基于Busemann雙翼的設(shè)計(jì)方法,采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial-Basis Function Neural Network, RBFNN）和基于遺傳算法（Genetic Algorithm, GA）的優(yōu)化技術(shù)對(duì)Licher雙翼進(jìn)行了優(yōu)化設(shè)計(jì)以提高設(shè)計(jì)馬赫數(shù)情況下的升阻比。通過(guò)計(jì)算流體力學(xué)（Computational Fluid Dynamics, CFD）方法在無(wú)黏性和黏性模式下對(duì)優(yōu)化設(shè)計(jì)結(jié)果進(jìn)行了驗(yàn)證。結(jié)果表明,與典型的Busemann雙翼相比,優(yōu)化后的雙翼構(gòu)型在無(wú)黏模擬情況下的升力和升阻比分別提高了27.3%和27.4%,黏性模擬情況下則提升了近60%和40%,表明本文采用的方法對(duì)于將雙翼構(gòu)型應(yīng)用于未來(lái)超聲速運(yùn)輸機(jī)領(lǐng)域具有很大的潛力。 

【文章來(lái)源】：航空科學(xué)技術(shù). 2019,30(09)

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

Busemann雙翼構(gòu)型Fig.1Busemannbiplaneconcept

湫ń�。栽熕�?∩希?ü??ǖ納杓?馬赫數(shù)，激波角可以通過(guò)式（1）確定：tanθ=Ma2∞sin2β-1éêùMa2ú∞()γ+12-sin2β+1tanβ(1)式中：γ為比熱比，這里取值1.4。通過(guò)式（1）計(jì)算得到的針對(duì)固定馬赫數(shù)的雙翼構(gòu)型參數(shù)并不唯一，通過(guò)選擇合適的喉道入口比來(lái)確定雙翼之間的間距z即可確定一組雙翼構(gòu)型參數(shù)。本文選取的Busemann雙翼參數(shù)，見(jiàn)表1。1.2Licher雙翼設(shè)計(jì)方法Licher雙翼構(gòu)型的設(shè)計(jì)方法是在上述Busemann雙翼的設(shè)計(jì)方法基礎(chǔ)上考慮了來(lái)流迎角來(lái)實(shí)現(xiàn)的,如圖2所示。當(dāng)來(lái)流迎角不為零時(shí)，流動(dòng)偏轉(zhuǎn)角將改變，如圖2（a）所示。這里以設(shè)計(jì)點(diǎn)為馬赫數(shù)1.7的雙翼構(gòu)型為例進(jìn)行討論。當(dāng)來(lái)流迎角為α?xí)r，上翼入口處流動(dòng)偏轉(zhuǎn)角為α+θ，根據(jù)式(1)，對(duì)于強(qiáng)激波，激波角隨流動(dòng)偏轉(zhuǎn)角增大而增大，此時(shí)上翼前緣產(chǎn)生的激波將會(huì)打到下翼后緣的背風(fēng)面位置。通過(guò)類似的分析可以得到，此時(shí)下翼前緣的激波將打到上翼的迎風(fēng)面位置。這種情況下，雙翼構(gòu)型處于非設(shè)計(jì)狀態(tài)。為了使迎角不為零狀態(tài)下的雙翼仍然產(chǎn)生如上述Busemann雙翼之間的有利的激波相互作用進(jìn)而減小雙翼構(gòu)型激波阻力，一個(gè)明顯的辦法就是調(diào)整雙翼構(gòu)型上下翼單元的厚度。本文保持雙翼單元的距離不變，通過(guò)減小上翼單元厚度，同時(shí)增加下翼單元厚度，即可得到在給定迎角下的Licher雙翼構(gòu)型，如圖2（b）所示。2數(shù)值方法2.1優(yōu)化方法本文研究中采用了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的代理模型和遺傳算法進(jìn)行優(yōu)化。首先，采用拉丁超立方采樣方法生成初始樣本數(shù)據(jù)，然后通過(guò)CFD方法計(jì)算樣本翼型的氣動(dòng)力系數(shù)，之后，使用樣本翼型參數(shù)和對(duì)應(yīng)CFD計(jì)算結(jié)果構(gòu)建代理模型，并通過(guò)遺傳算法對(duì)翼型參數(shù)進(jìn)行尋優(yōu)得到最優(yōu)外形。優(yōu)

型激波阻力，一個(gè)明顯的辦法就是調(diào)整雙翼構(gòu)型上下翼單元的厚度。本文保持雙翼單元的距離不變，通過(guò)減小上翼單元厚度，同時(shí)增加下翼單元厚度，即可得到在給定迎角下的Licher雙翼構(gòu)型，如圖2（b）所示。2數(shù)值方法2.1優(yōu)化方法本文研究中采用了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的代理模型和遺傳算法進(jìn)行優(yōu)化。首先，采用拉丁超立方采樣方法生成初始樣本數(shù)據(jù)，然后通過(guò)CFD方法計(jì)算樣本翼型的氣動(dòng)力系數(shù)，之后，使用樣本翼型參數(shù)和對(duì)應(yīng)CFD計(jì)算結(jié)果構(gòu)建代理模型，并通過(guò)遺傳算法對(duì)翼型參數(shù)進(jìn)行尋優(yōu)得到最優(yōu)外形。優(yōu)化過(guò)程如圖3所示。2.2流動(dòng)求解器本文采用了自研Euler/雷諾平均Navier-Stokes(RANS)求解器HUNS3D[8]來(lái)進(jìn)行數(shù)值計(jì)算。在HUNS3D中，控制表1Busemann雙翼參數(shù)Table1ParametersofBusemannbiplane設(shè)計(jì)馬赫數(shù)1.7設(shè)計(jì)迎角/（°）0相對(duì)距離（z/c）0.5相對(duì)厚度（t/c）0.1圖2Licher雙翼設(shè)計(jì)參數(shù)Fig.2ParametersoftheLicherbiplane圖3優(yōu)化過(guò)程Fig.3Optimizationprocess74

【參考文獻(xiàn)】：
期刊論文
[1]新型目標(biāo)壓力分布下的Licher雙翼反設(shè)計(jì)方法研究[J]. 趙承熙,葉正寅,華如豪.  空氣動(dòng)力學(xué)學(xué)報(bào). 2015(05)



本文編號(hào)：3450075