基于代理模型的高效气动优化设计方法及应用

发布时间：2017-07-15 11:07

  本文关键词：基于代理模型的高效气动优化设计方法及应用

  更多相关文章： 代理模型 Kriging模型 气动优化设计 加点准则 梯度增强Kriging模型 多学科优化设计

【摘要】：研究先进的气动设计方法是发展高性能飞行器的必然要求,而基于CFD的气动优化设计技术则是气动设计的重中之重。一方面,为了保证设计外形在CFD数值模拟情况下的气动性能与真实飞行条件下的气动性能更加相符,高精度的流动数值模拟方法被应用于气动优化设计中,这就大大增加了设计过程中所需的计算花费。另一方面,人们对飞行器气动性能的要求逐渐提高,这就给优化设计方法的设计质量提出了更高的要求。因此,研究设计效率高、设计质量好的气动优化设计方法具有重要的实际应用价值。本文围绕发展适合于飞行器设计的设计效率高、设计质量好的基于代理模型的气动优化设计方法展开研究,发展了一套基于代理模型的高效气动优化设计方法和软件,并成功进行了翼型、机翼、增升装置、飞翼的气动优化设计和考虑弹性的机翼气动/结构多学科优化设计。本文主要开展了以下几个方面的工作:(1)研究了基于Kriging模型(包括梯度增强Kriging模型)的优化算法中的多种自适应样本点加点准则及其约束处理方法,并发展了一种并行加点策略。传统的基于Kriging模型的优化设计采用求期望改进(EI)最大值的准则进行优化。本文除研究了EI最大值加点准则外,还研究了目标函数最小值准则(MP)、统计下限最小值准则(LCB)、改进概率最大值准则(PI)、均方根误差最大值准则(RMSE)等加点准则。将这些加点准则推广到可以直接处理约束的情况,研究发展了相应的含约束处理的加点准则CMP、CEI、CLCB、CPI、CRMSE。利用上述加点准则,提出了一种并行加点策略,算例验证了并行加点策略的效率成倍地高于单点加点准则。(2)研究发展了可用于Pareto多目标优化的自适应样本点加点准则及其约束处理方法。将单目标优化中的加点准则推广到多目标优化的情况,发展了无约束处理的多目标加点准则MMP、MEI、MLCB、MPI、MRMSE,以及含约束处理的多目标加点准则CMMP、CMEI、CMLCB、CMPI、CMRMSE。借鉴单目标优化中的样本点自适应方法,发展了多目标优化的样本点自适应方法。(3)研究发展了一套基于Kriging模型的高效单目标优化算法和多目标优化算法,以及基于梯度增强的Kriging模型的高效单目标优化算法和多目标优化算法。算例验证了方法的有效性和高效性。对于单目标优化算法,在效率远高于遗传算法的前提下,对于很多问题优化质量优于遗传算法;对于多目标优化算法,在效率远高于多目标遗传算法NSGA-II的前提下,优化质量与NSGA-II基本一致。算例还验证了本文基于Kriging模型的多目标优化算法对高维问题的适应性;验证了约束处理方法的有效性。(4)结合试验设计、代理模型、常规优化算法、加点准则等,发展了一套基于代理模型的可用于单目标/多目标、无约束/约束问题的高效并行通用优化算法程序。在试验设计方面,研究了拉丁超立方抽样并改进了现有的程序,研究了蒙特卡洛抽样和均匀设计并编制了相应的程序。在代理模型方面,研究了Kriging模型并改进了已有的Kriging模型程序;研究了梯度增强Kriging模型并嵌入了相应的程序。在常规优化算法方面,研究了单目标、多目标遗传算法并发展了相应的程序,改进了模式搜索算法程序,改进了梯度优化算法中的拟牛顿法和序列二次规划程序。(5)发展了基于Kriging模型的翼型反设计方法和翼型Pareto多目标气动优化设计方法;结合Adjoint梯度计算方法,发展了基于梯度增强的Kriging模型的翼型Pareto多目标优化设计方法。成功开展了翼型的单目标/多目标反设计研究,验证了Kriging模型在翼型反设计中的适应性。跨声速翼型设计算例验证了基于Kriging模型的翼型Pareto多目标优化方法和基于梯度增强Kriging模型的翼型Pareto多目标优化方法的有效性。此外,成功进行了基于Kriging模型的跨声速翼型、风力机翼型的加权多目标优化设计;成功进行了旋翼翼型、飞翼翼型的Pareto多目标气动优化设计,通过一次优化设计可得到多个最优气动外形。(6)发展了一套基于Kriging模型和Navier-Stokes方程的机翼单目标、多目标气动优化设计方法并成功应用于58个设计变量的飞翼Pareto多目标气动优化设计。首先研究了常用的梯形机翼和双梯形布局机翼的参数化方法,并编制机翼的参数化程序,其中平面参数、剖面参数、几何扭转角三类参数可以任意组合作为设计变量。分别采用传统的EI加点准则和本文发展的并行多点加点准则分别进行了跨声速机翼的仅变平面形状、仅变剖面形状、同时变平面形状和剖面形状的气动优化设计以及运输机机翼的减阻优化设计,验证了在气动优化设计中并行多点加点准则的效率更高。成功进行了含58个设计变量的飞翼多目标气动优化设计,优化后飞翼的起降性能和巡航性能大幅提高。(7)开展了基于Kriging模型的增升装置缝道参数优化设计。采用不同的气动计算方法进行了多段翼型的缝道参数优化设计,取得了良好的设计效果,优化后的外形升力系数都有较大提升。(8)结合基于代理模型的优化方法和多学科可行法(MDF),发展了一种基于代理模型的高效全局MDF多学科优化方法。算例表明该方法的效率和效果都优于参考文献中的基于Kriging模型的并行子空间(CSSO)方法。采用该方法进行了机翼的气动/结构耦合的多学科优化设计。首先采用ANSYS进行结构有限元分析和Euler方程求解器进行绕流模拟,建立了一套机翼静气动弹性数值模拟方法,然后进行了考虑弹性的机翼气动/结构综合优化设计,优化后的机翼气动性能和结构性能同时得到提高。
【关键词】：代理模型 Kriging模型 气动优化设计 加点准则 梯度增强Kriging模型 多学科优化设计
【学位授予单位】：西北工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：V221.3
【目录】：

