Comparison of machine learning data fusion methods applied to aerodynamic modeling of rocket first stage with grid fins
-
摘要: 机器学习数据融合方法可帮助降低飞行器气动数据库建立的成本,加快研制进度,目前已经成为飞行器设计方法领域越来越活跃的研究方向,但其在工程复杂问题方面的应用研究并不充分。将多种常见变可信度数据融合模型应用于运载火箭子级栅格舵落区控制的工程项目,在开展部分工况的风洞试验基础上,结合少量的CFD数值模拟结果,研究相关函数和不同模型预测完整工况气动特性数据的差异性。通过对比加法标度函数修正模型、Co-Kriging模型、分层Kriging模型和多可信度神经网络模型等4种不同的数据融合模型发现:高斯指数相关函数对气动建模问题的适应性更好;Co-Kriging模型对气动数据的内插表现最好;分层Kriging模型对内插的预测精度较高,外插效果不理想;多可信度神经网络模型在外插区域能获得更光滑、合理的预测结果。Abstract: Machine learning data fusion method has attracted significant attention recently in aerodynamic database construction since it makes a trade-off between high prediction accuracy and low fitting cost by fusing samples of different fidelities. But the research on methods for complex engineering project is not sufficient. In this paper, several commonly used variable-fidelity models (VFMs) of data fusion are applied to the control law design in the rocket first stage landing area control project with grid fins. Based on wind tunnel tests of partial test states, combined with CFD simulation results, VFMs successfully predict the whole aerodynamic characteristics of grid fins. Here, our objective is to compare the performances of these four VFM methods (AS-MFS, Co-Kriging, HK, MFNN) and the results show that: Gaussian exponential function is more suitable for aerodynamic modeling problems; Co-Kriging has the best performance in the interpolation of aerodynamic data; HK model has high prediction accuracy for interpolation but has poor performance for extrapolation; MFNN model can obtain smoother and more reasonable results in the extrapolation region.
-
Keywords:
- variable-fidelity model /
- aerodynamic modeling /
- data fusion /
- grid fin /
- machine learning
-
0 引 言
现代机载武器在外形设计、总体布置以及结构形式上除了必须满足机载武器的常规要求外,还要尽可能满足武器内埋以及多弹并列、串列挂载的要求,这些空间和尺寸上的条件约束为其升力面和控制面的设计带来了极大的困难和挑战,同时舵面操纵效能、舵面铰链力矩与小型化舵机的匹配性等矛盾也十分突出。栅格翼[1]作为一种非常规的升力面和控制面,在升力特性、铰链力矩特性和外形尺寸方面都优于传统平板翼,这些都为其在现代机载武器特别是小型化武器上的广泛应用奠定了基础。
