基于门控神经网络的大迎角非定常气动力建模

V211; 基于少量实验或仿真数据构建未知状态下的大迎角非定常气动力模型,能够极大地提高飞机非定常空气动力学设计和飞行动力学分析的效率.针对传统气动模型通用性差以及智能模型泛化能力差的问题,提出了一种基于门控神经单元的智能气动力建模方法.充分利用门控神经单元的时间记忆特性,增强了学习和训练过程对非线性流场的表征能力,提高了整个预测模型的泛化能力.以NACA0015翼型为研究对象,在机动飞行条件下对其非定常气动力进行了预测和验证,结果表明本文构建的模型具有良好的适应性.在内插预测中,升阻系数和力矩系数的最大预测误差不超过10%,基本可以表征整个流场的变化特征;在外推建模预测中,基于强非线性数据的...

Full description

Saved in:
Bibliographic Details
Published in南京航空航天大学学报（英文版） Vol. 41; no. 4; pp. 432 - 443
Main Authors 邓永涛, 程诗信, 米百刚
Format Journal Article
LanguageChinese
Published 北京空间机电研究所,北京 100094,中国%沈阳飞机设计研究所扬州协同创新研究院有限责任公司,扬州 110066,中国%西北工业大学航空学院,西安 710072,中国 2024
Subjects
门控神经网络
generalization ability
large angle of attack
gated neural networks
非定常气动力建模
泛化能力
大迎角
unsteady aerodynamic modeling
Online AccessGet full text
ISSN1005-1120
DOI10.16356/j.1005?1120.2024.04.002

Cover

More Information
Summary:V211; 基于少量实验或仿真数据构建未知状态下的大迎角非定常气动力模型,能够极大地提高飞机非定常空气动力学设计和飞行动力学分析的效率.针对传统气动模型通用性差以及智能模型泛化能力差的问题,提出了一种基于门控神经单元的智能气动力建模方法.充分利用门控神经单元的时间记忆特性,增强了学习和训练过程对非线性流场的表征能力,提高了整个预测模型的泛化能力.以NACA0015翼型为研究对象,在机动飞行条件下对其非定常气动力进行了预测和验证,结果表明本文构建的模型具有良好的适应性.在内插预测中,升阻系数和力矩系数的最大预测误差不超过10%,基本可以表征整个流场的变化特征;在外推建模预测中,基于强非线性数据的训练模型对弱非线性预测具有良好的准确性,而反过来预测则误差较大,甚至超过20%,这也表明外推和泛化能力需要通过与物理模型融合来进一步优化.与传统的状态空间方程模型相比,本文提出的方法可以将外推精度和效率分别提高78%和60%,充分说明了该方法在气动力建模中的应用潜力.
ISSN:1005-1120
DOI:10.16356/j.1005?1120.2024.04.002