掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
飛行器氣動綜合優化設計理論與方法 版權信息
- ISBN：9787030733153
- 條形碼：9787030733153 ; 978-7-03-073315-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
飛行器氣動綜合優化設計理論與方法 本書特色
對高效率、先進優化軟件開發以及多學科優化理論發展把握都具有重要指導意義。
飛行器氣動綜合優化設計理論與方法 內容簡介
本書系統總結、梳理優化設計體系各個環節面臨的基礎科學問題、關鍵技術以及實際工程應用的需求，介紹了飛行器氣動外形數值優化體系基本要素、飛行器氣動外形多目標/多學科優化、飛行器氣動不確定性分析與穩健設計優化，并重點介紹了基于伴隨方程體系的氣動綜合優化。為從事飛行器氣動綜合設計與優化工作的研究人員提供了理論研究和工程實際上的指導，對發展優選、高效率優化設計軟件，把握氣動綜合設計技術的發展方向提供有價值的參考。
飛行器氣動綜合優化設計理論與方法 目錄
目錄
序
前言
第1章 緒論 1
1.1 學科分析與代理模型 1
1.2 參數化建模 4
1.3 網格重構技術 5
1.4 *優化算法/約束處理 5
1.5 靈敏度分析方法 7
1.6 不確定性優化設計 8
1.7 目標函數 9
參考文獻 10
第2章 飛行器氣動外形數值優化體系基本要素 17
2.1 *優化算法 17
2.1.1 非梯度類算法 17
2.1.2 梯度優化算法 18
2.1.3 無約束優化求解算法 19
2.1.4 帶約束優化求解算法 21
2.2 約束處理方式 25
2.2.1 外罰函數法 25
2.2.2 障礙函數法 26
2.2.3 乘子法 27
2.3 幾何外形參數化建模 28
2.3.1 剖面參數化建模方法 28
2.3.2 曲面參數化建模方法 30
2.3.3 基于FFD方法的參數化建模方法 32
2.4 典型網格變形技術 34
2.4.1 線彈性體變形網格技術 34
2.4.2 RBF-TFI變形網格技術 36
2.4.3 徑向基函數貪婪法變形網格技術 39
2.4.4 四元數變形網格技術及其改進 45
2.4.5 對象分類多算法融合 51
參考文獻 55
第3章 飛行器氣動外形多目標/多學科優化 58
3.1 多目標優化算法 58
3.1.1 多目標優化問題 58
3.1.2 多目標優化標量化處理方法 59
3.1.3 基于Pareto的多目標優化方法 61
3.2 基于代理模型的高維設計變量優化 66
3.2.1 高維設計變量問題 67
3.2.2 設計變量對代理模型精度的影響 68
3.2.3 分區協同優化 75
3.2.4 常用的降維方法 86
3.2.5 基于POD的降維優化 89
3.2.6 基于深度學習的幾何過濾算法 99
3.2.7 基于GTM算法的降維優化 104
3.3 基于數據重構的反設計技術 108
3.4 高維目標空間處理 121
3.4.1 目標維度災難 121
3.4.2 分層多級約束優化 124
3.4.3 高維多目標粒子群優化算法 128
3.4.4 旋翼翼型高維多目標設計 129
3.4.5 戰斗機翼型設計 143
3.5 基于神經網絡的數據挖掘 149
3.5.1 SOM神經網格技術 150
3.5.2 多目標優化分析 151
3.6 氣動多學科設計 155
3.6.1 多學科設計模型 156
3.6.2 多學科處理 156
3.6.3 并行子空間優化 157
3.6.4 基于并行子空間方法的高超聲速飛行器設計 158
參考文獻 164
第4章 飛行器氣動不確定性分析與穩健設計優化 167
4.1 不確定性建模、分析理論與方法 168
4.1.1 不確定性的識別和分類 168
4.1.2 不確定性描述和表征 169
4.1.3 敏感性分析理論與方法 172
4.1.4 不確定性分析理論與方法 174
4.2 穩健性評價理論與方法 204
