本文關(guān)鍵詞：基于代理模型的高效氣動優(yōu)化設(shè)計方法及應(yīng)用

  更多相關(guān)文章： 代理模型 Kriging模型 氣動優(yōu)化設(shè)計 加點準(zhǔn)則 梯度增強Kriging模型 多學(xué)科優(yōu)化設(shè)計

【摘要】：研究先進的氣動設(shè)計方法是發(fā)展高性能飛行器的必然要求,而基于CFD的氣動優(yōu)化設(shè)計技術(shù)則是氣動設(shè)計的重中之重。一方面,為了保證設(shè)計外形在CFD數(shù)值模擬情況下的氣動性能與真實飛行條件下的氣動性能更加相符,高精度的流動數(shù)值模擬方法被應(yīng)用于氣動優(yōu)化設(shè)計中,這就大大增加了設(shè)計過程中所需的計算花費。另一方面,人們對飛行器氣動性能的要求逐漸提高,這就給優(yōu)化設(shè)計方法的設(shè)計質(zhì)量提出了更高的要求。因此,研究設(shè)計效率高、設(shè)計質(zhì)量好的氣動優(yōu)化設(shè)計方法具有重要的實際應(yīng)用價值。本文圍繞發(fā)展適合于飛行器設(shè)計的設(shè)計效率高、設(shè)計質(zhì)量好的基于代理模型的氣動優(yōu)化設(shè)計方法展開研究,發(fā)展了一套基于代理模型的高效氣動優(yōu)化設(shè)計方法和軟件,并成功進行了翼型、機翼、增升裝置、飛翼的氣動優(yōu)化設(shè)計和考慮彈性的機翼氣動/結(jié)構(gòu)多學(xué)科優(yōu)化設(shè)計。本文主要開展了以下幾個方面的工作:(1)研究了基于Kriging模型(包括梯度增強Kriging模型)的優(yōu)化算法中的多種自適應(yīng)樣本點加點準(zhǔn)則及其約束處理方法,并發(fā)展了一種并行加點策略。傳統(tǒng)的基于Kriging模型的優(yōu)化設(shè)計采用求期望改進(EI)最大值的準(zhǔn)則進行優(yōu)化。本文除研究了EI最大值加點準(zhǔn)則外,還研究了目標(biāo)函數(shù)最小值準(zhǔn)則(MP)、統(tǒng)計下限最小值準(zhǔn)則(LCB)、改進概率最大值準(zhǔn)則(PI)、均方根誤差最大值準(zhǔn)則(RMSE)等加點準(zhǔn)則。將這些加點準(zhǔn)則推廣到可以直接處理約束的情況,研究發(fā)展了相應(yīng)的含約束處理的加點準(zhǔn)則CMP、CEI、CLCB、CPI、CRMSE。利用上述加點準(zhǔn)則,提出了一種并行加點策略,算例驗證了并行加點策略的效率成倍地高于單點加點準(zhǔn)則。(2)研究發(fā)展了可用于Pareto多目標(biāo)優(yōu)化的自適應(yīng)樣本點加點準(zhǔn)則及其約束處理方法。將單目標(biāo)優(yōu)化中的加點準(zhǔn)則推廣到多目標(biāo)優(yōu)化的情況,發(fā)展了無約束處理的多目標(biāo)加點準(zhǔn)則MMP、MEI、MLCB、MPI、MRMSE,以及含約束處理的多目標(biāo)加點準(zhǔn)則CMMP、CMEI、CMLCB、CMPI、CMRMSE。借鑒單目標(biāo)優(yōu)化中的樣本點自適應(yīng)方法,發(fā)展了多目標(biāo)優(yōu)化的樣本點自適應(yīng)方法。(3)研究發(fā)展了一套基于Kriging模型的高效單目標(biāo)優(yōu)化算法和多目標(biāo)優(yōu)化算法,以及基于梯度增強的Kriging模型的高效單目標(biāo)優(yōu)化算法和多目標(biāo)優(yōu)化算法。算例驗證了方法的有效性和高效性。對于單目標(biāo)優(yōu)化算法,在效率遠高于遺傳算法的前提下,對于很多問題優(yōu)化質(zhì)量優(yōu)于遺傳算法;對于多目標(biāo)優(yōu)化算法,在效率遠高于多目標(biāo)遺傳算法NSGA-II的前提下,優(yōu)化質(zhì)量與NSGA-II基本一致。算例還驗證了本文基于Kriging模型的多目標(biāo)優(yōu)化算法對高維問題的適應(yīng)性;驗證了約束處理方法的有效性。(4)結(jié)合試驗設(shè)計、代理模型、常規(guī)優(yōu)化算法、加點準(zhǔn)則等,發(fā)展了一套基于代理模型的可用于單目標(biāo)/多目標(biāo)、無約束/約束問題的高效并行通用優(yōu)化算法程序。在試驗設(shè)計方面,研究了拉丁超立方抽樣并改進了現(xiàn)有的程序,研究了蒙特卡洛抽樣和均勻設(shè)計并編制了相應(yīng)的程序。在代理模型方面,研究了Kriging模型并改進了已有的Kriging模型程序;研究了梯度增強Kriging模型并嵌入了相應(yīng)的程序。