Investigation on performance enhancement of flap based on dual synthetic jets
-
摘要: 飞机在起降和大机动过程中，襟翼偏角过大会导致襟翼上方出现流动分离，从而使舵面效率降低甚至失效。为有效解决舵效问题，提出了一种基于合成双射流的襟翼舵效增强技术，针对无缝襟翼，探究了合成双射流不同控制参数对升力、舵效的影响规律。研究结果表明：合成双射流能在襟翼表面形成周期性涡结构，增强边界层底部低速流体与主流的动量交换，提高边界层抗逆压梯度的能力；襟翼处合成双射流可有效提高升力、增强舵效；当合成双射流无量纲驱动频率为3.89、动量系数为3.01 × 10–3时，舵效增强效果最好。此外，还设计、制作了合成双射流激励器与机翼一体化模型，并开展了飞行试验，可实现的滚转角速度达15.69 (°)/s，验证了合成双射流增强舵效的可行性和有效性。Abstract: When the aircraft is in the process of taking off, landing and flexible maneuvering, flow separation occurs above the flap and rudder which is caused by the large deflection angle. It reduces the performance of the flap and rudder, or even makes them ineffective. In order to solve this problem, a performance enhancement technology of flap based on array dual synthetic jets was proposed. Aiming at seamless flap, the influence of different dual synthetic jets driving parameters on the lift force and flap performance was investigated. The investigation results show that the dual synthetic jets can generate periodic vortex structures above the flap surface, which enhanced the momentum exchange between the low-velocity air in the boundary layer and the main flow. These vortex structures can also strengthen the ability of the boundary layer to resist the adverse pressure gradient. The array dual synthetic jets at the flap can effectively increase the lift force and enhance the flap performance. The flap performance enhancement is more effective when the dimensionless driving frequency is 3.89 and the momentum coefficient is 3.01 × 10–3. The integrated model of the array dual synthetic jets actuator combined with the wing was designed and fabricated, and the flight test was carried out. The rolling angular velocity could achieve 15.69 (°)/s, which verifies the feasibility and effectiveness of performance enhancement of flap based on dual synthetic jets.
-
0 引 言
飞机结冰广泛存在且危害严重。作为一种复杂的物理过程，飞机结冰不仅受飞机外形、飞行状态、来流条件等因素的影响，还与飞行过程中液态水含量（Liquid Water Content, LWC）和水滴平均体积直径（Median Volume Diameter, MVD）等云雾参数相关。结冰风洞是开展飞机结冰与防除冰研究的主要地面设备，LWC与MVD的测量，关系到结冰风洞试验条件与试验结果的准确性，是开展飞机结冰与防除冰试验研究的一项关键基础性工作[1]。为确定风洞云雾场与自然结冰云条件的符合性，通常在进行结冰试验之前，需要对结冰风洞的LWC、MVD等云雾参数开展校测[2, 3]。
