国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法

      文檔序號(hào):6514592閱讀:234來源:國(guó)知局
      一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法
      【專利摘要】本發(fā)明針對(duì)飛行器氣動(dòng)外形優(yōu)化問題,提出了一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法。該方法首先根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本,采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù)?;跇颖緮?shù)據(jù),采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型。與數(shù)值分析方法相比,近似模型精度較低但計(jì)算量小得多。將目標(biāo)函數(shù)近似模型與直接搜索算法結(jié)合進(jìn)行優(yōu)化搜索,在搜索過程中基于一定的策略調(diào)用數(shù)值分析方法或近似模型獲取目標(biāo)函數(shù),直至獲得最優(yōu)氣動(dòng)外形。該方法能在保證優(yōu)化效果的前提下,有效減少優(yōu)化過程中數(shù)值分析的次數(shù),提高優(yōu)化設(shè)計(jì)效率和質(zhì)量,非常適用于飛行器氣動(dòng)外形優(yōu)化設(shè)計(jì)及相關(guān)的工程問題。
      【專利說明】一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及飛行器氣動(dòng)外形設(shè)計(jì)領(lǐng)域。
      【背景技術(shù)】
      [0002]傳統(tǒng)的氣動(dòng)設(shè)計(jì)方法依靠設(shè)計(jì)者的經(jīng)驗(yàn)和分析能力來選擇外形,然后使用氣動(dòng)分析或風(fēng)洞實(shí)驗(yàn)對(duì)設(shè)計(jì)方案進(jìn)行評(píng)估并進(jìn)一步修改,如此反復(fù)以求獲得滿意的氣動(dòng)設(shè)計(jì)方案。當(dāng)外形復(fù)雜或約束條件眾多時(shí),整個(gè)優(yōu)化過程不易掌握,要找到滿足不同約束條件的最優(yōu)外形非常困難。
      [0003]數(shù)值優(yōu)化方法的基本思想是將優(yōu)化算法與氣動(dòng)分析軟件相結(jié)合,將氣動(dòng)優(yōu)化設(shè)計(jì)問題轉(zhuǎn)化為一個(gè)數(shù)學(xué)上的尋優(yōu)問題,依靠數(shù)值分析手段,解決氣動(dòng)外形優(yōu)化設(shè)計(jì)問題。與傳統(tǒng)優(yōu)化設(shè)計(jì)方法相比,這種方法采用的優(yōu)化算法有嚴(yán)格理論基礎(chǔ),在優(yōu)化過程中也不需要人為的干預(yù),因而比傳統(tǒng)氣動(dòng)外形設(shè)計(jì)方法具有明顯的優(yōu)勢(shì)。
      [0004]在數(shù)值優(yōu)化設(shè)計(jì)方法中氣動(dòng)分析方法的精度越高,得到的優(yōu)化結(jié)果的可信度就越高,優(yōu)化結(jié)果就越可用?,F(xiàn)階段在飛行器氣動(dòng)設(shè)計(jì)中多采用求解RANS方程的數(shù)值分析方法進(jìn)行氣動(dòng)特性分析。由于數(shù)值求解RANS方程比較耗時(shí),而在優(yōu)化中需多次進(jìn)行氣動(dòng)特性分析,因此采用RANS方程數(shù)值解法作為氣動(dòng)分析方法會(huì)帶來計(jì)算量大的問題,難以在工程設(shè)計(jì)中使用。

      【發(fā)明內(nèi)容】

      [0005]本發(fā)明解決的技術(shù)問題是:克服現(xiàn)有技術(shù)的不足,提供了一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法,提高優(yōu)化設(shè)計(jì)效率和質(zhì)量,在滿足總體裝載及其他專業(yè)約束的情況下,提升飛行器的飛行性能和操控品質(zhì),減輕飛行器結(jié)構(gòu)重量,降低對(duì)伺服系統(tǒng)功率需求。
      [0006]本發(fā)明的技術(shù)方案是:一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法,步驟如下:
      [0007]I)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量;根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本,采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù);
      [0008]2)根據(jù)步驟I)獲得的每個(gè)樣本的目標(biāo)函數(shù),采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型;檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度,如果近似精度小于預(yù)設(shè)值,則轉(zhuǎn)到步驟3);如果近似精度大于等于預(yù)設(shè)值,則重新構(gòu)建目標(biāo)函數(shù)近似模型;
      [0009]3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域,形成網(wǎng)格;基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合G[Mk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x),如果有Xs使得f (Xs) >f (Xk),則設(shè)置Δ; ,=Δ; 6 = 6 + 1,并轉(zhuǎn)到步驟4),其中Δ, =4 1L,Δ】為第m個(gè)設(shè)計(jì)變量在第k次迭代
