基于RBF神经网络和遗传算法的超声速Licher双翼优化设计研究

发布时间：2021-10-22 01:05

　　基于Busemann双翼的设计方法,采用径向基函数神经网络（Radial-Basis Function Neural Network, RBFNN）和基于遗传算法（Genetic Algorithm, GA）的优化技术对Licher双翼进行了优化设计以提高设计马赫数情况下的升阻比。通过计算流体力学（Computational Fluid Dynamics, CFD）方法在无黏性和黏性模式下对优化设计结果进行了验证。结果表明,与典型的Busemann双翼相比,优化后的双翼构型在无黏模拟情况下的升力和升阻比分别提高了27.3%和27.4%,黏性模拟情况下则提升了近60%和40%,表明本文采用的方法对于将双翼构型应用于未来超声速运输机领域具有很大的潜力。 

【文章来源】：航空科学技术. 2019,30(09)

【文章页数】：8 页

【部分图文】：

Busemann双翼构型Fig.1Busemannbiplaneconcept

湫ń恰Ｔ诖嘶?∩希?ü??ǖ纳杓?马赫数，激波角可以通过式（1）确定：tanθ=Ma2∞sin2β-1éêùMa2ú∞()γ+12-sin2β+1tanβ(1)式中：γ为比热比，这里取值1.4。通过式（1）计算得到的针对固定马赫数的双翼构型参数并不唯一，通过选择合适的喉道入口比来确定双翼之间的间距z即可确定一组双翼构型参数。本文选取的Busemann双翼参数，见表1。1.2Licher双翼设计方法Licher双翼构型的设计方法是在上述Busemann双翼的设计方法基础上考虑了来流迎角来实现的,如图2所示。当来流迎角不为零时，流动偏转角将改变，如图2（a）所示。这里以设计点为马赫数1.7的双翼构型为例进行讨论。当来流迎角为α时，上翼入口处流动偏转角为α+θ，根据式(1)，对于强激波，激波角随流动偏转角增大而增大，此时上翼前缘产生的激波将会打到下翼后缘的背风面位置。通过类似的分析可以得到，此时下翼前缘的激波将打到上翼的迎风面位置。这种情况下，双翼构型处于非设计状态。为了使迎角不为零状态下的双翼仍然产生如上述Busemann双翼之间的有利的激波相互作用进而减小双翼构型激波阻力，一个明显的办法就是调整双翼构型上下翼单元的厚度。本文保持双翼单元的距离不变，通过减小上翼单元厚度，同时增加下翼单元厚度，即可得到在给定迎角下的Licher双翼构型，如图2（b）所示。2数值方法2.1优化方法本文研究中采用了基于径向基函数神经网络模型的代理模型和遗传算法进行优化。首先，采用拉丁超立方采样方法生成初始样本数据，然后通过CFD方法计算样本翼型的气动力系数，之后，使用样本翼型参数和对应CFD计算结果构建代理模型，并通过遗传算法对翼型参数进行寻优得到最优外形。优

型激波阻力，一个明显的办法就是调整双翼构型上下翼单元的厚度。本文保持双翼单元的距离不变，通过减小上翼单元厚度，同时增加下翼单元厚度，即可得到在给定迎角下的Licher双翼构型，如图2（b）所示。2数值方法2.1优化方法本文研究中采用了基于径向基函数神经网络模型的代理模型和遗传算法进行优化。首先，采用拉丁超立方采样方法生成初始样本数据，然后通过CFD方法计算样本翼型的气动力系数，之后，使用样本翼型参数和对应CFD计算结果构建代理模型，并通过遗传算法对翼型参数进行寻优得到最优外形。优化过程如图3所示。2.2流动求解器本文采用了自研Euler/雷诺平均Navier-Stokes(RANS)求解器HUNS3D[8]来进行数值计算。在HUNS3D中，控制表1Busemann双翼参数Table1ParametersofBusemannbiplane设计马赫数1.7设计迎角/（°）0相对距离（z/c）0.5相对厚度（t/c）0.1图2Licher双翼设计参数Fig.2ParametersoftheLicherbiplane图3优化过程Fig.3Optimizationprocess74

【参考文献】：
期刊论文
[1]新型目标压力分布下的Licher双翼反设计方法研究[J]. 赵承熙,叶正寅,华如豪.  空气动力学学报. 2015(05)



本文编号：3450075