) * | 2022-05-16 | 2022-08-05 | 北京航空航天大学 | 一种基于机器学习的叶轮机二维叶型优化方法 |
| CN115375851A (zh) * | 2022-08-30 | 2022-11-22 | 苏州热工研究院有限公司 | 一种核电汽轮机叶片参数自动优化方法 |
| CN115795679A (zh) * | 2022-11-29 | 2023-03-14 | 厦门大学 | 一种基于深度强化学习的旋翼翼型优化方法及系统 |
| KR20230041514A (ko) * | 2021-09-17 | 2023-03-24 | 대우조선해양 주식회사 | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 |
| 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 CN202311233951.9A patent/CN117313237B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021077855A1 (zh) * | 2019-10-24 | 2021-04-29 | 南京航空航天大学 | 一种直升机旋翼翼型确定方法及系统 |
| US20210209264A1 (en) * | 2020-01-02 | 2021-07-08 | Viettel Group | Modeling and calculation aerodynamic performances of multi-stage transonic axial compressors |
| CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
| 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 |
| KR20230041514A (ko) * | 2021-09-17 | 2023-03-24 | 대우조선해양 주식회사 | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 |
| CN114036638A (zh) * | 2021-11-05 | 2022-02-11 | 南京航空航天大学 | 一种直升机旋翼桨-涡干扰流场和噪声高精度仿真方法 |
| CN114861315A (zh) * | 2022-05-16 | 2022-08-05 | 北京航空航天大学 | 一种基于机器学习的叶轮机二维叶型优化方法 |
| CN115375851A (zh) * | 2022-08-30 | 2022-11-22 | 苏州热工研究院有限公司 | 一种核电汽轮机叶片参数自动优化方法 |
| CN115795679A (zh) * | 2022-11-29 | 2023-03-14 | 厦门大学 | 一种基于深度强化学习的旋翼翼型优化方法及系统 |
| 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 (3)
| Title |
|---|
| PENGYUE ZHAO ET AL.: "Machine Learning Assisted Prediction of Airfoil Lift-to-DragCharacteristics for Mars Helicopter", 《AEROSPACE》, 4 July 2023 (2023-07-04) * |
| 安邦;朱汉华;范世东;张喜胜;黄鑫;: "某AU型螺旋桨的三维建模及其性能分析", 中国修船, no. 03, 1 June 2017 (2017-06-01) * |
| 赵鹏越: "火星直升机旋翼系统悬停升阻特性研究", 《万方数据库》, 2 December 2021 (2021-12-02) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117313237B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shourangiz-Haghighi et al. | State of the art in the optimisation of wind turbine performance using CFD | |
| Tahani et al. | Investigating the effect of geometrical parameters of an optimized wind turbine blade in turbulent flow | |
| CN103996074B (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
| Yang et al. | Wind farm layout optimization for levelized cost of energy minimization with combined analytical wake model and hybrid optimization strategy | |
| Daróczy et al. | Analysis of the performance of a H-Darrieus rotor under uncertainty using Polynomial Chaos Expansion | |
| CN111666630B (zh) | 一种煤矿井下无人机结构的多目标智能优化设计方法 | |
| Moghadassian et al. | Inverse design of single-and multi-rotor horizontal axis wind turbine blades using computational fluid dynamics | |
| Cheng et al. | Design and optimization of a novel U-type vertical axis wind turbine with response surface and machine learning methodology | |
| El Maani et al. | Multiobjective backtracking search algorithm: application to FSI | |
| Xu et al. | A cost-effective CNN-BEM coupling framework for design optimization of horizontal axis tidal turbine blades | |
| CN117313237B (zh) | 一种基于机器学习的特种无人机组构方案优选方法 | |
| Amrit et al. | Design strategies for multi-objective optimization of aerodynamic surfaces | |
| Zehtabiyan-Rezaie et al. | Physics-guided machine learning for wind-farm power prediction: Toward interpretability and generalizability | |
| Li et al. | Nonparametric importance sampling for wind turbine reliability analysis with stochastic computer models | |
| Li et al. | Optimization design of a compressor cascade airfoil using a Navier-stokes solver and genetic algorithms | |
| Amrit et al. | Efficient multi-objective aerodynamic optimization by design space dimension reduction and co-kriging | |
| Ramesh Kumar et al. | Novel deep learning model for predicting wind velocity and power estimation in advanced INVELOX wind turbines | |
| Epstein et al. | Accurate CFD driven optimization of lifting surfaces for wing-body configuration | |
| Joseph et al. | Optimisation framework for distinctive vertical AxisWind turbine blade generation using hybrid multi-objective genetic algorithms and deep neural networks | |
| Moshtaghzadeh et al. | Prediction of Wind Turbine Airfoil Performance Using Artificial Neural Network and CFD Approaches. | |
| Safari et al. | Development of a metamodel assisted sampling approach to aerodynamic shape optimization problems | |
| Hamid et al. | An optimization study of passive flow control mechanism for a seashell-shaped wind turbine | |
| Lee et al. | Advanced computational intelligence system for inverse aeronautical design optimisation | |
| Wan et al. | Research and Application of a Multi-Field Co-Simulation Data Extraction Method Based on Adaptive Infinitesimal Element. | |
| Leng et al. | Variable-fidelity surrogate model based on transfer learning and its application in multidisciplinary design optimization of aircraft |
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 |