(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111266475.1 (22)申请日 2021.10.28 (65)同一申请的已公布的文献号 申请公布号 CN 114021492 A (43)申请公布日 2022.02.08 (73)专利权人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 屈峰　付俊杰　孙迪　叶政茂　 白俊强　 (74)专利代理 机构 西安匠星互智知识产权代理 有限公司 612 91 专利代理师 陈星 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 112507471 A,2021.0 3.16 CN 111814246 A,2020.10.23 杨智春等.一种预计 机翼跨音速抖振边界的 高精度方法. 《机 械科学与技术》 .2013,(第12 期), 审查员 张一良 (54)发明名称 一种基于神经网络的超临界翼型抖振优化 方法 (57)摘要 本发明公开了一种基于神经网络的超临界 翼型抖振优化方法， 包括： 通过CFD技术得到待优 化翼型定常状态流场参数并预估 抖振边界， 由加 点非定常计算处理得到抖振始发攻角与抖振完 全建立攻角； 生成样本 数据库， 首先采用FFD方法 将翼型几何参数化以添加设计变量， 其次利用拉 丁超立方采样方法在设计空间中生成一系列超 临界翼型的翼型库， 并计算抖振始发攻角与抖振 完全建立攻角的气动数据， 利用相关数据训练多 层感知神经网络模型； 对 给定优化问题采用遗传 算法NSGA ‑II计算求解。 本发明考虑了抖振始发 状态的性能约束有利于抖振边界优化有效性的 判断； 另外由于采用神经网络模 型代替超临界翼 型非定常计算， 在保证精度的同时大大节省了设 计周期， 提高了设计效率。 权利要求书3页 说明书7页 附图5页 CN 114021492 B 2022.09.13 CN 114021492 B 1.一种基于神经网络的超临界翼型 抖振优化方法， 其特 征在于， 包括如下步骤： 步骤1： 计算待优化翼型的抖振始发攻角 αonset和抖振完全建立 攻角 αestablished； 步骤1‑1： 生成待优化翼型的计算网格； 对待优化翼型进行定马赫数、 不同攻角下的定 常CFD数值模拟得到定常CFD计算结果， 采用升力线线性段斜率变化0.1的方法进行抖振边 界的预估； 步骤1‑2： 在预估 的抖振边界的 ±0.5°范围内， 以固定步长进行加点非定常计算， 根据 非定常计算结果， 得到待优化翼型的抖振始发攻角 αonset和抖振完全建立攻角 αestablished； 待 优化翼型抖振完全建立攻角下的升力系数时均值 待优化翼型抖振完全建 立攻角下的阻力系数时均值 待优化翼型抖振完全建立攻角下的俯仰力矩 系数时均值 以及待优化翼型抖振始发攻角下的升力系数时均值 待优化翼型抖振始发攻角下的阻力系数时均值 待优化翼型抖振始发攻角下的升 力系数PSD的峰值 步骤2： 生成样本， 计算样本数据库， 建立神经网络模型； 步骤2‑1： 对待优化超临界翼型， 采用自由变形FFD方法进行几何参数化； 建立一个完全 包围待优化超临界翼型的FFD框， 选取FFD框上各点的纵向yi,i＝1…n坐标的改变量 △yi,i＝1…n 为设计变量； 步骤2.2： 以 △yi,i＝1…n为设计变量形成抖振优化的设计空间， 利用拉丁超立方采样方法 在设计空间中进行采样生成一系列的超临界翼型作为翼型样本， 构成翼型几何库； 步骤2‑3： 对步骤2 ‑2中得到的翼型几何库中的所有翼型样本生成计算网格， 进行抖振 始发攻角 αonset和抖振完全建立攻角 αestablished下的非定常CFD数值模拟， 