4.3 基于不確定性的設計優化 208
4.3.1 穩健性設計優化方法 210
4.3.2 穩健性設計優化應用 212
參考文獻 227
第5章 基于伴隨方程體系的氣動綜合優化 232
5.1 離散伴隨方程求解梯度基本原理 232
5.2 流場伴隨方程的構建及靈敏度求解 233
5.3 跨學科耦合伴隨方程基本架構 257
5.4 跨學科耦合伴隨方程典型場景 259
5.4.1 氣動隱身“耦合”伴隨方程 259
5.4.2 氣動結構耦合伴隨方程 273
5.4.3 流場聲爆耦合伴隨方程 286
參考文獻 301
第6章 結束語 305
序
前言
第1章 緒論 1
1.1 學科分析與代理模型 1
1.2 參數化建模 4
1.3 網格重構技術 5
1.4 *優化算法/約束處理 5
1.5 靈敏度分析方法 7
1.6 不確定性優化設計 8
1.7 目標函數 9
參考文獻 10
第2章 飛行器氣動外形數值優化體系基本要素 17
2.1 *優化算法 17
2.1.1 非梯度類算法 17
2.1.2 梯度優化算法 18
2.1.3 無約束優化求解算法 19
2.1.4 帶約束優化求解算法 21
2.2 約束處理方式 25
2.2.1 外罰函數法 25
2.2.2 障礙函數法 26
2.2.3 乘子法 27
2.3 幾何外形參數化建模 28
2.3.1 剖面參數化建模方法 28
2.3.2 曲面參數化建模方法 30
2.3.3 基于FFD方法的參數化建模方法 32
2.4 典型網格變形技術 34
2.4.1 線彈性體變形網格技術 34
2.4.2 RBF-TFI變形網格技術 36
2.4.3 徑向基函數貪婪法變形網格技術 39
2.4.4 四元數變形網格技術及其改進 45
2.4.5 對象分類多算法融合 51
參考文獻 55
第3章 飛行器氣動外形多目標/多學科優化 58
3.1 多目標優化算法 58
3.1.1 多目標優化問題 58
3.1.2 多目標優化標量化處理方法 59
3.1.3 基于Pareto的多目標優化方法 61
3.2 基于代理模型的高維設計變量優化 66
3.2.1 高維設計變量問題 67
3.2.2 設計變量對代理模型精度的影響 68
3.2.3 分區協同優化 75
3.2.4 常用的降維方法 86
3.2.5 基于POD的降維優化 89
3.2.6 基于深度學習的幾何過濾算法 99
3.2.7 基于GTM算法的降維優化 104
3.3 基于數據重構的反設計技術 108
3.4 高維目標空間處理 121
3.4.1 目標維度災難 121
3.4.2 分層多級約束優化 124
3.4.3 高維多目標粒子群優化算法 128
3.4.4 旋翼翼型高維多目標設計 129
3.4.5 戰斗機翼型設計 143
3.5 基于神經網絡的數據挖掘 149
3.5.1 SOM神經網格技術 150
3.5.2 多目標優化分析 151
3.6 氣動多學科設計 155
3.6.1 多學科設計模型 156
3.6.2 多學科處理 156
3.6.3 并行子空間優化 157
3.6.4 基于并行子空間方法的高超聲速飛行器設計 158
參考文獻 164
第4章 飛行器氣動不確定性分析與穩健設計優化 167
4.1 不確定性建模、分析理論與方法 168
4.1.1 不確定性的識別和分類 168
4.1.2 不確定性描述和表征 169
4.1.3 敏感性分析理論與方法 172
4.1.4 不確定性分析理論與方法 174
4.2 穩健性評價理論與方法 204
4.3 基于不確定性的設計優化 208
4.3.1 穩健性設計優化方法 210
4.3.2 穩健性設計優化應用 212
參考文獻 227
第5章 基于伴隨方程體系的氣動綜合優化 232
5.1 離散伴隨方程求解梯度基本原理 232
5.2 流場伴隨方程的構建及靈敏度求解 233
5.3 跨學科耦合伴隨方程基本架構 257
5.4 跨學科耦合伴隨方程典型場景 259
5.4.1 氣動隱身“耦合”伴隨方程 259
5.4.2 氣動結構耦合伴隨方程 273