      搜索時(shí)的網(wǎng)格尺寸,I為非負(fù)整數(shù),Lm為第m個(gè)設(shè)計(jì)變量變化范圍,Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合,xk為第k次迭代搜索時(shí)的最優(yōu)解;如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk),則將經(jīng)數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型;[0010]4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk,基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X),根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值,按照從小到大的順序依次排列架構(gòu)點(diǎn);用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù);如果有xp (Xp e Xk)使得f(Xp)>f(Xk),則4+1=4,并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk),則轉(zhuǎn)到步驟5);
      [0011]5)判斷是否滿足預(yù)設(shè)的收斂條件;如果不滿足收斂條件,將網(wǎng)格尺寸變?yōu)樵鹊?/4,即,將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中,并跳回步驟2)重新構(gòu)
      建目標(biāo)函數(shù)近似模型;如果滿足收斂條件,則得到最優(yōu)解,停止迭代。
      [0012]本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:
      [0013](I)采用近似模型進(jìn)行目標(biāo)函數(shù)分析比采用數(shù)值分析方法計(jì)算量小得多,因此可以極大提高優(yōu)化設(shè)計(jì)效率。
      [0014](2)與單個(gè)神經(jīng)網(wǎng)絡(luò)相比,神經(jīng)網(wǎng)絡(luò)集成能提高近似模型對(duì)目標(biāo)函數(shù)的近似精度。
      [0015](3)本發(fā)明能解決完全采用精度較低的近似模型獲取目標(biāo)函數(shù)可能帶來的優(yōu)化質(zhì)量問題。
      [0016](4)采用本發(fā)明進(jìn)行氣動(dòng)外形優(yōu)化設(shè)計(jì),計(jì)算量比不采用近似模型的優(yōu)化方法能減少90%。
      [0017](5)本發(fā)明算法簡(jiǎn)單,容易實(shí)現(xiàn),且可以推廣到其他專業(yè)優(yōu)化設(shè)計(jì)問題。
      【專利附圖】

      【附圖說明】
      [0018]圖1本發(fā)明優(yōu)化設(shè)計(jì)方法流程圖;
      [0019]圖2神經(jīng)網(wǎng)絡(luò)集成方法;
      [0020]圖3本發(fā)明優(yōu)化收斂過程;
      [0021 ] 圖4遺傳算法優(yōu)化收斂過程;
      [0022]圖5本發(fā)明優(yōu)化前后翼型;
      [0023]圖6本發(fā)明優(yōu)化前后翼型表面壓力分布。
      【具體實(shí)施方式】
      [0024]如圖1所示,本發(fā)明提出的氣動(dòng)外形優(yōu)化設(shè)計(jì)方法主要包括以下步驟:
      [0025](I)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量。根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本,采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù);
      [0026](2)根據(jù)步驟(I)獲得的每個(gè)樣本的目標(biāo)函數(shù),采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型;檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度;如果近似精度小于預(yù)設(shè)值,則轉(zhuǎn)到步驟(3);如果近似精度大于等于預(yù)設(shè)值,則重新構(gòu)建目標(biāo)函數(shù)近似模型;
      [0027]圖2為神經(jīng)網(wǎng)絡(luò)集成方法:從樣本中隨機(jī)選擇樣本作為訓(xùn)練樣本構(gòu)建個(gè)體神經(jīng)網(wǎng)絡(luò),剩余其他樣本用來檢測(cè)該個(gè)體神經(jīng)網(wǎng)絡(luò)的近似精度,依次方法構(gòu)建多個(gè)個(gè)體神經(jīng)網(wǎng)絡(luò);在進(jìn)行目標(biāo)函數(shù)分析時(shí),將所有個(gè)體神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)近似值進(jìn)行加權(quán)平均,作為神經(jīng)網(wǎng)絡(luò)集成的目標(biāo)函數(shù)近似值,其中個(gè)體神經(jīng)網(wǎng)絡(luò)權(quán)值根據(jù)近似精度確定,近似精度越高,權(quán)值越大。[0028](3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域,形成網(wǎng)格;基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合L CMk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x),如果有Xs使得f (Xs) >f (Xk),則設(shè)置K是=& + 1,并轉(zhuǎn)到步驟4),其中Δα =4—為第m個(gè)設(shè)計(jì)變量在第k次迭代
      搜索時(shí)的網(wǎng)格尺寸,I為非負(fù)整數(shù),Lm為第m個(gè)設(shè)計(jì)變量變化范圍,Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合,xk為第k次迭代搜索時(shí)的最優(yōu)解;如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk),將數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟⑵重新構(gòu)建目標(biāo)函數(shù)近似模型;
      [0029](4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk,基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X),根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值,按照從小到大的順序依次排列架構(gòu)點(diǎn);用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù);如果有Xp (Xp e Xk)使得f(Xp)>f(Xk),則= 并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk),則轉(zhuǎn)到步驟(5);
