CN103488847B - 一种基于神经网络集成的气动外形优化方法 - Google Patents
一种基于神经网络集成的气动外形优化方法 Download PDFInfo
- Publication number
- CN103488847B CN103488847B CN201310464213.5A CN201310464213A CN103488847B CN 103488847 B CN103488847 B CN 103488847B CN 201310464213 A CN201310464213 A CN 201310464213A CN 103488847 B CN103488847 B CN 103488847B
- Authority
- CN
- China
- Prior art keywords
- objective function
- points
- architecture
- numerical analysis
- optimization
- 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.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明针对飞行器气动外形优化问题，提出了一种基于神经网络集成的气动外形优化方法。该方法首先根据不同的气动外形参数构建多个气动外形作为样本，采用数值分析方法获得每个样本的目标函数。基于样本数据，采用神经网络集成方法构建目标函数近似模型。与数值分析方法相比，近似模型精度较低但计算量小得多。将目标函数近似模型与直接搜索算法结合进行优化搜索，在搜索过程中基于一定的策略调用数值分析方法或近似模型获取目标函数，直至获得最优气动外形。该方法能在保证优化效果的前提下，有效减少优化过程中数值分析的次数，提高优化设计效率和质量，非常适用于飞行器气动外形优化设计及相关的工程问题。
Description
技术领域
本发明涉及飞行器气动外形设计领域。
背景技术
传统的气动设计方法依靠设计者的经验和分析能力来选择外形，然后使用气动分析或风洞实验对设计方案进行评估并进一步修改，如此反复以求获得满意的气动设计方案。当外形复杂或约束条件众多时，整个优化过程不易掌握，要找到满足不同约束条件的最优外形非常困难。
数值优化方法的基本思想是将优化算法与气动分析软件相结合，将气动优化设计问题转化为一个数学上的寻优问题，依靠数值分析手段，解决气动外形优化设计问题。与传统优化设计方法相比，这种方法采用的优化算法有严格理论基础，在优化过程中也不需要人为的干预，因而比传统气动外形设计方法具有明显的优势。
在数值优化设计方法中气动分析方法的精度越高，得到的优化结果的可信度就越高，优化结果就越可用。现阶段在飞行器气动设计中多采用求解RANS方程的数值分析方法进行气动特性分析。由于数值求解RANS方程比较耗时，而在优化中需多次进行气动特性分析，因此采用RANS方程数值解法作为气动分析方法会带来计算量大的问题，难以在工程设计中使用。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于神经网络集成的气动外形优化方法，提高优化设计效率和质量，在满足总体装载及其他专业约束的情况下，提升飞行器的飞行性能和操控品质，减轻飞行器结构重量，降低对伺服系统功率需求。
本发明的技术方案是：一种基于神经网络集成的气动外形优化方法，步骤如下：
1）选取气动外形参数作为设计变量；根据不同的气动外形参数构建多个气动外形作为样本，采用数值分析方法获得每个样本的目标函数；
2）根据步骤1）获得的每个样本的目标函数，采用神经网络集成方法构建目标函数近似模型；检验目标函数近似模型对目标函数的近似精度，如果近似精度小于预设值，则转到步骤3）；如果近似精度大于等于预设值，则重新构建目标函数近似模型；
3）将所有设计变量变化范围均匀分成多个区域，形成网格；基于近似模型从所有网格点中获取目标函数大于阈值的网格点形成试探点集合；采用数值分析方法获得试探点集合Tk中所有试探点的目标函数f(x)，如果有xs使得f(xs)>f(xk)，则设置并转到步骤4），其中为第m个设计变量在第k次迭代搜索时的网格尺寸，l为非负整数，Lm为第m个设计变量变化范围，Mk为第k次迭代搜索时的网格点集合，xk为第k次迭代搜索时的最优解；如果所有试探点的目标函数都小于等于f(xk)，则将经数值分析方法获得的网格点加入到样本中并跳回至步骤2）重新构建目标函数近似模型；
4）在当前最优解附近阈值范围内选取网格点形成架构点集合Xk，基于近似模型获得架构点集合Xk中所有架构点的目标函数f(x)，根据获得的每个构架点的目标函数值，按照从小到大的顺序依次排列架构点；用数值分析方法依次获取架构点目标函数；如果有xp(xp∈Xk)使得f(xp)>f(xk)，则并转到步骤3）；如果所有架构点的目标函数都小于等于f(xk)，则转到步骤5）；
