留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

风洞试验方案智能优化设计方法研究

姜金俊 周宣赤 陈连忠 崔宁 蒋岩

姜金俊,周宣赤,陈连忠,等. 风洞试验方案智能优化设计方法研究[J]. 实验流体力学,2022,36(3):1-9 doi: 10.11729/syltlx20210155
引用本文: 姜金俊,周宣赤,陈连忠,等. 风洞试验方案智能优化设计方法研究[J]. 实验流体力学,2022,36(3):1-9 doi: 10.11729/syltlx20210155
JIANG J J,ZHOU X C,CHEN L Z,et al. Research on intelligent optimal design method of wind tunnel test scheme[J]. Journal of Experiments in Fluid Mechanics, 2022,36(3):1-9. doi: 10.11729/syltlx20210155
Citation: JIANG J J,ZHOU X C,CHEN L Z,et al. Research on intelligent optimal design method of wind tunnel test scheme[J]. Journal of Experiments in Fluid Mechanics, 2022,36(3):1-9. doi: 10.11729/syltlx20210155

风洞试验方案智能优化设计方法研究

doi: 10.11729/syltlx20210155
详细信息
    作者简介:

    姜金俊:(1980—),男,北京人,副研究员。研究方向:智能风洞试验技术研究,风洞流场控制技术研究。通信地址:北京市丰台区云岗西路17号(100074)。E-mail:jiangjinling999@163.com

    通讯作者:

    E-mail:quarter724@sohu.com

  • 中图分类号: V557+1;V411.7

Research on intelligent optimal design method of wind tunnel test scheme

  • 摘要: 我国的航空航天装备发展已经进入了自主创新的崭新阶段,新一代飞行器气动设计的探索创新、优化定型需要高水平的风洞试验能力作为支撑。先进飞行器研制需要快速获取正确的气动外形关键数据,其高性能、高精度的发展趋势对风洞试验的数量和质量提出了更高要求。传统风洞试验方案设计和数据分析模式已经越来越不能满足需求,亟待有所突破。本文以飞行器地面试验分析为背景,应用支持向量机模型对试验数据进行建模分析,发展风洞试验方案优化设计方法和试验数据智能分析方法,探索气动数据与飞行器几何参数之间新的内在关联,构建风洞试验辅助设计和分析系统,提高风洞试验效率和试验数据的正确率,为先进飞行器气动设计提供技术支撑。
  • 图  1  风洞试验智能化技术路线图

    Figure  1.  Wind tunnel test intelligent technology roadmap

    图  2  基于SVM的气动力建模思路

    Figure  2.  Aerodynamic modeling ideas for SVM

    图  3  CN的一阶梯度和二阶梯度值

    Figure  3.  First order and two-step gradient value of CN

    图  4  SVM与BP网络模型对比

    Figure  4.  SVM vs. BP network model

    表  1  核函数对模型性能的影响

    Table  1.   The effect of nuclear functions on model performance

    核函数类型线性多项式RBFSigmoid





    E0.01780.00610.00010.0109
    R20.89820.95680.99910.8958


    E0.04190.02700.00100.0296
    R20.89970.84640.99200.8799
    下载: 导出CSV

    表  2  验证点试验数据与模型间的误差

    Table  2.   Verification point error between wind tunnel test and prediction

    变量ERMSR2
    CN0.00341.0222
    CZ0.00161.0468
    CA0.00431.0253
    MXG10.00691.0199
    MYG10.00871.0063
    MZG10.00221.0032
    下载: 导出CSV
  • [1] TSIEN H S. Similarity laws of hypersonic flows[J]. Journal of Mathematics and Physics,1946,25(1-4):247-251. doi: 10.1002/sapm1946251247
    [2] BERTIN J J,CUMMINGS R M. Fifty years of hypersonics: where we've been,where we're going[J]. Progress in Aerospace Sciences,2003,39(6-7):511-536. doi: 10.1016/S0376-0421(03)00079-4
    [3] WALTERMIRE S. A view from the world’s largest wind tunnel[J]. High Mach,2020,67(3):2,6.
    [4] 罗月培,孙宗祥,孙杭义,等. 美国高超声速风洞试验能力发展综述[J]. 飞航导弹,2021(6):33-41. doi: 10.16338/j.issn.1009-1319.20210826
    [5] 范洁川. 风洞试验手册[M]. 北京: 航空工业出版社, 2002.