在常規(guī)優(yōu)化算法方面,研究了單目標(biāo)、多目標(biāo)遺傳算法并發(fā)展了相應(yīng)的程序,改進了模式搜索算法程序,改進了梯度優(yōu)化算法中的擬牛頓法和序列二次規(guī)劃程序。(5)發(fā)展了基于Kriging模型的翼型反設(shè)計方法和翼型Pareto多目標(biāo)氣動優(yōu)化設(shè)計方法;結(jié)合Adjoint梯度計算方法,發(fā)展了基于梯度增強的Kriging模型的翼型Pareto多目標(biāo)優(yōu)化設(shè)計方法。成功開展了翼型的單目標(biāo)/多目標(biāo)反設(shè)計研究,驗證了Kriging模型在翼型反設(shè)計中的適應(yīng)性�？缏曀僖硇驮O(shè)計算例驗證了基于Kriging模型的翼型Pareto多目標(biāo)優(yōu)化方法和基于梯度增強Kriging模型的翼型Pareto多目標(biāo)優(yōu)化方法的有效性。此外,成功進行了基于Kriging模型的跨聲速翼型、風(fēng)力機翼型的加權(quán)多目標(biāo)優(yōu)化設(shè)計;成功進行了旋翼翼型、飛翼翼型的Pareto多目標(biāo)氣動優(yōu)化設(shè)計,通過一次優(yōu)化設(shè)計可得到多個最優(yōu)氣動外形。(6)發(fā)展了一套基于Kriging模型和Navier-Stokes方程的機翼單目標(biāo)、多目標(biāo)氣動優(yōu)化設(shè)計方法并成功應(yīng)用于58個設(shè)計變量的飛翼Pareto多目標(biāo)氣動優(yōu)化設(shè)計。首先研究了常用的梯形機翼和雙梯形布局機翼的參數(shù)化方法,并編制機翼的參數(shù)化程序,其中平面參數(shù)、剖面參數(shù)、幾何扭轉(zhuǎn)角三類參數(shù)可以任意組合作為設(shè)計變量。分別采用傳統(tǒng)的EI加點準(zhǔn)則和本文發(fā)展的并行多點加點準(zhǔn)則分別進行了跨聲速機翼的僅變平面形狀、僅變剖面形狀、同時變平面形狀和剖面形狀的氣動優(yōu)化設(shè)計以及運輸機機翼的減阻優(yōu)化設(shè)計,驗證了在氣動優(yōu)化設(shè)計中并行多點加點準(zhǔn)則的效率更高。成功進行了含58個設(shè)計變量的飛翼多目標(biāo)氣動優(yōu)化設(shè)計,優(yōu)化后飛翼的起降性能和巡航性能大幅提高。(7)開展了基于Kriging模型的增升裝置縫道參數(shù)優(yōu)化設(shè)計。采用不同的氣動計算方法進行了多段翼型的縫道參數(shù)優(yōu)化設(shè)計,取得了良好的設(shè)計效果,優(yōu)化后的外形升力系數(shù)都有較大提升。(8)結(jié)合基于代理模型的優(yōu)化方法和多學(xué)科可行法(MDF),發(fā)展了一種基于代理模型的高效全局MDF多學(xué)科優(yōu)化方法。算例表明該方法的效率和效果都優(yōu)于參考文獻中的基于Kriging模型的并行子空間(CSSO)方法。采用該方法進行了機翼的氣動/結(jié)構(gòu)耦合的多學(xué)科優(yōu)化設(shè)計。首先采用ANSYS進行結(jié)構(gòu)有限元分析和Euler方程求解器進行繞流模擬,建立了一套機翼靜氣動彈性數(shù)值模擬方法,然后進行了考慮彈性的機翼氣動/結(jié)構(gòu)綜合優(yōu)化設(shè)計,優(yōu)化后的機翼氣動性能和結(jié)構(gòu)性能同時得到提高。
【關(guān)鍵詞】：代理模型 Kriging模型 氣動優(yōu)化設(shè)計 加點準(zhǔn)則 梯度增強Kriging模型 多學(xué)科優(yōu)化設(shè)計
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：V221.3
【目錄】：

• 摘要3-5
• ABSTRACT5-12
• 第一章 緒論12-28
• 1.1 研究背景12-14
• 1.2 基于CFD的氣動設(shè)計方法及研究現(xiàn)狀14-18
• 1.2.1 反設(shè)計方法14
• 1.2.2 優(yōu)化設(shè)計方法14-18
• 1.3 基于代理模型的氣動優(yōu)化設(shè)計研究現(xiàn)狀18-23
• 1.3.1 概述18-19
• 1.3.2 經(jīng)典EGO全局優(yōu)化算法19-20
• 1.3.3 基于代理模型的并行優(yōu)化方法20-21
• 1.3.4 基于代理模型的多目標(biāo)優(yōu)化方法21-22
