● 摘要
单段翼型和多段翼型的优化设计对飞机设计有非常重要的意义。本文研究了基于神经网络的优化设计方法和技术，应用这些技术可以设计出高气动性能的翼型和高效的增升装置多段翼型，降低飞机的重量，增大航程和升限，提高飞机起飞和着陆的性能。本文的二维单段翼型和多段翼型的计算采用N-S方程作为流场的主控方程，采用有限体积法作空间离散，单段翼型采用二阶中心差分格式离散对流通量，多段翼型，应用AUSM+格式离散无粘通量，中心差分格式离散粘性项，时间积分采用五步龙格－库塔法，用Baldwin-Lomax湍流模型来计算湍流粘性。本文使用拉丁方试验技术制作翼型的样本，N-S方程计算翼型的流场解作为神经网络的训练目标。生成和训练神经网络模拟单段和多段翼型流场解气动参数。结合Powell算法进行优化设计，优化得到新翼型，用N-S方程求解流场解并对比神经网络模拟的流场解值，把这个优化得到的新翼型作为样本添加到原来的样本中，反复迭代，直到获得一个满足设计要求的优化目标。本文计算结果表明，这种方法求解流场解的次数较少，优化效率比较高。应用本文开发的优化方法和技术，对RAE2822超临界翼型进行了单目标和双目标的优化。取得比较好效果。对多段翼型进行后缘襟翼优化，前缘缝翼和后缘襟翼同时优化，优化得出大迎角多段翼型各翼段的安装位置。算例表明本文使用的拉丁方法，可以制作出高效的样本，并起到优选的作用。优化的过程中使用训练好的神经网络模拟流场解，在Powell搜索过程中用神经网络代替大部分流场解的计算，节省计算时间，提高优化效率。本文研究的这种优化方法可以应用于很多领域的优化。