5）判断是否满足预设的收敛条件；如果不满足收敛条件，将网格尺寸变为原先的1/4，即将经数值分析方法获得的架构点加入到样本中，并跳回步骤2）重新构建目标函数近似模型；如果满足收敛条件，则得到最优解，停止迭代。
本发明与现有技术相比的优点在于：
(1)采用近似模型进行目标函数分析比采用数值分析方法计算量小得多，因此可以极大提高优化设计效率。
(2)与单个神经网络相比，神经网络集成能提高近似模型对目标函数的近似精度。
(3)本发明能解决完全采用精度较低的近似模型获取目标函数可能带来的优化质量问题。
(4)采用本发明进行气动外形优化设计，计算量比不采用近似模型的优化方法能减少90%。
(5)本发明算法简单，容易实现，且可以推广到其他专业优化设计问题。
附图说明
图1本发明优化设计方法流程图；
图2神经网络集成方法；
图3本发明优化收敛过程；
图4遗传算法优化收敛过程；
图5本发明优化前后翼型；
图6本发明优化前后翼型表面压力分布。
具体实施方式
如图1所示，本发明提出的气动外形优化设计方法主要包括以下步骤：
(1)选取气动外形参数作为设计变量。根据不同的气动外形参数构建多个气动外形作为样本，采用数值分析方法获得每个样本的目标函数；
(2)根据步骤(1)获得的每个样本的目标函数，采用神经网络集成方法构建目标函数近似模型；检验目标函数近似模型对目标函数的近似精度；如果近似精度小于预设值，则转到步骤(3)；如果近似精度大于等于预设值，则重新构建目标函数近似模型；
图2为神经网络集成方法：从样本中随机选择样本作为训练样本构建个体神经网络，剩余其他样本用来检测该个体神经网络的近似精度，依次方法构建多个个体神经网络；在进行目标函数分析时，将所有个体神经网络的目标函数近似值进行加权平均，作为神经网络集成的目标函数近似值，其中个体神经网络权值根据近似精度确定，近似精度越高，权值越大。
(3)将所有设计变量变化范围均匀分成多个区域，形成网格；基于近似模型从所有网格点中获取目标函数大于阈值的网格点形成试探点集合；采用数值分析方法获得试探点集合Tk中所有试探点的目标函数f(x)，如果有xs使得f(xs)>f(xk)，则设置并转到步骤4），其中 为第m个设计变量在第k次迭代搜索时的网格尺寸，l为非负整数，Lm为第m个设计变量变化范围，Mk为第k次迭代搜索时的网格点集合，xk为第k次迭代搜索时的最优解；如果所有试探点的目标函数都小于等于f(xk)，将数值分析方法获得的网格点加入到样本中并跳回至步骤(2)重新构建目标函数近似模型；
(4)在当前最优解附近阈值范围内选取网格点形成架构点集合Xk，基于近似模型获得架构点集合Xk中所有架构点的目标函数f(x)，根据获得的每个构架点的目标函数值，按照从小到大的顺序依次排列架构点；用数值分析方法依次获取架构点目标函数；如果有xp(xp∈Xk)使得f(xp)>f(xk)，则并转到步骤3）；如果所有架构点的目标函数都小于等于f(xk)，则转到步骤(5)；
(5)判断是否满足预设的收敛条件；如果不满足收敛条件，将网格尺寸变为原先的1/4，即将经数值分析方法获得的架构点加入到样本中，重新构建目标函数近似模型，令k=k+1，转到步骤(3)；如果满足收敛条件，则得到最优解，停止迭代。
采用本发明对RAE2822翼型进行升阻比最大化优化设计，设计状态在跨音速小迎角范围内，马赫数为0.73，攻角为2.79°，雷诺数为6.5×106，约束条件为最大厚度和升力系数均不减小。近似模型构建时样本个数取为90个，神经网络集成个体网络个数为70个。优化搜索过程迭代了20步，共调用93次原始模型，加上样本分析调用的90次，整个优化过程共调用了183次原始模型。图3给出优化收敛过程。为了对比，图4给出了遗传算法优化收敛过程，其中目标函数完全采用原始模型计算，进化代数为60，群体规模为30，共调用了1800次原始模型。可见，两种方法得到了几乎相同的优化效果。然而，本发明调用原始模型的次数要少得多，因此，计算量也少得多，比采用遗传算法减少了约90%。
图5和图6分别给出了采用优化后翼型的形状以及相应的翼型表面压力分布。从图中可以看出，翼型下表面形状变化很小，上表面最大厚度位置后移，使得翼型前半部分变得相对平坦，最终基本消除了激波。经本方法优化后翼型的升力增加了5.2%，阻力减小了24.5%，最终升阻比提高了39.4%，优化效果明显。
本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。
Claims (1)
1.一种基于神经网络集成的气动外形优化方法，其特征在于步骤如下：
1)选取气动外形参数作为设计变量；根据不同的气动外形参数构建多个气动外形作为样本，采用数值分析方法获得每个样本的目标函数；
2)根据步骤1)获得的每个样本的目标函数，采用神经网络集成方法构建目标函数近似模型；检验目标函数近似模型对目标函数的近似精度，如果近似精度小于预设值，则转到步骤3)；如果近似精度大于等于预设值，则重新构建目标函数近似模型；
