基于神经网络的跨音速非定常气动力的辨识

发布时间：2022-01-08 16:23

　　利用递归神经网络（RNN）模型具有时间记忆性,且会考虑之前的输入输出对当前输出影响的特点,以递归神经网络方法建立了NACA0012翼型在跨音速阶段的非定常气动力模型;利用CFD计算NACA0012翼型绕其刚心作变频俯仰运动的跨音速气动力系数为训练数据,建立跨音速非定常气动力模型。以建立的跨音速非定常气动力模型预测NACA0012翼型作俯仰简谐振动的气动力系数,并与CFD计算的气动力系数进行对比。结果表明,该模型具备优良的逼近非线性非定常气动力的能力;针对跨音速二维翼型,该模型相比CFD可以更快速地构建,并能迅速且较为准确地预测不同频率下作简谐振动时的气动力。 

【文章来源】：盐城工学院学报(自然科学版). 2020,33(02)

【文章页数】：4 页

【部分图文】：

RNN网络模型

初始权重函数是采取随机分配的方式确定的，在训练样本过程中，权重函数将通过不断的迭代调整来确定。t=1时，取初始输入S0=0，对权重函数W、U、V随机初始化，并按照公式(1)计算，进行自适应调整以确定最终权重函数。

以NACA0012翼型随时间作扫频变化的俯仰角为输入信号，以经Fluent计算得到的随时间变化的气动力为输出信号，进行神经网络训练以构建RNN神经网络模型。RNN神经网络模型对信号拟合如图5、图6所示。图4 力矩系数

【参考文献】：
期刊论文
[1]基于深度学习的翼型气动系数预测[J]. 陈海,钱炜祺,何磊.  空气动力学学报. 2018(02)
[2]一种高泛化能力的神经网络气动力降阶模型[J]. 尹明朗,寇家庆,张伟伟.  空气动力学学报. 2017(02)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]基于神经网络的机翼气动参数预测仿真研究[J]. 刘昕.  计算机仿真. 2015(12)
[5]基于BP神经网络的翼型空气动力系数预测[J]. 黄继鸿,苏红莲,赵新华.  航空工程进展. 2010(01)
[6]非定常气动力的结构自适应神经网络建模方法[J]. 龚正,沈宏良.  飞行力学. 2007(04)



本文编号：3576886