    FAN J C. Handbook of wind tunnel test[M]. Beijing: Aviation industry press, 2002.
    [6] HICKS B. NFAC test next-generation military helicopter[J]. High Mach,2019,66(19):1,5.
    [7] SCHAIRER E T, KUSHNER L K, HEINECK J T, et al. Measurements of parachute dynamics in the world’s largest wind tunnel by stereo photogrammetry[R]. AIAA 2018-3802, 2018. doi: 10.2514/6.2018-3802
    [8] ORTIZ D. NFAC test director and team recognized by the vertical flight society[J]. High Mach,2019,66(14):3.
    [9] BRADLEY H. Craftsmen keep largest wind tunnel in the world running at peak conditions[J]. High Mach,2019,66(21):1,5.
    [10] HICKS B. NFAC wind tunnel testing demonstrates success-ful integration of refueling, monitoring systems[J]. High Mach,2020,67(5):1,4.
    [11] SCHAIRER E T, HEINECK J T, KUSHNER L K, et al. Shape and angle-of-attack measurements of ram-air para-chutes by stereo photogrammetry in the national full-scale aerodynamics complex[R]. AIAA 2019-2806, 2019. doi: 10.2514/6.2019-2806
    [12] 赵楠,谭惠文. 人工智能技术的发展及应用分析[J]. 中国电子科学研究院学报,2021,16(7):737-740. doi: 10.3969/j.issn.1673-5692.2021.07.016

    ZHAO N,TAN H W. Development and application analysis of artificial intelligence technology[J]. Journal of China Academy of Electronics and Information Technology,2021,16(7):737-740. doi: 10.3969/j.issn.1673-5692.2021.07.016
    [13] VAPNIK V N. The nature of statistical learning theory[M]. New York: Springer New York, 1995. doi: 10.1007/978-1-4757-2440-0
    [14] 汪清,钱炜祺,丁娣. 飞机大迎角非定常气动力建模研究进展[J]. 航空学报,2016,37(8):2331-2347. doi: 10.7527/S1000-6893.2016.0072

    WANG Q,QIAN W Q,DING D. A review of unsteady aerodynamic modeling of aircrafts at high angles of attack[J]. Acta Aeronautica et Astronautica Sinica,2016,37(8):2331-2347. doi: 10.7527/S1000-6893.2016.0072
    [15] ADACHI S,OGAWA T. A new system identification method based on support vector machines[J]. IFAC Proceedings Volumes,2001,34(14):181-186. doi: 10.1016/S1474-6670(17)41619-3
    [16] 段焰辉,吴文华,范召林,等. 基于本征正交分解的气动优化设计外形数据挖掘[J]. 物理学报,2017,66(22):220203. doi: 10.7498/aps.66.220203

    DUAN Y H,WU W H,FAN Z L,et al. Proper orthogonal decomposition-based data mining of aerodynamic shape for design optimization[J]. Acta Physica Sinica,2017,66(22):220203. doi: 10.7498/aps.66.220203
    [17] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报,2000,26(1):32-42. doi: 10.16383/j.aas.2000.01.005

    ZHANG X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica,2000,26(1):32-42. doi: 10.16383/j.aas.2000.01.005
    [18] 安复兴,李磊,苏伟,等. 高超声速飞行器气动设计中的若干关键问题[J]. 中国科学(物理学 力学 天文学),2021,51(10):2-21. doi: 10.1360/SSPMA-2021-0135

    AN F X,LI L,SU W,et al. Key issues in hypersonic vehicle aerodynamic design[J]. Scientia Sinica Physica(Mechanica & Astronomica),2021,51(10):2-21. doi: 10.1360/SSPMA-2021-0135
    [19] TUKAN M,BAYKAL C,FELDMAN D,et al. On coresets for support vector machines[J]. Theoretical Computer Science,2021,890:171-191. doi: 10.1016/j.tcs.2021.09.008
    [20] KOHIYAMA M,OKA K,YAMASHITA T. Detection method of unlearned pattern using support vector machine in damage classification based on deep neural network[J]. Structural Control and Health Monitoring,2020,27(8):e2552. doi: 10.1002/stc.2552
    [21] 徐洪学,孙万有,杜英魁,等. 机器学习经典算法及其应用研究综述[J]. 电脑知识与技术,2020,16(33):17-19. doi: 10.14004/j.cnki.ckt.2020.3359

