基于机器学习的机翼气动载荷重构及传感器优化布置

• Published in: 南京航空航天大学学报 Vol. 55; no. 5; pp. 798 - 807
• Main Authors: 余柏杨, 王明振, 王婷婷, 虞建, 刘学军, 吕宏强
• Format: Journal Article
• Language: Chinese
• Published: 软件新技术与产业化协同创新中心,南京 210023%中国特种飞行器研究所高速水动力航空科技重点实验室,荆门 448035%南京航空航天大学航空学院,南京 210016 01.10.2023; 南京航空航天大学计算机科学与技术学院/人工智能学院,模式分析与机器智能工业和信息化部重点实验室,南京 211106
• Subjects: 计算流体力学; aerodynamic load reconstruction of wing; 机器学习; 风洞实验; wind tunnel experiment; computational fluid dynamics(CFD); 机翼气动载荷重构; 压强系数; pressure coefficient; machine learning
• ISSN: 1005-2615
• DOI: 10.16356/j.1005-2615.2023.05.006

V19; 风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷,由于传感器布置数量有限,难以直接得到整个机翼全息气动载荷分布.本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷,并提出了利用仿真数据对传感器进行优化布置的方法.从计算流体力学(Computational fluid dynamics,CFD)计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据,对比深度学习模型、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)与BP神经网络(Neural network,NN)对气动载荷的重构精度.通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计.以M6机翼为例在给定的两个工况条件下验证本文所提出的方法.实验结果表明,GPR模型获得了最高气动载荷重构精度;给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数,最低传感器布置数下的最优布置方式,以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式.