论文部分内容阅读
翼型影响着飞行器的气动效率、操纵品质甚至是安全性能,因此翼型设计是飞行器设计领域的一项重要的基础性研究课题。其中用于跨音速飞行的超临界翼型是翼型设计领域的一种重要的基础翼型。传统的翼型设计方法如风洞试验因为周期长、成本高的缺陷而逐渐被计算流体动力学工具、机器学习理论以及最优化理论相结合的方法所替代。翼型优化设计往往涉及高度非线性的目标函数、复杂多样的约束条件和多局部最优解等问题,因此对大多数传统的优化方法来说,寻找高置信度的全局最优仍然是一个很大的挑战。本文将超临界翼型RAE2822作为优化设计的基础翼型,对翼型优化设计的各关键技术,重点是最优化方法,进行深入研究。主要研究工作如下:(1)对比了翼型设计各关键技术常用方法的优劣,有针对性地选择相应的方法用于翼型优化。在翼型参数化方法的选择上,提出采样阶段使用容易保证均匀采样的线性Hicks-Henne和模型训练阶段使用拟合精度高的CST(Class Shape Transformation)的混合翼型参数化方法;在代理模型的选择上,考虑到升力系数和阻力系数的相关性,本文提出采用考虑了输出相关性的多输出高斯过程(multi-output Gaussian Process,MOGP)以提升代理模型精度;在此基础上,给出了翼型优化设计的通用框架。(2)为了解决高度非线性、多局部最优解的翼型寻优问题,本文首次将改进型杂草算法(IWO_DE/Ring)引入到翼型优化设计领域。在几个标准测试函数和翼型优化具体算例上的实验都表明,该算法因为平衡了全局搜索和局部细化的能力,对于高度非线性的复杂空间有稳定的全局最优搜索性能。这使得在初始代理模型精度较高的前提下,IWO_DE/Ring能够以较高概率搜索到该翼型优化问题的真实全局最优解的临近区域,从而在动态优化的进程中能够相对稳定高效地寻找到高置信度的全局最优解,其最终优化翼型在气动性能上有显著提升。(3)上述基于改进型杂草算法的超临界翼型优化工作致力于寻找代理模型的全局最优,该方法需要大量的初始样本建立出精确的代理模型才能够保证这个全局最优的可靠性,而这严重影响了翼型设计效率。为解决这个问题,本文研究了一种基于改善概率(Probability of Improvement,PI)的贝叶斯导向选择(Bayesian Forward Selection)技术,并将其应用于翼型优化问题。该方法利用代理模型的预测均值和方差来寻找对现有采样点改善可能性最大的采样点,忽略真实全局最优可能性低的区域,采样具有很强的针对性。在模拟函数和翼型优化算例上的实验表明,该方法每次迭代采样都致力于寻找设计空间中真实的全局最优解,与基于改进型杂草算法的超临界翼型优化结果相比,即使少量的(初始)样本也能优化到比较好的最终翼型。