本文選題：非定常氣動力 + 降階模型�。� 參考：《空氣動力學學報》2017年02期

【摘要】：神經(jīng)網(wǎng)絡(luò)模型的泛化能力是指模型對于新樣本的適應(yīng)能力,而當前基于神經(jīng)網(wǎng)絡(luò)的非線性氣動力模型往往泛化能力不足。針對這一局限,發(fā)展了一種基于計算流體力學的帶驗證信號氣動力降階模型,用于跨聲速氣動力預(yù)測。采用遞歸徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),通過引入差分進化算法,對模型中隱含層神經(jīng)元寬度進行優(yōu)化,優(yōu)化目標為驗證信號的均方根誤差最小。訓練信號采用結(jié)構(gòu)大幅振蕩的位移和氣動力響應(yīng),用小擾動下微幅運動的信號作為驗證信號。算例表明建立的降階模型不僅具有比全階數(shù)值模擬更短的計算時長,并且由于采用了小幅運動的驗證信號,使模型在不同頻率和振幅下的泛化能力得到增強。
[Abstract]:The generalization ability of neural network model refers to the adaptability of the model to new samples, but the current nonlinear aerodynamic model based on neural network is often lack of generalization ability. In order to overcome this limitation, a reduced order model of aerodynamic forces with validated signals based on computational fluid dynamics is developed, which is used to predict transonic aerodynamic forces. Using recurrent radial basis function neural network and introducing differential evolution algorithm, the hidden layer neuron width in the model is optimized. The optimization target is to verify the minimum root mean square error of the signal. The displacement and aerodynamic response of the large oscillation of the structure are used in the training signal, and the signal of micro-amplitude motion under small disturbance is used as the verification signal. Numerical examples show that the proposed model not only has a shorter computational time than the full-order numerical simulation, but also enhances the generalization ability of the model at different frequencies and amplitudes due to the use of small motion verification signals.
【作者單位】： 西北工業(yè)大學翼型葉柵空氣動力學國家重點實驗室;布朗大學工程學院;
【基金】：國家自然科學基金(11572252);國家自然科學基金優(yōu)秀青年科學基金(11622220) 國家高等學校學科創(chuàng)新引智計劃(“111”計劃)(B17037)
【分類號】：V211.3

【相似文獻】

相關(guān)期刊論文 前9條

1 梁珂;孫秦;Zafer Gurdal;;結(jié)構(gòu)非線性屈曲分析的有限元降階方法[J];華南理工大學學報(自然科學版);2013年02期

2 趙松原;黃明恪;;POD降階算法中對基模態(tài)表達的改進[J];南京航空航天大學學報;2006年02期

3 竇怡彬;徐敏;Christian Breitsamter;;基于SCI/ERA方法的高效氣動力降階模型[J];計算力學學報;2012年01期

4 樸光日;李炯天;;基于CVOD方法的T-cell問題的降階模型[J];延邊大學學報(自然科學版);2012年04期

5 劉曉燕;楊超;程攀;薛飛;;基于降階模型的AGARD機翼氣動彈性研究[J];科技信息;2013年18期

6 何建軍;姜節(jié)勝;;基于降階模型的非經(jīng)典阻尼結(jié)構(gòu)拓撲修改的復(fù)模態(tài)重分析方法[J];振動與沖擊;2009年07期

7 徐敏;李勇;曾憲昂;陳士櫓;;基于Volterra級數(shù)的非定常氣動力降階模型[J];強度與環(huán)境;2007年05期

8 張子健;徐敏;陳士櫓;嬈偉剛;;基于氣動力辨識的ASE模型降階研究[J];力學學報;2009年05期

9 ;[J];;年期

相關(guān)會議論文 前3條

1 劉曉燕;楊超;吳志剛;;基于小波的非定常氣動力降階模型[A];第十一屆全國空氣彈性學術(shù)交流會會議論文集[C];2009年

2 徐敏;曾憲昂;陳士櫓;;非定常氣動力快速降階模型研究[A];第十屆全國空氣彈性學術(shù)交流會會議論文集[C];2007年

3 聶雪媛;楊國偉;;基于CFD降階模型的跨聲速顫振主動抑制方法研究[A];第七屆全國流體力學學術(shù)會議論文摘要集[C];2012年

相關(guān)博士學位論文 前1條

1 王文勝;復(fù)雜細長結(jié)構(gòu)動力模型降價及優(yōu)化研究[D];大連理工大學;2012年

相關(guān)碩士學位論文 前1條

1 王立忠;復(fù)雜梁式結(jié)構(gòu)模型降階及降階模型修正[D];大連理工大學;2014年

，

本文編號：1827313