目前，结冰风洞云雾参数测量方法可分为间接法和直接法两种[4]。间接法主要依托冰刀或旋转多圆柱开展，通过测量冰刀或旋转多圆柱上的覆冰质量，结合结冰生长规律等反推云雾参数[5]。直接法则通过专用仪器设备实现对LWC或MVD的直接测量，如热线[6]、前向散射分光测量仪[7]、相位多普勒干涉测量仪、马尔文粒径测量仪[8]等。不同方法的测量精度、测量范围及应用条件不同。通过综合使用上述测量方法，目前已经可以实现结冰风洞LWC与MVD的精确校测[9]。但结冰风洞特别是大型结冰风洞的运行成本较高，在进行云雾场校测时，通常只能选用风洞云雾包线内特定水气压对应的LWC和MVD参数进行校测，云雾参数测量范围相对有限。随着结冰风洞运行时间增加，云雾参数真实值会逐渐偏离初始校测值。因此，根据Calibration and acceptance of icing wind tunnels（SAE ARP 5905）标准要求[10]，需对结冰风洞进行周期性校测，以保证结冰风洞云雾参数的准确性，但周期性校测又势必增加结冰风洞运行成本。一种可行的方法是在结冰试验过程中直接采用专用测量设备测量云雾参数，但相位多普勒干涉测量仪等尺寸和体积较大的设备会对结冰试验过程中的流场造成干扰，影响试验结果的准确性。
针对上述问题，本文提出一种基于多模态融合[11]的结冰风洞云雾参数辨识方法。该方法以迎角、来流速度、来流温度、结冰时长等参数及模型结冰图像作为输入，通过特征参数提取实现多模态数据融合，在此基础上训练神经网络模型，进而实现对LWC和MVD的快速辨识。以NACA0012标准翼型结冰为研究对象，对参与多模态融合的网络节点数比例进行了分析，以获得可用于云雾参数辨识的最佳网络结构。在此基础上，开展仿真和结冰风洞试验验证，以评估所提出方法的可行性和有效性。
1 多模态融合辨识方法总体流程
基于多模态融合的结冰风洞云雾参数辨识方法流程如图1所示。
![]()
图 1 基于多模态融合的结冰风洞云雾参数辨识方法流程图Fig. 1 Flow block diagram of cloud parameter identification method based on multimodal fusion流程主要包括数据生成及预处理、多模态特征融合、训练神经网络和结冰风洞云雾参数辨识等，步骤如下：
1）数据生成及预处理。计算试验模型在不同结冰条件下的结冰情况，建立结冰数据库。为使构建的结冰数据库便于计算机处理，对冰形图像采用填充和灰度化处理。冰形图像填充可以提高冰形与无关区域的差异，提升模型辨识效果，而图像灰度化处理可以减少计算量，提高模型训练速度。此外，在数据预处理过程中，将结冰工况参数按照均值标准差进行归一化处理，以提高不同量纲数据的可比性，进而提升模型辨识效果[12]。
2）多模态特征融合。多模态特征融合能够拟合多个模态的信息进行机器学习，弥补单个模态信息覆盖较少的缺陷，提升模型辨识精度及鲁棒性。本文采用混合多模态融合方法，即先对结冰图像和结冰工况参数进行相应特征提取，而后基于所提取的特征进行融合。
3）训练神经网络。在多模态特征融合的基础上，将提取的特征输入至神经网络进行训练，根据辨识误差反馈逐渐调整网络参数，进而构建结冰风洞云雾参数与飞行状态、来流温度、结冰时长及结冰图像等之间的关联特征。
4）结冰风洞云雾参数辨识。基于步骤3中已经训练好的神经网络，将飞行状态、来流温度、结冰时长及结冰图像作为输入，即可完成LWC和MVD的辨识。
2 仿真分析
为验证本文方法的可行性与有效性，以NACA0012标准翼型结冰作为研究对象，对结冰风洞云雾参数的辨识效果进行仿真分析。
2.1 数据生成、预处理及网络设置
2.1.1 数据生成
仿真中使用的NACA0012标准翼型结冰数据库采用IRC2D数值计算软件[13]构建。该软件由中国空气动力研究与发展中心发布，包括流场、液态水收集、结冰相变及网格变形等计算模块。在该软件中，首先以SIMPLE算法求解Naiver–Stokes（N–S）方程获得流场分布，以拉格朗日方法获得水滴运动轨迹及水收集系数。在此基础上，采用改进Messinger结冰热力学模型计算获得模型结冰图像。如图2所示，根据文献[14]的验证，计算结果与试验结果较为一致，误差在合理范围内，说明该仿真方法具有可行性。仿真中用于生成结冰图像的工况参数见表1。
表 1 结冰工况参数设置Table 1 Icing parameter setting参数 取值 迎角α/（°） 0，3 来流速度v/（m·s−1） 80，100 来流温度T/（℃） −30，−20，−10 液态水含量LWC/（g·m−3） 0.1～1.0 水滴平均体积直径MVD/μm 20～100 结冰时长t/s 1350 液态水含量采样间隔为0.03 g/m3，水滴平均体积直径采样间隔为3 μm，总计算条次9720条。最后将所有样本数据随机打乱，按7∶2∶1的比例划分训练集验证集和测试集，用于训练网络和验证网络性能。