3)将所有设计变量变化范围均匀分成多个区域，形成网格；基于近似模型从所有网格点中获取目标函数大于阈值的网格点形成试探点集合采用数值分析方法获得试探点集合Tk中所有试探点的目标函数f(x)，如果有xs使得f(xs)>f(xk)，则设置k＝k+1，并转到步骤4)，其中 为第m个设计变量在第k次迭代搜索时的网格尺寸，l为非负整数，Lm为第m个设计变量变化范围，Mk为第k次迭代搜索时的网格点集合，xk为第k次迭代搜索时的最优解；如果所有试探点的目标函数都小于等于f(xk)，则将经数值分析方法获得的网格点加入到样本中并跳回至步骤2)重新构建目标函数近似模型；
4)在当前最优解附近阈值范围内选取网格点形成架构点集合Xk，基于近似模型获得架构点集合Xk中所有架构点的目标函数f(x)，根据获得的每个构架点的目标函数值，按照从小到大的顺序依次排列架构点；用数值分析方法依次获取架构点目标函数；如果有xp(xp∈Xk)使得f(xp)>f(xk)，则并转到步骤3)；如果所有架构点的目标函数都小于等于f(xk)，则转到步骤5)；
5)判断架构点目标函数的优化过程是否满足预设的收敛条件；如果不满足收敛条件，将网格尺寸变为原先的1/4，即将经数值分析方法获得的架构点加入到样本中，并跳回步骤2)重新构建目标函数近似模型；如果满足收敛条件，则得到最优解，停止迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310464213.5A CN103488847B (zh) | 2013-10-08 | 2013-10-08 | 一种基于神经网络集成的气动外形优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310464213.5A CN103488847B (zh) | 2013-10-08 | 2013-10-08 | 一种基于神经网络集成的气动外形优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103488847A CN103488847A (zh) | 2014-01-01 |
| CN103488847B true CN103488847B (zh) | 2016-02-10 |
Family
ID=49829067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310464213.5A Expired - Fee Related CN103488847B (zh) | 2013-10-08 | 2013-10-08 | 一种基于神经网络集成的气动外形优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103488847B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019048085A1 (en) | 2017-09-08 | 2019-03-14 | Ecole polytechnique fédérale de Lausanne (EPFL) | OPTIMIZING THE FORM OF TECHNICAL DEVICES THROUGH GRADIENT DESCENT USING CONVOLUTION NEURAL NETWORK REPRESENTATIVES |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156383B (zh) * | 2015-04-03 | 2019-05-31 | 北京临近空间飞行器系统工程研究所 | 一种参数化气动外形数模及结构网格自动生成方法 |
| CN104778327B (zh) * | 2015-04-23 | 2018-02-27 | 复旦大学 | 基于人工神经网络的飞机翼型优化设计方法 |
| CN104915490A (zh) * | 2015-06-02 | 2015-09-16 | 南车青岛四方机车车辆股份有限公司 | 动车组头型气动反设计方法及装置 |
| CN105183973B (zh) * | 2015-09-01 | 2018-03-02 | 荆楚理工学院 | 一种变权重的灰狼算法优化方法 |
| CN108038259B (zh) * | 2017-11-06 | 2021-05-28 | 中国商用飞机有限责任公司 | 基于曲率生成气动部件外形的方法 |
| CN108733914A (zh) * | 2018-05-17 | 2018-11-02 | 复旦大学 | 基于人工神经网络的跨音速翼型自然层流延迟转捩设计方法 |
| CN110135561B (zh) * | 2019-04-29 | 2021-06-11 | 北京航天自动控制研究所 | 一种实时在线飞行器ai神经网络系统 |