5.4.3 流場聲爆耦合伴隨方程 286
參考文獻 301
第6章 結束語 305
展開全部
飛行器氣動綜合優化設計理論與方法 節選
第1章緒論 迄今為止，數值優化設計技術在飛行器氣動外形綜合設計中發揮了重要作用。數值優化方法具有自動化程度高、多目標尋優能力強等特點，很大程度上克服了傳統的試湊法（Cut and Try）人工修型方法的不足，實際應用中開始受到設計人員的青睞，是國內外知名空氣動力學研究機構的一個重要的研究方向。例如，密歇根大學Martins教授的多學科設計優化（Multidisciplinary Design Optimization，MDO）團隊[1，21，斯坦福大學Jameson團隊I德國航空航天中心基于非結構化求解器TAU⑷，以及法國國家航空航天研究院基于計算流體動力學（Computational Fluid Dynamics，CFD）代碼elsA均發展了氣動外形優化設計體系。國內在數值綜合優化設計也做了系列研究工作，在一定程度上推廣應用于型號設計。 氣動外形優化設計體系的發展主要集中在兩個方向上：梯度類優化與非梯度類優化，兩者各有優缺點，在實際應用中可以互相結合，充分利用彼此的優勢；在面臨的基礎科學問題上，兩者表現不同，前者面臨的主要問題是局部性限制以及多目標設計問題，后者主要面臨的是大規模設計變量與髙維多目標優化問題，但在軟件體系中兩類方法的基本要素相同。本章節將系統總結和梳理優化設計體系各個環節面臨的基礎科學問題、關鍵技術以及實際工程應用的需求，希望對發展先進、高效率優化設計軟件，把握氣動綜合設計技術的發展方向提供有價值的參考。 1.1學科分析與代理模型 毋庸置疑，飛行器氣動外形數值優化體系中，各個學科的分析手段是保證設計過程和結果魯棒性、可靠性的*基本環節。優化體系對學科分析模塊*基本的要求是高精度、高可信度、高效率，然而這幾個基本要求之間往往是相互矛盾的。 結合高保真CFD軟件和智能優化算法開展氣動外形優化，前人研究中大多采用代理模型來減小龐大的計算開銷。這類方法通常稱為基于代理模型的優化（Surrogate-Based Optimization，SBO），文獻[12，13]對這類方法給出了比較系統的綜述。由于方法相對簡單、氣動分析可靠、優化過程穩健、工程應用靈活，波音公司采用這種方法開發了一種使用高階分析代碼的多學科設計優化系統（mdopt）m。國內研究和應用這類方法的文獻遠多于基于梯度的優化方法。近年來應用上一些有代表性的工作包括：文獻[15]結合隨機權重粒子群優化算法、Kriging代理模型和對應的期望改善（Expected Improvement，EI）函數加點準則進行加樣本點以及代理模型重建，進行了考慮螺旋槳滑流影響的機翼氣動優化設計；文獻丨16丨基于自適應取樣Kriging模型和多種群協作粒子群算法開展了跨聲速層流翼身組合體穩健性設計；文獻[17]采用分群粒子群算法以及誤差反向傳播訓練算法神經網絡模型，對某型客機融合式翼稍小翼的后掠角、傾斜角和高度等參數進行了穩健型氣動優化設計；文獻[18]對小展弦比薄機翼，采用Kriging代理模型和粒子群算法進行了多目標的約束減阻優化設計，跨、超聲速多設計點的阻力特性顯著改善；文獻針對發動機吊艙外形采用混合遺傳算法和Kriging響應面模型進行優化；文獻[20]對若干風力機翼型進行了多約束多目標的實用優化設計。 基于代理模型的優化本質上是通過構造近似數學模型（即代理模型），將復雜的學科分析從優化進程中分離出來，而將便于計算的近似模型耦合到優化算法中，多次優化迭代循環后得到實際問題的近似*優解。代理模型利用已知點的響應信息來預測未知點的響應值，目前大致有數據擬合模型、降階模型[如基于正規正交分解的本征正交分解（Proper Orthogonal Decomposition，POD）模型]，以及啟發式模型（或稱多可信度、變可信度、變復雜度模型）三類。