2.1.2 数据预处理
按上节方法生成的带冰翼型样本由直角坐标系下的冰形和翼型的坐标向量组成。由于卷积神经网络CNN（Convolutional Neural Networks）的输入要求为图像或二维矩阵，在数据预处理时，使用文献[12]的方法将结冰样本数据转换为如图3所示的灰度图像，将其作为多模态融合方法中CNN模型的输入。图像尺寸设置为100像素×100像素，图像宽度对应的x坐标轴取值范围固定为[−0.15, 0.25]，图像高度对应的y坐标轴取值范围固定为[−0.2, 0.2]。同时，对LWC和MVD进行归一化处理，以提升网络模型训练效果。图3为随机选取的数据预处理后的翼型结冰图片。
2.1.3 网络训练及参数设置
作为常用的特征提取网络，CNN能够在将图像降维的同时有效保留图像特征，目前被广泛应用于计算机视觉领域，在飞机结冰方面也有应用[14]。多层感知机MLP（Multilayer Perceptron）[15]通过层间的隐藏层与损失函数也可实现对线性数据的特征提取。本文拟采用CNN对冰形图像进行特征提取，使用MLP对来流参数进行特征提取。
多模态融合辨识方法采用的网络结构如图4所示。通过CNN卷积池化等前向传播计算提取图像特征，经全连接层展平为一维冰形特征向量，与MLP信号前向传播提取的来流参数特征融合，输入至全连接层，通过相关激活函数得到预测结果。根据预测结果与真实结果的误差损失函数，利用误差优化算法进行优化，不断反向更新权重和偏置，直至误差减小到设置的阈值或达到设置的训练迭代次数。
训练得到误差最小的网络结构如下：在图像特征提取模块中，尺寸为100像素×100像素的冰形图像输入至3个卷积块中，历经3次卷积池化操作，展平后经全连接层映射输出为一维向量，将该向量记为“冰形图像特征向量”。其中，3个卷积块所包含的卷积核数量分别为16、32和8，卷积核大小均为3像素×3像素。第1个与第3个卷积层的卷积核步长为2像素×2像素；为提取更多图像特征，将第2个卷积层的卷积核步长设置为1像素。池化层均采用最大池化法，尺寸为2像素×2像素，步长为2像素×2像素，层间激活函数采用Sigmoid激活函数。
在来流参数特征提取模块中，将1×4的迎角、来流速度、来流温度及结冰时长等参数进行均值标准差归一化，输入至2个全连接层，通过输出层映射为一维向量，将该向量记为“结冰工况特征向量”。层间采用的激活函数为ReLU激活函数。
最后，将“冰形图像特征向量”和“结冰工况特征向量”进行融合。融合方式为拼接融合，即将结冰工况特征向量添加在冰形图像特征向量之后，结合为输入参数向量。进一步通过多层感知机训练，辨识得到维数为1×2的辨识结果向量。
模型中的其他参数设置如下：学习率为1×10−3，学习率指数衰减因子为0.98，权值衰减为1×10−8；优化器选用Adam，参数
$\;{\beta _1}$ 设置为0.9，$\;{\beta _2}$ 设置为0.999。batch size设置为100，epoch设置为200。此外，本文采用Huber损失函数（Huber Loss）对多模态融合模型进行了优化。该损失函数由统计学家Huber[16]提出，James等[17]对其进行了改进，使其更适用于深度学习。Huber损失对数据中异常值的敏感程度较低，是回归任务中常用的一种损失函数。
$$ {L_\delta }[y - {\hat y_i}] = \left\{ {\begin{array}{*{20}{c}} {\dfrac{1}{2}{{[y - {{\hat y}_i}]}^2},|y - {{\hat y}_i}| \leqslant \delta } \\ {\delta |y - {{\hat y}_i}| - \dfrac{1}{2}{\delta ^2},|y - {{\hat y}_i}| > \delta } \end{array}} \right. $$ (1) 式中：Lδ[y−
$ {\hat y_i} $ ]表示真实值y与辨识值$ {\hat y_i} $ 的Huber损失值；δ为Huber损失中的自定义参数，本文取值为初始学习率与每批次学习率的比值。如式（1）所示：当辨识值与真实值的偏差小于等于δ时，采用平方误差；当偏差大于δ时，采用线性误差。2.2 融合比例影响分析
本节使用未参与训练的972条测试集数据对参与融合的2种特征提取网络输出节点数融合比例的影响进行评估，以获得最佳的融合比例。主要评估指标包括均方根误差（ERMS）、平均绝对误差（EMA）及决定系数（R2）等：