    XU H X,SUN W Y,DU Y K,et al. Survey on the classic machine learning algorithms and their applications[J]. Computer Knowledge and Technology,2020,16(33):17-19. doi: 10.14004/j.cnki.ckt.2020.3359
    [22] 李润泽,张宇飞,陈海昕. “人在回路”思想在飞机气动优化设计中演变与发展[J]. 空气动力学学报,2017,35(4):529-543. doi: 10.7638/kqdlxxb-2017.0076

    LI R Z,ZHANG Y F,CHEN H X. Evolution and development of “man-in-loop” in aerodynamic optimization design[J]. Acta Aerodynamica Sinica,2017,35(4):529-543. doi: 10.7638/kqdlxxb-2017.0076
    [23] 高正红,王超. 飞行器气动外形设计方法研究与进展[J]. 空气动力学学报,2017,35(4):516-528. doi: 10.7638/kqdlxxb-2017.0058

    GAO Z H,WANG C. Aerodynamic shape design methods for aircraft: status and trends[J]. Acta Aerodynamica Sinica,2017,35(4):516-528. doi: 10.7638/kqdlxxb-2017.0058
    [24] 邓凯文,陈海昕. 基于差分进化和RBF响应面的混合优化算法[J]. 力学学报,2017,49(2):441-455. doi: 10.6052/0459-1879-16-285

    DENG K W,CHEN H X. Hybrid optimization algorithm based on differential evolution and rbf response surface[J]. Chinese Journal of Theoretical and Applied Mechanics,2017,49(2):441-455. doi: 10.6052/0459-1879-16-285
    [25] 顾险峰. 人工智能的历史回顾和发展现状[J]. 自然杂志,2016,38(3):157-166. doi: 10.3969/j.issn.0253-9608.2016.03.001

    GU X F. Historical review and current development of artificial intelligence[J]. Chinese Journal of Nature,2016,38(3):157-166. doi: 10.3969/j.issn.0253-9608.2016.03.001
    [26] 乔林,张雄伟,史海宁,等. 第4讲 深度学习应用中的常见模型[J]. 军事通信技术,2016,37(1):98-104. doi: 10.16464/j.cnki.cn32-1289.2016.01.020

    QIAO L,ZHANG X W,SHI H N,et al. Common network models in deep learning application[J]. Journal of Military Communications Technology,2016,37(1):98-104. doi: 10.16464/j.cnki.cn32-1289.2016.01.020
    [27] 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. doi: 10.16615/j.cnki.1674-8190.2019.01.001

    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. doi: 10.16615/j.cnki.1674-8190.2019.01.001
    [28] 周盼,辛江慧,丁继才. 非线性系统载荷识别的最小二乘支持向量机法[J]. 噪声与振动控制,2021,41(5):9-13,37. doi: 10.3969/j.issn.1006-1355.2021.05.002

    ZHOU P,XIN J H,DING J C. Least squares support vector machine method for load identification of nonlinear systems[J]. Noise and Vibration Control,2021,41(5):9-13,37. doi: 10.3969/j.issn.1006-1355.2021.05.002
    [29] 钱翼稷. 空气动力学[M]. 北京: 北京航空航天大学出版社, 2004.
    [30] 张万国. 高等数学[M]. 北京, 高等教育出版社, 2011.
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  52
  • HTML全文浏览量:  9
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-10-25
  • 录用日期:  2022-03-08
  • 修回日期:  2022-01-17
  • 网络出版日期:  2022-04-28

目录

    /

    返回文章
    返回

    重要公告

    www.syltlx.com是《实验流体力学》期刊唯一官方网站,其他皆为仿冒。请注意识别。

    《实验流体力学》期刊不收取任何费用。如有组织或个人以我刊名义向作者、读者收取费用,皆为假冒。

    相关真实信息均印刷于《实验流体力学》纸刊。如有任何疑问,请先行致电编辑部咨询并确认,以避免损失。编辑部电话0816-2463376,2463374,2463373。

    请广大读者、作者相互转告,广为宣传!

    感谢大家对《实验流体力学》的支持与厚爱,欢迎继续关注我刊!


    《实验流体力学》编辑部

    2021年8月13日