數據擬合模型的研究與應用較多，如氣動優化領域廣泛采用的Kriging模型，其他還有多項式響應面模型（Polynomial Response Surface Model，PRSM）、Co-kriging模型、徑向基函數（Radial Basis Function，RBF）、反向傳播（BP）神經網絡（Backpro Pogation Neural Net，BPNN）、徑向基函數神經網絡、支持向量機回歸（Support Vector Regression，SVR）等等。Kriging模型對確定性問題適應性好，但對大設計空間問題的適應性較差；BP神經網絡對強非線性大設計空間問題的適應性較好、方便重復使用，缺點是計算量較大；基于支持向量機模型的代理模型在小樣本情況下具有較好的泛化能力。 發展代理模型主要圍繞如何提高非樣本點預測精度和增大設計變量數量規模兩個問題開展。國內的學者在代理模型預測精度以及增大設計變量數量方面開展了大量的研究，尤其在Kriging代理模型方面做了大量研究工作，其中文獻[29]對Kriging模型做了較為全面的綜述與總結，展望了Kriging方法與代理優化算法未來的發展趨勢。提高非樣本點預測精度希望采用盡量少的樣本量獲得預測精度更高的代理模型，有靜態和動態改進兩類辦法。 （1）靜態改進方法，包括針對具體問題比較上述模型做出選擇，利用拉丁超立方設計、正交設計、均勻設計等試驗設計（DoE）方法確定建模樣本等。有在構建代理模型上做工作的，如文獻對高低保真度分析預測結果之間的差值，利用代理模型的方法進行建模，用差值代理模型對低保真度分析的誤差進行修正，提高其預測精度。它對兩組數量不同，獨立的高、低保真度數據分別建立Kriging模型，進而通過Co-Kriging方法構建高、低保真度模型之間的關系模型，充分利用低保真度分析信息來提高代理模型整體的預測精度，在保證預測精度的前提下，提高了構造代理模型的效率。另一思路如文獻，通過集成Kriging插值型代理模型和BP神經網絡回歸型代理模型，構造雙層代理模型，在相同樣本的條件下，取得了更高的預測精度。這里**層模型采用回歸型模型，它對數據樣本的整體分布可較好地進行擬合，第二層模型則采用插值型模型，對**層代理模型的預測誤差進行建模，優化時用來修正**層代理模型的預測，這種做法精度比單獨使用插值型模型有所提高。 （2）動態改進方法，對于優化使用之前構建的代理模型的精確度要求不高，而是在尋優過程中不斷改善樣本完善模型，在提高代理模型精度的同時得到*優解。這類方法應用較多，被稱為自適應取樣，實質是尋優過程中加點策略。文獻使用了兩類建模樣本加點準則：一是根據代理模型預測的非樣本點均方差添加樣本點的期望改善準則;二是假定代理模型全局準確，僅加入當前找到的*優點來局部改善模型的*小化預測（Minimizing the Predictor，MP）準則。精細化的優化問題如翼型的反設計問題和ADODG（Aerodynamic Design Optimization Discussion Group）的**個基準測試問題（NACA0012翼型的跨聲速無黏減阻優化問題），對建立的基于代理模型的優化方法可能是一項較難的測試。文獻[33]在解決后一個問題時引入了“多輪優化策略”，在尋優過程中除采用上述方法改進代理模型外，還需要在每一輪優化中重新調整設計空間，再完善模型，這也可視為一種動態改進方法。 增大設計變量的數量規模對構建代理模型是項挑戰。隨著設計變量的增多，建模需要的樣本規模迅速增大，以至于難以構建滿足精度要求的代理模型。文獻[34]應用系統分解思想，基于響應均值靈敏度的概念，提出了對大規模的設計變量進行重要性分組的策略，對分組的設計變量進行分層協同優化，從而降低了系統的復雜度，可沿用以往的代理模型方法。在文獻[35]中可以看到設計變量超過40以后，Kriging模型的預測精度迅速下降，構建代理模型需要的樣本點數也迅速增加，出現“維數災難”問題；針對56個設計變量控制的翼身融合（Blended Wing Body，BWB）構型，用原來的粒子群算法和Kriging模型優化，會出現“精度凍結”的現象，而采用多個物理分區的協同優化策略，則可以克服該現象，在這種高維優化問題中得到滿意的結果。