随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。

为了克服传统计算流体力学代理模型不能有效模拟流体力学高度非线性系统的困难,解决现有基于深度学习的代理模型难以有效处理时间顺序信息的问题,以扑翼飞行器的二维翼型为研究对象,基于门控循环单元(GRU)与多层感知机,建立扑翼非定常气动参数的快速预测模型,实现对扑翼扑动时高度非定常、非线性气动参数的实时预测.使用计算流体力学方法获得扑翼二维翼型扑动时的气动参数,以该参数为样本训练预测模型.将扑翼的扑动振幅、频率、摆动角度与运动时间输入预测模型,快速得到扑翼在对应扑动状态下的升力、阻力与力矩.实验结果表明,所建立的预测模型精度高、计算速度快,能够实现对扑翼非定常气动参数变化的实时高精度预测.