基于增量学习的非定常气动力参数化降阶模型

• 作者: 陈志强 刘战合 苗楠 冯伟
• 来源期刊: 航空学报
• 关键词: 非定常气动力 参数化降阶模型 最小二乘支持向量回归 增量学习算法 颤振
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 流体力学与飞行力学|Fluid Mechanics and Flight Mechanics
• 页码范围: 336-347
• 页数: 12页
• 分类号: V211.3
• 语种: 中文

摘要

气动降阶模型(ROM)是预测非定常气动力的有效工具,具有高精度和低计算成本的优点,近年来许多研究证实了该方法的有效性.但是关于飞行参数变化时,ROM的鲁棒性还需要进一步提高.为了提高ROM对不同飞行参数下的气动力预测能力,提出了基于最小二乘支持向量回归(LS-SVR)和增量学习算法的参数化降阶模型.LS-SVR是一种具有良好泛化能力的回归方法,基于LS-SVR的增量学习算法的主要贡献是在增加新样本集时,不需要重新学习整个数据集.为说明该方法的有效性,基于两自由度NACA64A010翼型构建参数化非定常气动力降阶模型.为了训练气动力输入和相应输出之间的关系,将马赫数和迎角作为附加的模型输入.仿真结果表明,该降阶模型能够准确描述气动力和气动弹性系统在不同飞行参数下的动态特性.