      [0030](5)判斷是否滿足預(yù)設(shè)的收斂條件;如果不滿足收斂條件,將網(wǎng)格尺寸變?yōu)樵鹊?/4,即Δ, I /4,將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中,重新構(gòu)建目標(biāo)函數(shù)
      近似模型,令k=k+l,轉(zhuǎn)到步驟(3);如果滿足收斂條件,則得到最優(yōu)解,停止迭代。
      [0031]采用本發(fā)明對(duì)RAE2822翼型進(jìn)行升阻比最大化優(yōu)化設(shè)計(jì),設(shè)計(jì)狀態(tài)在跨音速小迎角范圍內(nèi),馬赫數(shù)為0.73,攻角為2.79°,雷諾數(shù)為6.5 X 106,約束條件為最大厚度和升力系數(shù)均不減小。近似模型構(gòu)建時(shí)樣本個(gè)數(shù)取為90個(gè),神經(jīng)網(wǎng)絡(luò)集成個(gè)體網(wǎng)絡(luò)個(gè)數(shù)為70個(gè)。優(yōu)化搜索過程迭代了 20步,共調(diào)用93次原始模型,加上樣本分析調(diào)用的90次,整個(gè)優(yōu)化過程共調(diào)用了 183次原始模型。圖3給出優(yōu)化收斂過程。為了對(duì)比,圖4給出了遺傳算法優(yōu)化收斂過程,其中目標(biāo)函數(shù)完全采用原始模型計(jì)算,進(jìn)化代數(shù)為60,群體規(guī)模為30,共調(diào)用了 1800次原始模型。可見,兩種方法得到了幾乎相同的優(yōu)化效果。然而,本發(fā)明調(diào)用原始模型的次數(shù)要少得多,因此,計(jì)算量也少得多,比采用遺傳算法減少了約90%。
      [0032]圖5和圖6分別給出了采用優(yōu)化后翼型的形狀以及相應(yīng)的翼型表面壓力分布。從圖中可以看出,翼型下表面形狀變化很小,上表面最大厚度位置后移,使得翼型前半部分變得相對(duì)平坦,最終基本消除了激波。經(jīng)本方法優(yōu)化后翼型的升力增加了 5.2%,阻力減小了24.5%,最終升阻比提高了 39.4%,優(yōu)化效果明顯。
      [0033]本發(fā)明說明書中未作詳細(xì)描述的內(nèi)容屬本領(lǐng)域?qū)I(yè)技術(shù)人員的公知技術(shù)。
      【權(quán)利要求】
      1.一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法,其特征在于步驟如下: 1)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量;根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本,采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù); 2)根據(jù)步驟I)獲得的每個(gè)樣本的目標(biāo)函數(shù),采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型;檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度,如果近似精度小于預(yù)設(shè)值,則轉(zhuǎn)到步驟3);如果近似精度大于等于預(yù)設(shè)值,則重新構(gòu)建目標(biāo)函數(shù)近似模型; 3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域,形成網(wǎng)格;基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合[Mk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x),如果有Xs使得f (Xs) >f (Xk),則設(shè)置K,& = & + 1,并轉(zhuǎn)到步驟4),其中Δ!M為第m個(gè)設(shè)計(jì)變量在第k次迭代搜索時(shí)的網(wǎng)格尺寸,I為非負(fù)整數(shù),Lm為第m個(gè)設(shè)計(jì)變量變化范圍,Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合,xk為第k次迭代搜索時(shí)的最優(yōu)解;如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk),則將經(jīng)數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型; 4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk,基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X),根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值,按照從小到大的順序依次排列架構(gòu)點(diǎn);用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù);如果有Xp (Xp e Xk)使得f (Xp) >f (Xk),則Δmk+1+1 - Δ?,并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (xk),則轉(zhuǎn)到步驟5); 5)判斷是否滿足預(yù)設(shè)的收斂條件;如果不滿足收斂條件,將網(wǎng)格尺寸變?yōu)樵鹊?/4,即Δ:+1 =△:/4,將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中,并跳回步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型;如果滿足收斂條件,則得到最優(yōu)解,停止迭代。
      【文檔編號(hào)】G06F17/50GK103488847SQ201310464213
      【公開日】2014年1月1日 申請(qǐng)日期:2013年10月8日 優(yōu)先權(quán)日:2013年10月8日
      【發(fā)明者】蘇偉, 張立坤, 陳剛, 李曉軒 申請(qǐng)人:北京航天長(zhǎng)征飛行器研究所, 中國(guó)運(yùn)載火箭技術(shù)研究院
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1