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。

提出了本征正交分解法方法建立叶片气动力降阶模型,快速分析叶片气动特性。采用计算流体力学得到气动力快照矩阵,然后利用本征正交分解法获得尾流激励下的叶片气动力基,从而建立尾流激励下的叶片气动力降阶模型并完成气动力数据重构。分别采用周期信号和正弦信号作为输入,采用计算流体力学和气动力降阶模型方法计算叶片气动力,结果显示采用本征正交分解法降阶模型得到的叶片气动力与计算流体力学计算得到的气动力结果基本一致。证明了基于本征正交分解方法的气动力降阶模型能够快速精确分析尾流激励下的叶片气动力。

针对非线性大扰动翼型气动力优化问题,提出了基于卷积神经网络气动力降阶模型的优化方法.该方法用不同形状参数下翼型的气动力数据作为训练信号,训练卷积神经网络翼型气动力降阶模型.采用该气动力降阶模型,以最大升阻比为目标,对翼型进行优化,结果表明该方法可用于大扰动下翼型气动力的预测和优化.该文同时还讨论了池化法和径向基法的训练信号数据降维方法对降阶模型精度的影响,结果表明训练信号数据降维能够提高气动力降阶模型的精度.其原因在于训练信号数据降维可以减少神经网络模型的待定参数的个数,在相同数据量下神经网络模型收敛得更好.

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。