| CN111597698B (zh) * | 2020-05-08 | 2022-04-26 | 浙江大学 | 一种基于深度学习的多精度优化算法实现气动优化设计的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6961719B1 (en) * | 2002-01-07 | 2005-11-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hybrid neural network and support vector machine method for optimization |
| US7191161B1 (en) * | 2003-07-31 | 2007-03-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques |
-
2013
- 2013-10-08 CN CN201310464213.5A patent/CN103488847B/zh not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019048085A1 (en) | 2017-09-08 | 2019-03-14 | Ecole polytechnique fédérale de Lausanne (EPFL) | OPTIMIZING THE FORM OF TECHNICAL DEVICES THROUGH GRADIENT DESCENT USING CONVOLUTION NEURAL NETWORK REPRESENTATIVES |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103488847A (zh) | 2014-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103488847B (zh) | 一种基于神经网络集成的气动外形优化方法 | |
| CN109460566B (zh) | 一种风力机叶片内侧厚翼型的气动稳健优化设计方法 | |
| CN106055791B (zh) | 基于预估校正算法的飞行器全局气动优化方法 | |
| CN109766604B (zh) | 一种基于随机等几何分析的叶片高刚度设计方法 | |
| CN102855412B (zh) | 一种风电功率预测方法及其装置 | |
| CN104408260B (zh) | 一种潮流能水轮机叶片翼型设计方法 | |
| CN106547954A (zh) | 一种低雷诺数错层翼的翼型优化设计方法 | |
| CN103136422B (zh) | 翼型集成与b样条结合的中等厚度翼型设计方法 | |
| CN104834772B (zh) | 基于人工神经网络的飞机翼型/机翼反设计方法 | |
| CN107644136A (zh) | 一种风力机叶片表面粗糙条件下钝尾缘翼型优化设计方法 | |
| CN106126860A (zh) | 一种考虑加工误差的高超声速机翼鲁棒优化设计方法 | |
| CN109540459B (zh) | 一种气动特性数值计算结果修正方法 | |
| CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
| CN110516318A (zh) | 基于径向基函数神经网络代理模型的翼型设计方法 | |
| CN110867903A (zh) | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 | |
| CN104863799A (zh) | 一种利用贝塞尔函数曲线的风力机翼型设计方法 | |
| CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
| CN111310282A (zh) | 一种适用于高原环境的直升机旋翼翼型生成方法及系统 | |
| CN105354422B (zh) | 一种基于对称稀疏矩阵技术快速求取极坐标牛顿-拉夫逊法潮流的方法 | |
| CN111859545A (zh) | 一种考虑升力匹配的宽速域高升阻比机翼优化设计方法 | |
| CN105138766B (zh) | 基于模糊聚类的高超声速气动热降阶模型的加点方法 | |
| CN105260498B (zh) | 一种大型民机机翼变弯度设计方法 | |
| CN112632728A (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
| CN105205208B (zh) | 一种飞机机翼型架外形设计方法 | |
| CN106227985A (zh) | 潮流能水平轴水轮机用叶片翼型族设计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160210 Termination date: 20171008 |