目前,栅格翼虽已成功应用于宇宙飞船救生逃逸系统和一些常规战术导弹上,国内外对其气动特性也开展了大量的实验与数值模拟研究,如Mark S. Miller等通过改变栅格翼边框和栅格壁前后缘形状等开展了减阻特性的试验研究[2];Gregg Abate等通过风洞实验研究了跨声速阶段栅格翼的气流壅塞现象对气动特性的影响[3];而陈少松等开展了栅格翼的减阻特性及格宽翼弦比对其气动特性的影响研究[4-5]等。数值模拟研究方面,Karl S. Orthner等采用非结构网格方法对栅格翼的跨声速气流壅塞现象进行了研究[6];James Despirito等对带栅格翼和平板翼鸭式布局导弹气动特性进行了数值计算,并对栅格尾翼的滚转控制性能进行了研究[7];刘刚等采用结构、非结构混合网格对不同舵偏角下的栅格翼构型进行了数值模拟[8];吴晓军等对多种不同外形单栅格的气动特性开展了数值计算[9]。以上工作广泛地开展了栅格翼相关气动特性的研究,但大多数研究集中于单栅格翼的气动特性或单一类型栅格翼及其尾身组合体的气动特性,对尾身组合体构型下不同类型栅格翼的气动特性研究尚显不足,而且国内有关栅格翼气动特性的试验研究开展得相对较少,这些都阻碍了对栅格翼气动特性的深入认识及其进一步的应用。
栅格翼因外部框架和内部栅格布置的不同而分为不同的类型,如框架式、蜂窝式等,并且栅格翼的布局形式及外形参数对其气动特性有非常重要的影响[1]。本文针对栅格翼尾身组合体模型,采用常规测力天平,实现了尾身组合体不同类型栅格翼全量气动特性的试验研究,获得了简单框架式、正置蜂窝式以及不同网格密度的斜置蜂窝式4种栅格翼的亚声速和跨声速气动特性,并将其气动特性与平板翼进行了对比,同时研究了弹身迎风侧和背风侧不同位置对栅格翼气动特性的影响。
1 不同类型栅格翼模型及试验方法
图 1给出了试验的不同类型栅格翼尾身组合体模型,由旋成体弹身、×型尾翼等组成。尾翼安装平面与构造水平对称面夹角为45°。试验时,只对1片尾翼进行气动力测量,分别位于1#或3#方位(从尾部向前看分别位于弹体轴yz平面的1和3象限)。尾翼包括1种平板尾翼PF0和4种栅格尾翼(编号分别为GF0+、GF4+、GFX1、GFX2),4种栅格翼的表面积近似相等,翼元格的形状和数量不同,其中GF0+为简单框架式,GF4+为正置蜂窝式,GFX1和GFX2为网格密度不同的斜置蜂窝式栅格翼。试验中尾翼仅作俯仰偏转控制,4片尾翼同时偏转。各类型尾翼的详细结构及尺寸见图 2。
对于舵面气动特性的测量,试验一般采用专门的铰链力矩天平[10],栅格翼的突出特点是其铰链力矩较小,但同时会带来较大阻力。一般舵面的铰链力矩试验并不测量其阻力,结合本项研究的目的,采用常规的测力天平来测量栅格翼的气动特性,尾身组合体模型采用尾部支撑,待测栅格翼与天平连接,每次测试一个栅格翼的气动力,其余栅格翼起干扰翼的作用。该方法不需要增加额外的翼天平,使用一个天平即可实现不同位置栅格翼全量气动特性的测量,具有模型设计简单的优点,并克服了在较小尺寸模型上安装铰链力矩天平的困难,同时又能测量栅格翼气动力和力矩的全部分量。
试验在试验段横截面尺寸为0.6 m×0.6 m的直流暂冲式跨超声速风洞中进行,试验马赫数Ma为0.8、1.2,模型迎角范围为-4°~14°,尾翼舵偏角为-10°、-5°、0°。
2 结果分析与讨论
本项研究共获得了1种平板翼和4种栅格翼6个分量的气动力特性数据,尾翼气动力和力矩系数分别在相应的舵面固连坐标系中给出。下面对尾身组合体不同类型栅格翼的主要气动特性进行分析。
2.1 不同类型栅格翼气动特性
图 3给出了1#位平板翼和4种栅格翼在不同马赫数及俯仰舵偏角下轴向力系数随迎角的变化曲线。对于平板翼,轴向力随迎角及舵偏角的变化符合基本规律。δz=0°时,4种栅格翼轴向力在小迎角范围内随迎角变化较小。从不同类型尾翼轴向力的对比曲线可知,与平板翼相比,此时栅格翼表现出了其突出特点,轴向力较大[6],简单框架式栅格翼GF0+的轴向力在4种栅格翼中最小,无舵偏角时,正置蜂窝式GF4+与斜置蜂窝式GFX1的轴向力较为接近,随翼元格数增加,GFX2的轴向力最大。栅格翼的阻力主要取决于其结构和栅格管内的流动状态[7],4种栅格翼具有相同的浸润面积,所以阻力的差别主要来源于管内的复杂流动引起的压差阻力。随着舵偏角的增加,无论是亚声速还是跨声速,4种栅格翼的轴向力有逐渐接近的趋势,Ma=1.2,δz=-10°时,4种栅格翼轴向力的差别明显变小。
图 4是各马赫数和舵偏角下4种栅格翼的法向力系数随迎角的变化曲线。总的来说,对于不同类型栅格翼的法向力系数,在中等迎角以下,法向力随迎角基本呈线性变化,无舵偏角和小舵偏角时,GF0+和GF4+表现出了更好的法向力特性,当舵偏角较大时,2种斜置蜂窝式栅格翼法向力特性较优。4种栅格翼具有近似相等的升力面积,但自较小迎角开始,几种栅格翼的法向力已有较大差别,某些状态下4种栅格翼的法向力在较大迎角时均存在失速现象,且失速迎角均小于平板翼。对于GF0+,Ma=0.8,δz=-10°,在负迎角时,法向力随迎角变化不明显,这是因为此时当地有效迎角增大,栅格翼处于失速的状态,故法向力变化不大,从图中结果可以看出,在相同条件下,GF4+具有相类似的结果,而2种斜置蜂窝式栅格翼则不存在这种现象,可见栅格翼的结构形式对其法向力特性有较大影响。
