● 摘要
本文主要是关于飞机的三维气动外形数值优化设计，针对民机气动性能要求的不断提高及流场的复杂性，结合人工神经网络与全局优化搜索方法——遗传算法对翼身组合体和一种新的外形——翼身融合体进行气动优化设计研究。气动优化设计方法是先选取待优化的目标函数，确定外形的几何参数化方法，即选定设计变量，通过修正设计变量，使目标函数在满足约束的条件下取得极值，达到设计效果。它包括流场解算器、优化方法及设计变量三个要素。本文的流场解算器采用多重网格的N-S方程和人工神经网络相结合的方法。人工神经网络已经被证明能够学习并归纳模拟高度非线性的问题，对于气动优化设计，它只需要输入一组构型样本及其气动分析结果，就可以快速的模拟绕流流场的函数特性，不需要不断迭代计算，也不需要在模块之间不断传递信息数据，是一种很经济的方法。本文用拉丁方试验法得出训练神经网络的构型样本并用多重网格的N-S方程计算这些样本的气动分析结果，在优化过程中，用训练过的神经网络作为流场的解算器。本文共采用了两种优化方法，Rosenbrock-Powell算法和遗传算法。其中Powell方法，即方向加速法是局部优化方法，计算量相对较小，但对于多极值问题可能得不到全场最优解；遗传算法是全局优化算法，可以得到全场最优解，但由于其计算量较大，所以工程应用困难。而本文采用的流场解算器速度很快，因此结合全局优化算法，显示了其优越性，并对这两种优化方法的特性进行了比较分析。本文的优化设计共有三个部分，翼身组合体截面厚度和扭角沿展向分布的设计，取不同截面的厚度和扭角作为设计变量；翼身组合体平面形状的设计，取展弦比、根梢比及前缘后掠角作为设计变量；翼身融合体的设计，固定截面的厚度，取不同截面的扭角作为设计变量。本文研究的结果表明，这种优化设计方法是可行的，神经网络模拟和N-S方程方法结合，不仅兼顾了一定的精度要求，而且大大节省了计算时间，提高了优化效率。结合全局优化方法——遗传算法，也增加了优化收益，提高了优化质量。