为准确模拟桥梁断面气动力的非线性特性和流体记忆效应,构建了基于深度学习的非线性气动力降阶模型。引入前馈神经网络(FNN)和长短时记忆(LSTM)网络2种深度学习框架,利用CFD强迫振动数值模拟获取非线性气动力数据,采用谐波叠加法合成强迫振动位移信号;结合2种框架的结构特征,以断面位移为输入、气动力为输出,针对性构建了用于网络训练、验证和测试的数据集。以某三塔悬索桥钢箱梁断面为例,分别建立基于FNN和基于LSTM网络的气动力降阶模型,并针对不同频率、自由度的强迫振动和自由振动等工况,评估对比了模型的性能。结果表明2种降阶模型均可较好地模拟任意合理振动工况下断面非线性气动力,计算效率较数值模拟有极大提升,其中,基于LSTM网络的降阶模型具备更优的非线性气动力模拟性能。

大柔性飞行器因结构重量低、柔性大使得机翼等部件在受载时产生较大的弹性变形,呈现显著的几何非线性效应,因此准确的结构大变形建模方法对于几何非线性气动弹性分析至关重要,而神经网络对非线性系统具有强大的拟合能力,可通过将神经网络应用于非线性结构建模,构造适用于结构大变形的前馈神经网络预测模型,在样本特征和数据结构相对较优的条件下结合曲面涡格法,搭建非线性气动弹性分析框架,对某机翼模型进行阵风响应计算;结果表明神经网络模型能准确预测大柔性机翼结构大变形,应用到气动弹性分析后能进行准确的阵风响应计算,验证了将神经网络应用到结构大变形预测的可行性,为以后机器学习技术与气动弹性分析结合的研究提供思路和方法。

为避免飞行器复杂气动建模过程以及使用极大似然法时需要对初值进行估计,利用前馈神经网络能够逼近任意函数的能力,对飞行器纵向气动特性进行辨识。该方法能够避免建立气动模型与估计参数初值。利用前馈神经网络的导数特性,推导了三层神经网络辨识飞行器气动参数的导数法。使用该方法与Delta法对气动参数进行了辨识。仿真结果表明前馈神经网络对气动系数具有较好的拟合效果并验证了两种参数辨识方法的有效性。通过对比发现导数法在求解气动参数时优于Delta法。