提出了一种基于深度学习的翼型气动系数预测方法,有效克服了以往方法依赖翼型设计参数以及算法复杂度随预测精度的提高呈指数级增长等缺点。首先,介绍了卷积神经网络(CNN)的基本原理、网络机构以及训练方法,给出了训练样本数、批量大小、批次数量、迭代次数、循环次数的关系;其次,设计了针对翼型图像处理的CNN结构,随机选择6000个样本对该网络进行了训练;最后,对561个翼型的法向力系数进行了预测,并与部分参数法方法的预测结果进行了比较。仿真结果表明,提出的图形化预测方法具有很高的预测精度。

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。

一体化试验评估是从分系统、研制过程、研究手段三个维度来对飞行器各研制阶段的试验活动进行统筹规划和组织实施的方法,可以有效提高试验效率、缩短试验周期、减少试验成本并降低试验风险。文章在剖析美国提出的飞行器一体化试验评估内涵的基础上,介绍了一体化试验评估方法在飞行器外挂物投放、航空推进系统、高超声速武器系统以及无人机系统中的应用情况,分析了一体化试验评估应用于飞行器研制中的除地面风洞试验和飞行试验外的其他相关关键技术,并从大数据和人工智能、高性能计算、体系分析、人类行为建模四个方面对其后续发展趋势进行了展望,最后总结了一体化试验评估在美国飞行器研制中落地的原因和对我国应用的启示。

建立了求解弹性机翼阵风响应的计算方法。在计算中，通过采用数值方法求解三维非定常Euler方程来获得气动特性；采用模态叠加的方法考虑弹性影响，实现了流体力学和弹性力学的耦合计算。通过对刚性机翼在攻角突然增大的阵风作用下的响应历程计算和二维NLR7301翼型的极限环振荡计算，对计算方法进行了验证。此后在“1—cos”阵风响应的计算中考虑弹性效应影响，先是只考虑了结构变形的前三个基本模态，弹性机翼气动力响应的计算结果与刚性机翼