得到翼 型样本的力 系数和力矩系数曲线； 将每个翼型样本对应的FFD框的y坐标改变量 △yi,i＝1…n、 每个翼型样 本的抖振始发攻角αonset和抖振完全建立攻角αestablished下的升力系数曲线的功率谱分析 PSD的峰值、 升力系数时均值、 阻力系数时均值、 力矩系数时均值作为每个翼型样本的样本 数据集， 用于神经网络模型的训练； 步骤2‑4： 采用多层感知器神经网络搭建神经网络模型， 分别建立针对抖振始发攻角 αonset和抖振完全建立 攻角 αestablished的两个神经网络模型； 对于针对抖振始发攻角αonset的神经网络， 以步骤2 ‑3中得到的样本数据集中翼型样本 对应的FFD框的y坐 标改变量△yi,i＝1…n为神经网络的输入， 神经网络的输出为 抖振始发攻角 αonset下的升力系数曲线的功率谱分析PSD的峰值、 升力系数时均值、 阻力系数时均值、 力矩 系数时均值； 对于针对抖振完全建立攻角αestablished的神经网络， 以步骤2 ‑3中得到的样本数据集中 翼型样本对 应的FFD框的y坐 标改变量 △yi,i＝1…n为神经网络的输入， 神经网络的输出为抖振 完全建立攻角 αestablished下的升力系数曲线的功率谱分析PSD的峰值、 升力系数时均值、 阻力 系数时均值、 力矩系数时均值； 训练神经网络模型： 将样本数据集按一定比例分为训练集和测试集， 以网络输出的均 方根误差作为损失函数， 利用Adam优化算法对神经网络进行迭代优化， 优化目标为损失函 数最小， 直至训练样本数据集的损失函数不再降低， 完成训练；权　利　要　求　书 1/3 页 2 CN 114021492 B 2步骤3： 设定优化问题， 基于神经网络模型进行 抖振优化； 步骤3‑1： 设定优化 问题： 优化目标为抖振完全建立攻角αestablished下抖振幅度最小， 优 化的设计变量为翼型FFD框的y坐标改变量 △yi,i＝1…n， 优化的约束条件为力约束、 力矩约束 和翼型厚度约束； 优化问题用如下 数学表达式表示： min peak_psd 其中： peak_psd为抖振完全建立攻角下的升力系数的功率谱分析PSD的峰值， 即优化中采用 的抖振幅度判别标准； CL‑established为训练完成的神经网络模型输出的抖振完全建立攻角下的升力系数时均 值； Cd‑established为训练完成的神经网络模型输出的抖振完全建立攻角下的阻力系数时均 值； Cm‑established为训练完成的神经网络模型输 出的抖振完全建立攻角下的俯仰力矩系数时 均值； CL‑onset为训练完成的神经网络模型输出的抖振始发攻角下的升力系数时均值； Cd‑onset为训练完成的神经网络模型输出的抖振始发攻角下的阻力系数时均值； peak_psdonset为训练完成的神经网络模型输出的抖振始发攻角下的升力系数PSD的峰 值； t为翼型的最大厚度； 步骤3‑2： 根据步骤2‑4得到的两个神经网络模型的输出， 采用遗传算法NSGA ‑II进行优 化问题的求解， 设定最大优化代数Genmax和每一代子群的数目num， 当优化代数Gen达到最 大， 优化终止 。 2.根据权利要求1所述的一种基于神经网络的超临界翼型抖振优化方法， 其特征在于， 所述步骤1‑2中的固定步长为0.1。 3.根据权利要求1所述的一种基于神经网络的超临界翼型抖振优化方法， 其特征在于， 所述FFD框上各点的纵向yi,i＝1…n坐标的改变量 △yi,i＝1…n其绝对值不大于0.008。 4.根据权利要求1所述的一种基于神经网络的超临界翼型抖振优化方法， 其特征在于， 所述神经网络模型含有输入层、 隐藏层、 输出层； 输入层含有18个神经元； 隐藏层有3层， 神权　利　要　求　书 2/3 页 3 CN 114021492 B 3