文獻[36]直面高維代理模型的構建問題，采用高維模型表本方法（High Dimensional Model Representation，HDMR）構建SVR代理模型，針對70個設計變量控制的翼身組合體構型和50個設計變量控制的戰斗機機翼氣動優化問題，與基于拉丁超立方采樣構建的SVR代理模型相比，模型預測精度顯著改善。HDMR方法的基本思想是：大多數物理系統中只有相對低階的輸入變量相關項才對輸出響應有重要影響，可以利用該特性對物理系統分層級來表示，即由相互正交的每層級的組分函數組合而成。對每個組分函數進行低維的插值或回歸建立代理模型，再經組合就可形成高維的代理模型。此外，文獻指出，由于高、低保真度分析的預測精度與設計變量的多少和設計空間的大小沒有必然聯系，在任何設計空間中，兩種分析預測結果差值的大小和變化始終遠小于物理量本身的值和變化，對這種差值構建模型所需的樣本量大小不會隨著設計空間維數的增加超線性增長，這樣在優化中直接使用低消耗的低保真度分析和差值代理模型，就可進行大規模設計變量的高保真度優化。 對代理模型以上問題的研究可能還會持續，在氣動結構綜合優化、穩健性優化中的應用逐漸增多，滿足多學科多目標優化和不確定度分析與傳遞需要的代理模型可能是今后的發展方向。 1.2參數化建模 參數化建模方法是實現外形自動化設計變形的前提，正因為如此，在氣動優化領域，科研人員在氣動外形參數化方面進行了大量的研究，從簡單的曲線參數化到全機復雜外形一體化參數化，每一次參數化方法的進步，都將設計對象的復雜程度、優化體系的設計能力向前推進一步。以剖面設計參數化為例，從經典的Hicks-Henne函數與基于類函數/型函數的翼型設計，到結合線性插值將典型截面參數化向機翼、機身、短艙的參數化推廣，參數化建模在工程應用方面邁出了實質性的一步。 曲面類型的參數化建模以非均勾有理B樣條（Non-Uniform Rational B-Splines）、Bezier曲面為典型代表，該類方法以其強大的曲面建模能力，在飛行器整流包、機翼設計中發揮了重要作用，但在基于離散數據參數化的前提下，存在節點矢量選取依賴于CFD網格分布、總體參數化能力弱等問題。 盡管曲線參數化方法結合線性插值技術、Bezier，NURBS曲面在三維氣動外形參數化上取得了實質性成果，但對于在復雜外形的參數化方面依然力不從心。由于優化設計體系中，往往采用的是離散點數據作為物面輸入，且需要物面輸入與網格重構進行匹配使用，面對復雜拓撲網格情況，利用曲線參數化方法，結合線性插值技術、Bezier、NURBS曲面對三維氣動模型開展參數化，將面臨通用性難題。 隨著計算機圖形學的發展，交叉學科的優勢在參數化方面開始體現出來，*有代表性的是自由變形（FFD）技術的提出該方法很大程度上拓展了基于網格離散點形式的參數化范圍，并從*基本的以Bernstein基函數的FFD技術迅速向以NURBS為基函數的NFFD技術、擴展型FFD技術（EFFD）、多塊FFD技術方向發展[5Q，51]，進一步充實了該方法的應用能力。由于該方法的主要原理是將物體嵌入彈性框架內實現彈性域屬性下的自由變形，因此，從很大程度上消除了復雜外形帶來的網格拓撲、部件組合難處理等問題。另外，由于該方法對所屬 1.4*優化算法/約束處理 域內的任意坐標的可操作性以及邏輯不變性，也可以用來進行網格變形。 參數化方法目前需要解決的問題是特殊部件的兼容性與獨立性要求。例如，內、外型面的約束限制以及不同部件參數化建模方法的獨立性主要體現在：外流型面進行參數化變形時，必須保證與內流型面保持一定的容積約束，避免出現曲面相交、容積減小等問題；唇口/進氣道參數化變形時，必須保證與外流型面保形一致，且要考慮唇口平行法則以及內部曲面精細化描述，這對參數化建模來講是一個技術挑戰。 不同部件參
書友推薦
- >
煙與鏡
- >
上帝之肋:男人的真實旅程
- >
隨園食單
- >
朝聞道
- >
姑媽的寶刀
- >
我與地壇
- >
詩經-先民的歌唱
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
