利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）模型具有時(shí)間記憶性,且會(huì)考慮之前的輸入輸出對(duì)當(dāng)前輸出影響的特點(diǎn),以遞歸神經(jīng)網(wǎng)絡(luò)方法建立了NACA0012翼型在跨音速階段的非定常氣動(dòng)力模型;利用CFD計(jì)算NACA0012翼型繞其剛心作變頻俯仰運(yùn)動(dòng)的跨音速氣動(dòng)力系數(shù)為訓(xùn)練數(shù)據(jù),建立跨音速非定常氣動(dòng)力模型。以建立的跨音速非定常氣動(dòng)力模型預(yù)測(cè)NACA0012翼型作俯仰簡(jiǎn)諧振動(dòng)的氣動(dòng)力系數(shù),并與CFD計(jì)算的氣動(dòng)力系數(shù)進(jìn)行對(duì)比。結(jié)果表明,該模型具備優(yōu)良的逼近非線性非定常氣動(dòng)力的能力;針對(duì)跨音速二維翼型,該模型相比CFD可以更快速地構(gòu)建,并能迅速且較為準(zhǔn)確地預(yù)測(cè)不同頻率下作簡(jiǎn)諧振動(dòng)時(shí)的氣動(dòng)力。 

【文章來(lái)源】：鹽城工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2020,33(02)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

RNN網(wǎng)絡(luò)模型

初始權(quán)重函數(shù)是采取隨機(jī)分配的方式確定的，在訓(xùn)練樣本過(guò)程中，權(quán)重函數(shù)將通過(guò)不斷的迭代調(diào)整來(lái)確定。t=1時(shí)，取初始輸入S0=0，對(duì)權(quán)重函數(shù)W、U、V隨機(jī)初始化，并按照公式(1)計(jì)算，進(jìn)行自適應(yīng)調(diào)整以確定最終權(quán)重函數(shù)。

以NACA0012翼型隨時(shí)間作掃頻變化的俯仰角為輸入信號(hào)，以經(jīng)Fluent計(jì)算得到的隨時(shí)間變化的氣動(dòng)力為輸出信號(hào)，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練以構(gòu)建RNN神經(jīng)網(wǎng)絡(luò)模型。RNN神經(jīng)網(wǎng)絡(luò)模型對(duì)信號(hào)擬合如圖5、圖6所示。圖4 力矩系數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的翼型氣動(dòng)系數(shù)預(yù)測(cè)[J]. 陳海,錢煒祺,何磊.  空氣動(dòng)力學(xué)學(xué)報(bào). 2018(02)
[2]一種高泛化能力的神經(jīng)網(wǎng)絡(luò)氣動(dòng)力降階模型[J]. 尹明朗,寇家慶,張偉偉.  空氣動(dòng)力學(xué)學(xué)報(bào). 2017(02)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[4]基于神經(jīng)網(wǎng)絡(luò)的機(jī)翼氣動(dòng)參數(shù)預(yù)測(cè)仿真研究[J]. 劉昕.  計(jì)算機(jī)仿真. 2015(12)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的翼型空氣動(dòng)力系數(shù)預(yù)測(cè)[J]. 黃繼鴻,蘇紅蓮,趙新華.  航空工程進(jìn)展. 2010(01)
[6]非定常氣動(dòng)力的結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)建模方法[J]. 龔正,沈宏良.  飛行力學(xué). 2007(04)



本文編號(hào)：3576886