• 1.3.5 基于梯度增強的Kriging模型的優(yōu)化方法22-23
• 1.4 本文研究工作的目的和意義23-24
• 1.5 本文的主要研究內(nèi)容及論文組織24-28
• 第二章 基于代理模型的高效優(yōu)化算法28-88
• 2.1 試驗設(shè)計29-34
• 2.1.1 蒙特卡洛抽樣29
• 2.1.2 拉丁超立方設(shè)計29-30
• 2.1.3 均勻設(shè)計30-34
• 2.2 代理模型34-49
• 2.2.1 多項式響應(yīng)面模型35-36
• 2.2.2 Kriging模型36-44
• 2.2.3 梯度增強的Kriging模型44-49
• 2.3 常規(guī)優(yōu)化算法49-61
• 2.3.1 模式搜索算法50-51
• 2.3.2 擬牛頓算法51-52
• 2.3.3 序列二次規(guī)劃52-54
• 2.3.4 遺傳算法54-57
• 2.3.5 多目標(biāo)遺傳算法—NSGA-II57-61
• 2.4 基于代理模型的優(yōu)化加點準(zhǔn)則及約束處理61-76
• 2.4.1 目標(biāo)函數(shù)最小值準(zhǔn)則及其約束處理（CMP）62-65
• 2.4.2 Expected Improvement最大值準(zhǔn)則及其約束處理（CEI）65-69
• 2.4.3 統(tǒng)計學(xué)下限最小值準(zhǔn)則及其約束處理（CLCB）69-71
• 2.4.4 Probability of Improvement最大值準(zhǔn)則及其約束處理（CPI）71-74
• 2.4.5 均方根誤差最大值準(zhǔn)則及其約束處理（CRMSE）74-76
• 2.5 并行加點策略76-79
• 2.5.1 單一加點準(zhǔn)則的不足76-77
• 2.5.2 并行加點方法77-78
• 2.5.3 MPI并行計算78
• 2.5.4 并行加點方法的驗證78-79
• 2.6 混合子優(yōu)化方法79-81
• 2.7 多目標(biāo)優(yōu)化問題的處理方法81-85
• 2.7.1 線性加權(quán)法81-83
• 2.7.2 Pareto解集法83-85
• 2.8 基于代理模型的高效優(yōu)化算法流程85-87
• 2.9 本章小結(jié)87-88
• 第三章 基于代理模型的優(yōu)化算法的算例驗證88-118
• 3.1 優(yōu)化算法的性能評價88-90
• 3.1.1 單目標(biāo)優(yōu)化算法的性能指標(biāo)88-89
• 3.1.2 多目標(biāo)優(yōu)化算法的性能指標(biāo)89-90
• 3.2 基于KRIGING模型的單目標(biāo)優(yōu)化算法的驗證90-97
• 3.2.1 基于Kriging模型的單目標(biāo)無約束優(yōu)化算法的驗證90-93
• 3.2.2 基于Kriging模型的單目標(biāo)約束優(yōu)化方法的驗證93-97
• 3.3 基于KRIGING模型的多目標(biāo)優(yōu)化方法的驗證97-105
• 3.3.1 基于Kriging模型的多目標(biāo)無約束優(yōu)化方法的驗證97-102
• 3.3.2 基于Kriging模型的多目標(biāo)約束優(yōu)化方法的驗證102-105
• 3.4 基于GEK模型的單目標(biāo)優(yōu)化算法的驗證105-111
• 3.4.1 基于GEK模型的單目標(biāo)無約束優(yōu)化方法的驗證105-108
• 3.4.2 基于GEK模型的單目標(biāo)約束優(yōu)化方法的驗證108-111
• 3.5 基于GEK模型的多目標(biāo)優(yōu)化方法的驗證111-116
• 3.5.1 基于GEK模型的多目標(biāo)無約束優(yōu)化方法的驗證111-114
• 3.5.2 基于GEK模型的多目標(biāo)約束優(yōu)化方法的驗證114-116
• 3.6 本章小結(jié)116-118
• 第四章 基于代理模型的翼型氣動優(yōu)化設(shè)計118-150
• 4.1 翼型參數(shù)化118-121
• 4.1.1 Hicks-Henne參數(shù)化118-120
• 4.1.2 CST參數(shù)化120-121
• 4.2 翼型繞流數(shù)值模擬121-122
• 4.2.1 網(wǎng)格生成121
• 4.2.2 流場求解121-122
• 4.3 基于KRIGING模型的翼型反設(shè)計122-128
• 4.3.1 設(shè)計變量范圍的設(shè)定122
• 4.3.2 翼型反設(shè)計目標(biāo)函數(shù)122-123