相对于平板翼,栅格翼的优点之一就是具有较好的铰链力矩特性[6],这一点从图 5的试验结果可以看出,栅格翼的铰链力矩特性普遍好于平板翼。与亚声速相比,跨声速时,各栅格翼的铰链力矩随迎角和舵偏角的变化范围较小。总的来说,对于4种栅格翼而言,斜置蜂窝式栅 格翼的铰链力矩特性优于另外2种栅格翼,密网格斜置蜂窝翼GFX2铰链力矩特性最优。
2.2 迎风侧和背风侧栅格翼气动特性对比
本文还研究了栅格翼处于尾身组合体迎风侧和背风侧不同位置时的气动特性。为了方便对比,不同位置栅格翼的气动力系数已经转换至统一方向的舵面坐标系中。图 6、7和8是1#位和3#位不同类型栅格翼气动特性的对比,亚声速时,对于GF4+,无舵偏角时,在绝大部分迎角下,处于背风侧1#位栅格翼的轴向力、法向力及铰链力矩均较大,迎风侧和背风侧栅格翼的铰链力矩随迎角的变化规律基本相同,随着舵偏角增加,法向力变化规律相似,但轴向力和铰链力矩在部分状态下发生明显变化,如δz=-5°时2个位置栅格翼的铰链力矩,δz=-10°时,大部分迎角下迎风侧3#位的轴向力较大;试验结果表明,对于其它类型的栅格翼,这种变化规律不具有必然性,如GF0+,当δz=-5°时,迎风侧3#位栅格翼的轴向力已经大于背风侧1#位的轴向力,并且不同舵偏角下2个位置栅格翼的铰链力矩相似性更好,量值更为接近;对于GFX2,亚声速时,不同位置时的轴向力变化规律与GF0+相似,但法向力差别较小;与亚声速时相比,跨声速时部分状态下2个位置栅格翼的轴向力和铰链力矩变化规律发生改变。
3 结 论
对于尾身组合体构型,通过风洞试验研究了平板尾翼及不同类型栅格尾翼的气动特性,讨论了各类型栅格翼气动力的变化规律,对弹身迎风侧和背风侧栅格翼的气动力进行了对比分析,可以得到以下结论:
(1) 采用了模型设计简单,同时又能测量栅格翼气动力和力矩全部分量的试验方法,该方法克服了在较小尺寸模型上安装铰链力矩天平的困难,不需要增加额外的翼天平,使用一个天平即可实现不同位置栅格翼全量气动特性的测量。
(2) 对于不同类型的栅格翼,轴向力均大于平板翼,无舵偏角时,轴向力随迎角变化较小,4种栅格翼中,简单框架式GF0+的轴向力最小,随翼元格数增加,斜置蜂窝式栅格翼GFX2轴向力最大。
(3) 某些状态下,4种栅格翼的法向力在较大迎角时均存在失速现象,且失速迎角均小于平板翼。对于栅格翼GF0+和GF4+,当舵偏角使栅格翼当地有效迎角增大时,栅格翼处于失速状态,法向力随迎角变化不大,而在相同条件下,2种斜置蜂窝式栅格翼则不存在这种现象,可见栅格翼的结构形式对其法向力有较大影响。
(4) 4种栅格翼的铰链力矩特性普遍好于平板翼,密网格斜置蜂窝翼GFX2铰链力矩特性最优。与亚声速相比,跨声速时,各栅格翼的铰链力矩随迎角和舵偏角的变化范围较小。
(5) 舵偏角对弹身迎风侧和背风侧栅格翼的轴向力和铰链力矩有较大影响,且不同类型栅格翼的变化规律也不尽相同;位置对密网格斜置蜂窝翼的法向力影响减弱。
-
表 1 俯仰特性风洞试验情况[2]
Table 1 Fundamental state for wind tunnel experiment on pitching moment characteristics[2]
马赫数 0.4 0.8 0.9 1 1.15 2 2.5 3 3.5 4 5 6 7 车次数 7 7 7 2 7 7 2 2 7 1 0 0 0 表 2 不同舵偏角下样本分布情况
Table 2 Data sets for different elevator deflections of grid fins
舵偏角 –20° –10° 0° 10° 总计 训练集样本个数 85 55 85 55 280 测试集样本个数 5 5 15 5 30 表 3 针对俯仰力矩系数建模不同模型精度指标对比
Table 3 Comparison of different accuracy indicators for pitching moment coefficients via different VFMs
