基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输

大攻角气动特性预测与气动建模是新型飞行器提升飞行性能的重要内容.以轴对称导弹简化模型为研究对象,首先采用计算流体力学方法,对70°大攻角状态的非定常气动特性进行数值模拟,计算方法基于RANS的N-S方程,湍流模型采用SA模型,对流场采用有限体积法离散,无黏项采用Roe通量差分分裂格式,黏性项采用中心差分,时间推进采用LU-SGS格式的双时间步法.飞行器运动模式采用强迫振荡的方式,对5种不同振荡频率进行了非定常数值计算,并记录每一内迭代周期最终的气动力和力矩数值.其次,以CFD预测结果作为气动建模的样本,采用动导数模型、多项式模型等传统方法,进行气动建模,并分析其有效性和精度.最后采用神经网络方法对大攻角非定常气动力进行建模,并和动导数模型、多项式模型进行精度对比.结果表明,基于神经网络的人工智能气动建模方法具有较高的精度

文中介绍了钢管拱桥的异桥位整体拼装施工方案，沿桥梁纵向连续顶推滑移，最后实现了整体纵移就位。