$$ E_{\text{RMS}} = \sqrt {\frac{1}{m}\sum\limits_{i = 1}^m {{{（{y_i} - {{\hat y}_i}）}^2}} } $$ (2) $$ E_{\rm{MA}} = \frac{1}{m}\sum\limits_{i = 1}^m {|（{y_i} - {{\hat y}_i}）|} $$ (3) $$ {R^2} = 1 - \frac{{\displaystyle\sum\limits_{i = 1}^m {{{（{y_i} - {{\hat y}_i}）}^2}} }}{{\displaystyle\sum\limits_{i = 1}^m {{{（{y_i} - {{\bar y}_i}）}^2}} }} $$ (4) 式中，
$y$ 为真实值，$ {\hat y_i} $ 为辨识值，${\bar y_i}$ 为真实值均值。2.2.1 融合比例影响规律分析
设置参与融合的图像特征提取网络输出节点数与来流参数特征提取网络节点数的融合比例分别为192∶32，128∶32，64∶32，32∶32，32∶64，32∶128和32:192，即6∶1，4∶1，2∶1，1∶1，1∶2，1∶4和1∶6。结合式（2）～（4）获得的结冰风洞云雾参数辨识结果如图5所示。
由图5（a）可知：对于LWC，融合比例为2∶1时的辨识效果最好，R2系数为0.9979；其次为4∶1，R2系数为0.9976。由图5（b）可知：对于MVD，融合比例为4∶1时的辨识效果最好，R2系数为0.9985。融合比例大于1时的辨识效果明显优于融合比例小于1时。
本文选取R2系数作为主要评判标准，以模型辨识结果的R2系数均值进行比较，最后得到当融合比例为4∶1时，辨识效果最好。
2.3 仿真验证
为验证多模态辨识方法的辨识效果，在上节得到的最优融合比例的基础上，随机选取2.1.1节所述测试集内9个算例与测试集外3个算例，分别记为测试集1与测试集2。表2为测试集1的9种结冰工况。表3为测试集2的3种结冰工况。
表 2 测试集1的结冰工况Table 2 Test set 1 icing conditions算例 迎角
/（°）来流速度
/（m·s−1）来流
温度/（℃）结冰
时长/s水滴平均体积
直径/μm液态水含量
/（g·m−3）a 0 80 −20 1350 20 0.25 b 3 80 −30 1350 26 0.61 c 0 100 −20 1350 26 0.76 d 3 80 −20 1350 38 0.91 e 0 80 −10 1350 47 0.76 f 0 80 −20 1350 56 0.94 g 3 100 −10 1350 65 0.25 h 0 80 −30 1350 74 0.40 i 3 80 −30 1350 89 0.22 表 3 测试集2的结冰工况Table 3 Test set 2 icing conditions算例 迎角
/（°）来流速度
/（m·s−1）来流
温度/（℃）结冰
时长/s水滴平均
体积直径/μm液态水含量
/（g·m−3）a 0 67.1 −23 1500 20 0.50 b 3 67.1 −23 1500 20 0.50 c 3 67.1 −7 1500 20 0.50 表4和5为多模态融合结冰风洞云雾参数辨识结果。LWCT和MVDT表示随机算例对应的IRC2D软件结冰风洞云雾参数输入，LWCP和MVDP则为相应的多模态融合方法的辨识结果。表中还给出了结冰风洞云雾参数辨识结果的满度误差（即样本绝对误差与最大绝对误差的比值）LWCe和MVDe。其中，MVD的最大绝对误差取为80（从表1中的MVD预测范围中选取）；同理，LWC最大绝对误差取为0.9。
表 4 测试集1的MVD与LWC辨识结果及满度误差Table 4 Test set 1 MVD and LWC identification results and errors算例 MVDT/μm MVDP/μm MVDe LWCT/（g·m−3） LWCP/（g·m−3） LWCe a 20 20.410 0.51% 0.25 0.251 0.11% b 26 27.891 2.36% 0.61 0.612 0.22% c 26 27.699 2.12% 0.76 0.756 0.44% d 38 38.634 0.79% 0.91 0.898 1.33% e 47 46.579 0.53% 0.76 0.745 1.67% f 56 56.677 0.85% 0.94 0.921 2.11% g 65 65.396 0.50% 0.25 0.251 0.11% h 74 74.582 0.73% 0.40 0.392 0.89% i 89 89.623 0.78% 0.22 0.224 0.44% 表 5 测试集2的MVD与LWC辨识结果及满度误差Table 5 Test set 2 MVD and LWC identification results and errors算例 MVDT/μm MVDP/μm MVDe LWCT/（g·m−3） LWCP/（g·m−3） LWCe a 20 22.713 3.39% 0.50 0.528 3.11% b 20 23.504 4.38% 0.50 0.562 6.89% c 20 23.269 4.08% 0.50 0.541 4.56% 由表4及5可知：在测试集1的9组算例中，MVD、LWC辨识结果满度误差最大值分别为2.36%、2.11%；在测试集2的3组算例中，MVD和LWC辨识结果满度误差均不超过7%。由于测试集2各算例的结冰工况参数不在训练集和测试集1所设置的参数范围内，故其辨识误差比测试集1略有增大，但仍处于合理范围内。