舵偏角 模 型 r2 RRMSE RMAE -20° AS-MFS 0.997148 0.050151 0.080148 Co-Kriging 0.999482 0.024037 0.035985 HK 0.998572 0.040432 0.073526 MFNN 0.949331 0.433717 0.722283 -10° AS-MFS 0.941375 0.328419 0.535310 Co-Kriging 0.953788 0.324708 0.455177 HK 0.938108 0.317452 0.462085 MFNN 0.842811 0.756029 1.124043 0° AS-MFS 0.989935 0.146836 0.245788 Co-Kriging 0.996639 0.068603 0.109666 HK 0.993100 0.104178 0.183757 MFNN 0.985395 0.117386 0.326321 10° AS-MFS 0.988510 0.097516 0.179175 Co-Kriging 0.995607 0.060434 0.101578 HK 0.994743 0.066439 0.101578 MFNN 0.970473 0.175599 0.318173 -
[1] 杜涛,陈闽慷,李凰立,等. 变精度模型(VCM)的自适应预处理方法研究[J]. 空气动力学学报,2018,36(2):315-319. DOI: 10.7638/kqdlxxb-2016.0040 DU T,CHEN M K,LI H L,et al. Research on adaptive preconditioning method for variable complexity model[J]. Acta Aerodynamica Sinica,2018,36(2):315-319. doi: 10.7638/kqdlxxb-2016.0040
[2] 杜涛,许晨舟,王国辉,等. 人工智能气动特性预测技术在火箭子级落区控制项目的应用[J]. 宇航学报,2021,42(1):61-73. DOI: 10.3873/j.issn.1000-1328.2021.01.007 DU T,XU C Z,WANG G H,et al. The application of aerodynamic coefficients prediction technique via artificial intelligence method to rocket first stage landing area control project[J]. Journal of Astronautics,2021,42(1):61-73. doi: 10.3873/j.issn.1000-1328.2021.01.007
[3] 张天姣,钱炜祺,周宇,等. 人工智能与空气动力学结合的初步思考[J]. 航空工程进展,2019,10(1):1-11. ZHANG T J,QIAN W Q,ZHOU Y,et al. Preliminary thoughts on the combination of artificial intelligence and aerodynamics[J]. Advances in Aeronautical Science and Engineering,2019,10(1):1-11.
[4] 唐志共,王文正,陈功,等. 气动模型在现代气动试验设计中的应用研究[J]. 空气动力学学报,2017,35(2):172-176. DOI: 10.7638/kqdlxxb—2015.0190 TANG Z G,WANG W Z,CHEN G,et al. Research on the application of aerodynamic models in modern design of aerodynamic experiments[J]. Acta Aerodynamica Sinica,2017,35(2):172-176. doi: 10.7638/kqdlxxb—2015.0190
[5] SLOTNICK J, KHODADOUST A, ALONSO J, et al. CFD vision 2030 study: A path to revolutionary computational aerosciences[R]. NASA/CR-2014-218178, 2014.
[6] 韩忠华,许晨舟,乔建领,等. 基于代理模型的高效全局气动优化设计方法研究进展[J]. 航空学报,2020,41(5):25-65. HAN Z H,XU C Z,QIAO J L,et al. Recent progress of efficient global aerodynamic shape optimization using surrogate-based approach[J]. Acta Aeronautica et Astronautica Sinica,2020,41(5):25-65.