• 摘要3-5
• ABSTRACT5-12
• 第一章 绪论12-28
• 1.1 研究背景12-14
• 1.2 基于CFD的气动设计方法及研究现状14-18
• 1.2.1 反设计方法14
• 1.2.2 优化设计方法14-18
• 1.3 基于代理模型的气动优化设计研究现状18-23
• 1.3.1 概述18-19
• 1.3.2 经典EGO全局优化算法19-20
• 1.3.3 基于代理模型的并行优化方法20-21
• 1.3.4 基于代理模型的多目标优化方法21-22
• 1.3.5 基于梯度增强的Kriging模型的优化方法22-23
• 1.4 本文研究工作的目的和意义23-24
• 1.5 本文的主要研究内容及论文组织24-28
• 第二章 基于代理模型的高效优化算法28-88
• 2.1 试验设计29-34
• 2.1.1 蒙特卡洛抽样29
• 2.1.2 拉丁超立方设计29-30
• 2.1.3 均匀设计30-34
• 2.2 代理模型34-49
• 2.2.1 多项式响应面模型35-36
• 2.2.2 Kriging模型36-44
• 2.2.3 梯度增强的Kriging模型44-49
• 2.3 常规优化算法49-61
• 2.3.1 模式搜索算法50-51
• 2.3.2 拟牛顿算法51-52
• 2.3.3 序列二次规划52-54
• 2.3.4 遗传算法54-57
• 2.3.5 多目标遗传算法—NSGA-II57-61
• 2.4 基于代理模型的优化加点准则及约束处理61-76
• 2.4.1 目标函数最小值准则及其约束处理（CMP）62-65
• 2.4.2 Expected Improvement最大值准则及其约束处理（CEI）65-69
• 2.4.3 统计学下限最小值准则及其约束处理（CLCB）69-71
• 2.4.4 Probability of Improvement最大值准则及其约束处理（CPI）71-74
• 2.4.5 均方根误差最大值准则及其约束处理（CRMSE）74-76
• 2.5 并行加点策略76-79
• 2.5.1 单一加点准则的不足76-77
• 2.5.2 并行加点方法77-78
• 2.5.3 MPI并行计算78
• 2.5.4 并行加点方法的验证78-79
• 2.6 混合子优化方法79-81
• 2.7 多目标优化问题的处理方法81-85
• 2.7.1 线性加权法81-83
• 2.7.2 Pareto解集法83-85
• 2.8 基于代理模型的高效优化算法流程85-87
• 2.9 本章小结87-88
• 第三章 基于代理模型的优化算法的算例验证88-118
• 3.1 优化算法的性能评价88-90
• 3.1.1 单目标优化算法的性能指标88-89
• 3.1.2 多目标优化算法的性能指标89-90
• 3.2 基于KRIGING模型的单目标优化算法的验证90-97
• 3.2.1 基于Kriging模型的单目标无约束优化算法的验证90-93
• 3.2.2 基于Kriging模型的单目标约束优化方法的验证93-97
• 3.3 基于KRIGING模型的多目标优化方法的验证97-105
• 3.3.1 基于Kriging模型的多目标无约束优化方法的验证97-102
• 3.3.2 基于Kriging模型的多目标约束优化方法的验证102-105
• 3.4 基于GEK模型的单目标优化算法的验证105-111
• 3.4.1 基于GEK模型的单目标无约束优化方法的验证105-108
• 3.4.2 基于GEK模型的单目标约束优化方法的验证108-111
• 3.5 基于GEK模型的多目标优化方法的验证111-116
• 3.5.1 基于GEK模型的多目标无约束优化方法的验证111-114
• 3.5.2 基于GEK模型的多目标约束优化方法的验证114-116
• 3.6 本章小结116-118
• 第四章 基于代理模型的翼型气动优化设计118-150