3 试验验证
为进一步验证本文方法的有效性及可行性，开展了试验验证。以NACA0012标准翼型为试验模型，于2022年3月在中国空气动力研究与发展中心3 m×2 m结冰风洞中开展结冰试验[18]。试验中，NACA0012翼型固定于结冰风洞主试验段，模型迎角通过风洞上下转盘编码器进行控制，温度通过风洞制冷系统控制，结冰风洞云雾参数则通过风洞喷雾系统调整。试验之前，对风洞进行了例行云雾场校测。图6和7分别为试验模型及翼型结冰情况。
与测试集2的结冰工况参数保持一致（如表6所示，记为测试集3），开展了3种工况的结冰试验。图8为结冰试验得到的冰形图像。
表 6 测试集3的试验工况Table 6 Test set 3 icing conditions工况 迎角/（°） 来流速度/（m·s−1） 来流温度/（℃） 结冰时长/s 水滴平均体积直径/μm 液态水含量/（g·m−3） a 0 67.1 −23 1500 20 0.50 b 3 67.1 −23 1500 20 0.50 c 3 67.1 −7 1500 20 0.50 ![]()
图 8 3种工况下的NACA0012翼型结冰冰形图像Fig. 8 The NACA0012 airfoil is frozen in 3 operating conditions为便于开展云雾参数辨识，本文使用滑动平均滤波法对图8所示的冰形图像进行平滑处理。与仿真分析类似，对NACA0012翼形结冰数据进行预处理，根据弦长将翼型按比例归一化至[0, 1]，并对冰形图像进行填充和灰度化操作，最终获得100像素×100像素的冰形灰度图像。在此基础上，将图像输入至前期得到的训练模型，获得结冰风洞云雾参数辨识结果。
结冰试验算例的LWC和MVD辨识结果见表7，表中误差计算方式与前文相同。3组算例的MVD辨识结果满度误差最大为6.41%，LWC辨识结果满度误差最大为11.20%。测试集3的结冰工况参数与测试集2相同，与测试集2相比，测试集3中各算例的冰形图像二级尺度更加丰富，而基于仿真数据训练的神经网络模型缺乏对二级尺度细节的捕捉能力，故测试集3的误差相较于测试集2有所增大，但平均满度误差增大幅度小于3%，仍处于合理范围内，进一步表明本文模型对于仿真数据与风洞试验数据均具有良好的泛化性能。
表 7 测试集3的MVD与LWC辨识结果及满度误差Table 7 Test set 3 MVD and LWC identification results and errors算例 MVDT/μm MVDP/μm MVDe LWCT/（g·m−3） LWCP/（g·m−3） LWCe a 20 24.142 5.17% 0.50 0.552 5.78% b 20 25.129 6.41% 0.50 0.601 11.20% c 20 23.864 4.83% 0.50 0.578 8.67% 4 结 论
1）本文提出的基于多模态融合的深度神经网络方法，融合冰形图像与迎角、来流速度、来流温度等参数作为输入训练神经网络，实现了对液态水含量和水滴平均体积直径的辨识，仿真评估与试验评估的辨识结果误差小，表明该方法对云雾参数辨识具有可行性及有效性。
2）不同的融合比例会影响模型的辨识精度，在本文研究范围内，融合比例为4∶1时的辨识效果最优。
-
![]()
图 3 升力系数、阻力系数的数值模拟与试验结果对比
Fig. 3 Comparison between numerical simulation and test results of lift coefficient and drag coefficient
![]()
图 4 不同驱动频率控制气动系数对比
Fig. 4 Comparison of aerodynamic coefficients of different driving frequencies
![]()
图 5 不同动量系数控制$C_\mu $气动系数对比
Fig. 5 Comparison of aerodynamic coefficients of different momentum coefficient
![]()
图 6 不同控制参数的速度云图（α = 4°）
Fig. 6 Velocity diagram of different control parameters (α = 4°)
![]()
图 7 不同频率下的速度云图及压力系数分布（α = 6°）