[7] 韩忠华. Kriging模型及代理优化算法研究进展[J]. 航空学报,2016,37(11):3197-3225. HAN Z H. Kriging surrogate model and its application to design optimization: a review of recent progress[J]. Acta Aeronautica et Astronautica Sinica,2016,37(11):3197-3225.
[8] 周奇,杨扬,宋学官,等. 变可信度近似模型及其在复杂装备优化设计中的应用研究进展[J]. 机械工程学报,2020,56(24):219-245. DOI: 10.3901/JME.2020.24.219 ZHOU Q,YANG Y,SONG X G,et al. Survey of multi-fidelity surrogate models and their applications in the design and optimization of engineering equipment[J]. Journal of Mechanical Engineering,2020,56(24):219-245. doi: 10.3901/JME.2020.24.219
[9] 何开锋,钱炜祺,汪清,等. 数据融合技术在空气动力学研究中的应用[J]. 空气动力学学报,2014,32(6):777-782. DOI: 10.7638/kqdlxxb—2014.0072 HE K F,QIAN W Q,WANG Q,et al. Application of data fusion technique in aerodynamics studies[J]. Acta Aerodynamica Sinica,2014,32(6):777-782. doi: 10.7638/kqdlxxb—2014.0072
[10] HAFTKA R T. Combining global and local approximations[J]. AIAA Journal,1991,29(9):1523-1525. doi: 10.2514/3.10768
[11] CHANG K J,HAFTKA R T,GILES G L,et al. Sensitivity-based scaling for approximating structural response[J]. Journal of Aircraft,1993,30(2):283-288. doi: 10.2514/3.48278
[12] ALEXANDROV N M,DENNIS J E,LEWIS R M,et al. A trust-region framework for managing the use of approximation models in optimization[J]. Structural Optimization,1998,15(1):16-23. doi: 10.1007/BF01197433
[13] ALEXANDROV N, NIELSEN E, LEWIS R, et al. First-order model management with variable-fidelity physics applied to multi-element airfoil optimization[C]//Proc of the 8th Symposium on Multidisciplinary Analysis and Optimization. 2000. doi: 10.2514/6.2000-4886
[14] SHU L S,JIANG P,SONG X G,et al. Novel approach for selecting low-fidelity scale factor in multifidelity metamodeling[J]. AIAA Journal,2019,57(12):5320-5330. doi: 10.2514/1.j057989
[15] PARK C,HAFTKA R T,KIM N H. Low-fidelity scale factor improves Bayesian multi-fidelity prediction by reducing bumpiness of discrepancy function[J]. Structural and Multidisciplinary Optimization,2018,58(2):399-414. doi: 10.1007/s00158-018-2031-2
[16] WANG S,LIU Y,ZHOU Q,et al. A multi-fidelity surrogate model based on moving least squares: fusing different fidelity data for engineering design[J]. Structural and Multidisciplinary Optimization,2021,64(6):3637-3652. doi: 10.1007/s00158-021-03044-5
[17] HAN Z H,GÖRTZ S,ZIMMERMANN R. Improving variable-fidelity surrogate modeling via gradient-enhanced kriging and a generalized hybrid bridge function[J]. Aerospace Science and Technology,2013,25(1):177-189. doi: 10.1016/j.ast.2012.01.006
[18] BANDLER J W,BIERNACKI R M,CHEN S H,et al. Space mapping technique for electromagnetic optimization[J]. IEEE Transactions on Microwave Theory and Techniques,1994,42(12):2536-2544. doi: 10.1109/22.339794
[19] ROBINSON T D,ELDRED M S,WILLCOX K E,et al. Surrogate-based optimization using multifidelity models with variable parameterization and corrected space mapping[J]. AIAA Journal,2008,46(11):2814-2822. doi: 10.2514/1.36043
[20] JONSSON E, LEIFSSON L, KOZIEL S. Aerodynamic optimization of wings by space mapping[C]//Proc of the 51st AIAA Aerospace Sciences Meeting including the New Horizons Forum and Aerospace Exposition. 2013. doi: 10.2514/6.2013-780