• 4.1 翼型参数化118-121
• 4.1.1 Hicks-Henne参数化118-120
• 4.1.2 CST参数化120-121
• 4.2 翼型绕流数值模拟121-122
• 4.2.1 网格生成121
• 4.2.2 流场求解121-122
• 4.3 基于KRIGING模型的翼型反设计122-128
• 4.3.1 设计变量范围的设定122
• 4.3.2 翼型反设计目标函数122-123
• 4.3.3 加点准则的选取以及与多项式响应面的比较123-126
• 4.3.4 基于Kriging模型的风力机翼型单点反设计126
• 4.3.5 基于Kriging模型的翼型多点反设计126-128
• 4.4 基于KRIGING模型的跨声速翼型优化设计128-134
• 4.4.1 RAE2822翼型单目标优化设计128-130
• 4.4.2 RAE2822翼型线性加权多目标优化设计130-132
• 4.4.3 RAE2822翼型Pareto多目标优化设计132-134
• 4.5 考虑转捩的风力机翼型优化设计134-137
• 4.6 旋翼翼型多目标优化设计137-140
• 4.7 基于GEK模型的翼型单目标设计140-143
• 4.7.1 翼型反设计140-142
• 4.7.2 翼型减阻优化设计142-143
• 4.8 基于GEK模型的翼型加权系数多目标优化设计143-145
• 4.9 基于GEK模型的翼型PARETO多目标优化设计145-147
• 4.10 本章小结147-150
• 第五章 基于KRIGING模型的机翼/增升装置气动优化设计150-170
• 5.1 基于KRIGING模型和多点加点准则的跨声速机翼优化设计150-159
• 5.1.1 机翼参数化150-151
• 5.1.2 机翼网格生成与流动数值模拟151-152
• 5.1.3 仅考虑平面形状及扭转角变化的跨声速机翼优化设计152-155
• 5.1.4 仅考虑剖面形状变化的跨声速机翼优化设计155-157
• 5.1.5 同时考虑平面形状、扭转角以及剖面形状变化的跨声速机翼优化设计157-159
• 5.2 基于KRIGING模型的运输机机翼优化设计159-163
• 5.2.1 运输机机翼参数化及流动数值模拟160
• 5.2.2 基于多点加点准则的运输机机翼并行优化设计160-163
• 5.3 基于KRIGING模型的增升装置优化设计163-169
• 5.3.1 基于MSES的两段翼型襟翼位置优化设计163-164
• 5.3.2 基于NS方程的多段翼型单目标优化设计164-167
• 5.3.3 基于NS方程的多段翼型多目标优化设计167-169
• 5.4 本章小结169-170
• 第六章 基于KRIGING模型的飞翼气动优化设计170-180
• 6.1 飞翼翼型优化设计170-174
• 6.1.1 飞翼翼型单目标优化设计170-172
• 6.1.2 飞翼翼型多目标优化设计172-174
• 6.2 飞翼三维外形多目标优化设计174-179
• 6.2.1 飞翼外形参数化及流动数值模拟174-175
• 6.2.2 基于NS方程的飞翼多点多目标优化设计175-179
• 6.3 本章小结179-180
• 第七章 基于KRIGING模型的多学科优化设计180-194
• 7.1 数值算例180-182
• 7.2 齿轮箱优化算例182-184
• 7.3 考虑静气动弹性的机翼气动/结构综合优化设计184-193
• 7.4 本章小结193-194
• 第八章 总结与展望194-198
• 8.1 本文研究工作总结194-196
• 8.2 本文创新性贡献196-197
• 8.3 研究展望197-198
• 参考文献198-208
• 攻读博士学位期间发表的学术论文和参加科研情况208-210
• 致谢210-211

，

本文编号：543558