• 4.3.3 加點準(zhǔn)則的選取以及與多項式響應(yīng)面的比較123-126
• 4.3.4 基于Kriging模型的風(fēng)力機翼型單點反設(shè)計126
• 4.3.5 基于Kriging模型的翼型多點反設(shè)計126-128
• 4.4 基于KRIGING模型的跨聲速翼型優(yōu)化設(shè)計128-134
• 4.4.1 RAE2822翼型單目標(biāo)優(yōu)化設(shè)計128-130
• 4.4.2 RAE2822翼型線性加權(quán)多目標(biāo)優(yōu)化設(shè)計130-132
• 4.4.3 RAE2822翼型Pareto多目標(biāo)優(yōu)化設(shè)計132-134
• 4.5 考慮轉(zhuǎn)捩的風(fēng)力機翼型優(yōu)化設(shè)計134-137
• 4.6 旋翼翼型多目標(biāo)優(yōu)化設(shè)計137-140
• 4.7 基于GEK模型的翼型單目標(biāo)設(shè)計140-143
• 4.7.1 翼型反設(shè)計140-142
• 4.7.2 翼型減阻優(yōu)化設(shè)計142-143
• 4.8 基于GEK模型的翼型加權(quán)系數(shù)多目標(biāo)優(yōu)化設(shè)計143-145
• 4.9 基于GEK模型的翼型PARETO多目標(biāo)優(yōu)化設(shè)計145-147
• 4.10 本章小結(jié)147-150
• 第五章 基于KRIGING模型的機翼/增升裝置氣動優(yōu)化設(shè)計150-170
• 5.1 基于KRIGING模型和多點加點準(zhǔn)則的跨聲速機翼優(yōu)化設(shè)計150-159
• 5.1.1 機翼參數(shù)化150-151
• 5.1.2 機翼網(wǎng)格生成與流動數(shù)值模擬151-152
• 5.1.3 僅考慮平面形狀及扭轉(zhuǎn)角變化的跨聲速機翼優(yōu)化設(shè)計152-155
• 5.1.4 僅考慮剖面形狀變化的跨聲速機翼優(yōu)化設(shè)計155-157
• 5.1.5 同時考慮平面形狀、扭轉(zhuǎn)角以及剖面形狀變化的跨聲速機翼優(yōu)化設(shè)計157-159
• 5.2 基于KRIGING模型的運輸機機翼優(yōu)化設(shè)計159-163
• 5.2.1 運輸機機翼參數(shù)化及流動數(shù)值模擬160
• 5.2.2 基于多點加點準(zhǔn)則的運輸機機翼并行優(yōu)化設(shè)計160-163
• 5.3 基于KRIGING模型的增升裝置優(yōu)化設(shè)計163-169
• 5.3.1 基于MSES的兩段翼型襟翼位置優(yōu)化設(shè)計163-164
• 5.3.2 基于NS方程的多段翼型單目標(biāo)優(yōu)化設(shè)計164-167
• 5.3.3 基于NS方程的多段翼型多目標(biāo)優(yōu)化設(shè)計167-169
• 5.4 本章小結(jié)169-170
• 第六章 基于KRIGING模型的飛翼氣動優(yōu)化設(shè)計170-180
• 6.1 飛翼翼型優(yōu)化設(shè)計170-174
• 6.1.1 飛翼翼型單目標(biāo)優(yōu)化設(shè)計170-172
• 6.1.2 飛翼翼型多目標(biāo)優(yōu)化設(shè)計172-174
• 6.2 飛翼三維外形多目標(biāo)優(yōu)化設(shè)計174-179
• 6.2.1 飛翼外形參數(shù)化及流動數(shù)值模擬174-175
• 6.2.2 基于NS方程的飛翼多點多目標(biāo)優(yōu)化設(shè)計175-179
• 6.3 本章小結(jié)179-180
• 第七章 基于KRIGING模型的多學(xué)科優(yōu)化設(shè)計180-194
• 7.1 數(shù)值算例180-182
• 7.2 齒輪箱優(yōu)化算例182-184
• 7.3 考慮靜氣動彈性的機翼氣動/結(jié)構(gòu)綜合優(yōu)化設(shè)計184-193
• 7.4 本章小結(jié)193-194
• 第八章 總結(jié)與展望194-198
• 8.1 本文研究工作總結(jié)194-196
• 8.2 本文創(chuàng)新性貢獻196-197
• 8.3 研究展望197-198
• 參考文獻198-208
• 攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文和參加科研情況208-210
• 致謝210-211

，

本文編號：543558