基于卷积神经网络的合成双射流控制机翼分离流场识别与参数优化

• 作者: 罗振兵 赵志杰 邓雄
• 来源期刊: 空气动力学学报
• 学科: 物理学
• 关键词: 合成双射流 分离流控制 机理与规律 RBF神经网络 粒子群优化 Inception-V3卷积神经网络
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 专栏——分离流、旋涡和流动控制
• 页码范围: 948-956
• 页数: 9页
• 分类号: V211.3|O357.4
• 语种: 中文
• DOI: 10.7638/kqdlxxb-2020.0109

摘要

为进一步拓宽合成双射流(DSJ)技术在翼型分离流动控制领域的工程应用,采用数值模拟的方法,研究了DSJ对分离流的控制机理与控制规律,构建控制参数向量与气动参数之间的RBF神经网络代理模型,通过改进的粒子群算法(PSO)搜索一定约束下所能达到的最佳气动参数,并搭建Inception-V3卷积神经网络模型对平均速度场所对应的控制参数进行识别,以实现根据目标流场调整激励器参数,使其气动性能达到最优的目的.结果 表明:DSJ对分离流的控制机理包括:动量注入效应、涡掺混效应、抽吸效应;射流控制参数对控制效果有较大影响,迎角为16°～21°时,无量纲控制频率F+在0.5～4.0范围内都具有较好的控制效果,迎角为22°～24°时,最佳无量纲控制频率为3～4,同时动量系数越大,增升减阻效果越明显;RBF神经网络具有良好的泛化能力,测试误差不超过17％;PSO优化结果显示,在16°≤a≤24°、0＜F+＜4、0＜Cμ＜0.0954约束内,翼型所能达到的最大升力系数为1.793,最小阻力系数为0.013;Inception-V3模型在测试算例中的均方误差最大为0.1023,模型预测得出的控制向量所对应的速度场与原始速度场在小失速迎角下一致性较好,在大失速迎角下一致性较差.