[21] 何磊,钱炜祺,汪清,等. 机器学习方法在气动特性建模中的应用[J]. 空气动力学学报,2019,37(3):470-479. DOI: 10.7638/kqdlxxb—2019.0033 HE L,QIAN W Q,WANG Q,et al. Applications of machine learning for aerodynamic characteristics modeling[J]. Acta Aerodynamica Sinica,2019,37(3):470-479. doi: 10.7638/kqdlxxb—2019.0033
[22] KENNEDY M,O'HAGAN A. Predicting the output from a complex computer code when fast approximations are available[J]. Biometrika,2000,87(1):1-13. doi: 10.1093/biomet/87.1.1
[23] QIAN P Z G,WU C F J. Bayesian hierarchical modeling for integrating low-accuracy and high-accuracy experiments[J]. Technometrics,2008,50(2):192-204. doi: 10.1198/004017008000000082
[24] LE GRATIET L,GARNIER J. Recursive co-kriging model for design of computer experiments with multiple levels of fidelity[J]. International Journal for Uncertainty Quantification,2014,4(5):365-386. doi: 10.1615/int.j.uncertaintyquantification.2014006914
[25] XIAO M Y,ZHANG G H,BREITKOPF P,et al. Extended Co-Kriging interpolation method based on multi-fidelity data[J]. Applied Mathematics and Computation,2018,323:120-131. doi: 10.1016/j.amc.2017.10.055
[26] ZAYTSEV A. Reliable surrogate modeling of engineering data with more than two levels of fidelity[C]//Proc of the 2016 7th International Conference on Mechanical and Aerospace Engineering (ICMAE). 2016: 341-345. doi: 10.1109/ICMAE.2016.7549563
[27] ZHOU Q,WU Y D,GUO Z D,et al. A generalized hierarchical co-Kriging model for multi-fidelity data fusion[J]. Structural and Multidisciplinary Optimization,2020,62(4):1885-1904. doi: 10.1007/s00158-020-02583-7
[28] HAN Z H,GÖRTZ S. Alternative cokriging method for variable-fidelity surrogate modeling[J]. AIAA Journal,2012,50(5):1205-1210. doi: 10.2514/1.J051243
[29] ZIMMERMANN R, HAN Z H. Simplified cross-correlation estimation for multifidelity surrogate cokriging models[J]. Advances and Applications in Mathematical Sciences, 2010.
[30] HAN Z H,GÖRTZ S. Hierarchical kriging model for variable-fidelity surrogate modeling[J]. AIAA Journal,2012,50(9):1885-1896. doi: 10.2514/1.J051354
[31] MENG X H,KARNIADAKIS G E. A composite neural network that learns from multi-fidelity data: application to function approximation and inverse PDE problems[J]. Journal of Computational Physics,2020,401:109020. doi: 10.1016/j.jcp.2019.109020
[32] MENG X H,BABAEE H,KARNIADAKIS G E. Multi-fidelity Bayesian neural networks: Algorithms and applications[J]. Journal of Computational Physics,2021,438:110361. doi: 10.1016/j.jcp.2021.110361
[33] HE L,QIAN W Q,ZHAO T,et al. Multi-fidelity aerodynamic data fusion with a deep neural network modeling method[J]. Entropy (Basel, Switzerland),2020,22(9):1022. doi: 10.3390/e22091022
[34] ZHANG X S,XIE F F,JI T W,et al. Multi-fidelity deep neural network surrogate model for aerodynamic shape optimization[J]. Computer Methods in Applied Mechanics and Engineering,2021,373:113485. doi: 10.1016/j.cma.2020.113485
[35] SATRIA P P,RIZKI Z L,SHIMOYAMA K. Gaussian process surrogate model with composite kernel learning for engineering design[J]. AIAA Journal,2020,58(4):1864-1880. doi: 10.2514/1.J058807
-
期刊类型引用(1)
1. 田霖,樊文鹏,于建军,杜云鹏,郭光全,唐宏. 基于结构网格的栅格翼子弹翼身组合体气动特性. 科技风. 2023(08): 158-162 . 百度学术
其他类型引用(1)