Fig. 7 Velocity nephogram and pressure coefficient distribution at different frequencies (α = 6°)
![]()
图 8 不同动量系数下的速度云图及压力系数分布（α = 4°）
Fig. 8 Velocity nephogram and pressure coefficient distribution at different momentum coefficient (α = 4°)
![]()
图 10 无人机示意图和DSJA安装位置示意图
Fig. 10 Size of flight platform and DSJA installation position
表 1 不同网格下的升、阻力系数
Table 1 Lift and drag coefficients with different number of grids
网格数 CL CD 60000 1.4589 0.1449 80000 1.5115 0.1517 150000 1.5119 0.1527 
下载: 导出CSV
-
[1] HUANG L, MAESTRELLO L, BRYANT T. Separation control over an airfoil at high angles of attack by sound emanating from the surface[C]//Proc of 19th AIAA, Fluid Dynamics, Plasma Dynamics, and Lasers Conference. 1987. doi: 10.2514/6.1987-1261
[2] SERFERT A, BACHAR T, KOSS D, et al. Oscillatory blowing: A tool to delay boundary-layer separation[J]. AIAA Journal, 1993, 31(11): 2052–2060. doi: 10.2514/3.49121
[3] LATUNIA G P, RONALD D J. Overview of active flow control at NASA Langley Research Center[C]//Proc of Smart Structures and Materials 1998: Industrial and Commercial Applications of Smart Structures Technologies. 1998. doi: 10.1117/12.310635
[4] 焦予秦, 程玉庆, 金承信. 机翼喷流增升机理的风洞试验研究[J]. 实验流体力学, 2008, 22(2): 20–24. DOI: 10.3969/j.issn.1672-9897.2008.02.004 JIAO Y Q, CHENG Y Q, JIN C X. Wind tunnel experimental research on lift-enhancing mechanism of jet on wing of aircraft[J]. Journal of Experiments in Fluid Mechanics, 2008, 22(2): 20–24. doi: 10.3969/j.issn.1672-9897.2008.02.004
[5] 白俊强, 辛亮, 刘南, 等. 分布式零质量射流控制增升装置分离的数值模拟[J]. 西北工业大学学报, 2014, 32(02): 188–194. DOI: 10.3969/j.issn.1000-2758.2014.02.006 BAI J Q, XIN L, LIU N, et al. Numerical simulation of separation control for high lift system using distributed zero-net mass flux jet[J]. Journal of Northwestern Polytechnical University, 2014, 32(02): 188–194. doi: 10.3969/j.issn.1000-2758.2014.02.006
[6] 王万波, 姜裕标, 黄勇, 等. 脉冲吹气对无缝襟翼翼型气动性能的影响[J]. 航空学报, 2018, 39(11): 37–48. WANG W B, JIANG Y B, HUANG Y, et al. Influence of pulse blowing on slotless flap airfoil aerodynamic characteristics[J]. Acta Aeronautica et Astronautica Sinica, 2018, 39(11): 37–48.
