为了解决航空发动机流道内上下游干涉带来的计算量大的问题,提出了一种边界替代降阶模型方法。该方法辨识出研究流域与相邻的上下游流域交界面的气动力降阶模型,并耦合到该研究流域仿真模型的交界面上,用以表征上下游对该流域的影响,由此将多流域计算转化为单流域计算,同时又考虑了上下游的影响。采用一阶Volterra级数降阶模型实现了该方法。结果表明,采用本文方法和所有流域都采用CFD得到的压力和速度一致;本文方法所用的网格更少,可以加速收敛和提高计算速度。

为了解决CFD/CSD计算效率低的问题，基于CFD技术，构造降阶的非定常气动力模型，并耦合结构运动方程，建立频域/时域气动弹性系统ROM，采用线性自回归滑动平均模型的系统辨识方法，分析了气动弹性系统的标准模型Isogai二维翼型的颤振边界。结果表明，在翼型最大厚度所在位置保持不变时，计算不同翼型厚度下对应的颤振边界得出，随着翼型厚度增加，跨声速凹坑逐渐左移。因此，当翼型最大厚度所在位置保持不变时，为了达到提高颤振速度的目标，通过采用该方法的计算结果来调整机翼翼型厚度，提高机翼对飞行环境的适应能力。

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学(computational fluid dynamics,CFD)方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP(back propagation)神经网络和线性自回归神经网络(onlinear auto-regressive with exogenous input neural network,NARX),建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明:基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。