[7] 史子颉, 许和勇, 郭润杰, 等. 协同射流在垂直尾翼流动控制中的应用研究[J]. 航空工程进展, 2022, 13(01): 28–41. DOI: 10.16615/j.cnki.1674-8190.2022.01.03 SHI Z J, XU H Y, GUO R J, et al. Application research of flow control using co-flow jet on a vertical tail[J]. Advances in Aeronautical Science and Engineering, 2022, 13(01): 28–41. doi: 10.16615/j.cnki.1674-8190.2022.01.03
[8] SMITH B L, GLEZER A. The formation and evolution of synthetic jets[J]. Physics of Fluids, 1998, 10(9): 2281–2297. doi: 10.1063/1.869828
[9] CROOK A, SADRI A, WOOD N. The development and implementation of synthetic jets for the control of separated flow[C]//Proc of Applied Aerodynamics Conference. 1999. doi: 10.2514/6.1999-3176
[10] RYAN H, YOGEN U, RAJAT M, et al. Formation Criterion for Synthetic Jets[J]. AIAA Journal, 2005, 43(10): 2110–2116. doi: 10.2514/1.12033
[11] KONDOR S, AMITAY M, PAREKH D, et al. Active flow control application on a mini ducted fan UAV[C]//Proc of 19th AIAA Applied Aerodynamics Conference. 2001. doi: 10.2514/6.2001-2440
[12] AMITAY M, PITT D, GLEZER A. Separation control in duct flows[J]. Journal of Aircraft, 2002, 39(4): 616–620. doi: 10.2514/2.2973
[13] RATHAY N W, BOUCHER M J, AMITAY M, et al. Performance enhancement of a vertical stabilizer using synthetic jet actuators: no sideslip[C]//Proc of AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition. 2012. doi: 10.2514/6.2012-71
[14] RATHAY N W, BOUCHER M J, AMITAY M, et al. Performance enhancement of a vertical stabilizer using synthetic jet actuators: non-zero sideslip[C]//Proc of AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition. 2012. doi: 10.2514/6.2012-2657
[15] RATHAY N W, BOUCHER M J, AMITAY M, et al. Application of synthetic jets to enhance the performance of a vertical tail[J]. SAE International Journal of Aerospace, 2013, 6(1): 169–179. doi: 10.4271/2013-01-2284
[16] BRANT H M, BRIAN R S, DAVID M, et al. Synthetic jet flow separation control for thin wing fighter aircraft[C]//Proc of 47th AIAA Aerospace Sciences Meeting Including the New Horizons Forumand Aerospace Exposition (Disc 1). 2009. doi: 10.2514/10.2514/6.2009-885
[17] 罗振兵. 合成射流/合成双射流机理及其在射流矢量控制和微泵中的应用研究[D]. 湖南: 国防科学技术大学, 2006. LUO Z B. Principle of synthetic jet and dual synthetic jets, and their applications in jet vectoring and micro-pump[D]. Hunan: National University of Defense Technology, 2006.
[18] LUO Z B, XIA Z X, LIU B. New generation of synthetic jet actuators[J]. AIAA Journal, 2006, 44(10): 2418–2420. doi: 10.2514/1.20747
[19] LUO Z B, XIA Z X, XIE Y G. Jet vectoring control using a novel synthetic jet actuator[J]. Chinese Journal of Aeronautics, 2007, 20(3): 193–201. doi: 10.1016/S1000-9361(07)60032-6
[20] 罗振兵, 夏智勋, 邓雄, 等. 合成双射流及其流动控制技术研究进展[J]. 空气动力学学报, 2017, 35(2): 252–264. LUO Z B, XIA Z X, DENG X, et al. Research progress of dual synthetic jets and its flow control technology[J]. Acta Aerodynamica Sinica, 2017, 35(2): 252–264.
[21] 王林. 合成双射流激励器流场特性及其控制机翼分离流动研究[D]. 湖南: 国防科学技术大学, 2009. WANG L. Flow characteristics of dual synthetic jets actuators and its application on an airfoil separate control[D]. Hunan: National University of Defense Technology, 2009.
[22] 李玉杰. 基于合成双射流的机翼分离流控制及结冰控制研究[D]. 湖南: 国防科学技术大学, 2015. LI Y J. Research on airfoil separate flow control and airfoil icing control using dual synthetic jet actuator[D]. Hunan: National University of Defense Technology, 2015.
[23] 李玉杰, 罗振兵, 邓雄, 等. 合成双射流控制NACA0015翼型大攻角流动分离试验研究[J]. 航空学报, 2016, 37(3): 817–825. LI Y J, LUO Z B, DENG X, et al. Experiment investigation on flow separation control of stalled NACA0015 airfoil using dual synthetic jets actuator[J]. Acta Aeronautica et Astronautica Sinica, 2016, 37(3): 817–825.
[24] SHAHRABI A F. The control of flow separation: Study of optimal open loop parameters[J]. Physics of Fluids, 2019, 31(3): 035104. doi: 10.1063/1.5082945
[25] AHMADI G, MARZOCCA P, JHA R, et al. Active flow control of lifting surface with flap-current activities and future directions[R]. NASA/CP—2010-216112, 2010.
计量
- 文章访问数: 200
- HTML全文浏览量: 52
- PDF下载量: 43
