介绍了基于Volterra级数的尾流激励叶片气动力降阶模型,用于上游尾流激励下叶片气动载荷的快速计算。用一个叶片的算例验证了该降阶模型,通过不同流速的算例对比发现:该降阶模型可以快速准确地描述尾流激励引起的叶片气动力,流速或流场结构不是影响该气动力降阶模型精度的关键,而上游尾流扰动是否满足小扰动假设是保证该气动力降阶模型精确的关键。

为辨识三角翼俯仰振荡的气动力与力矩,利用单输入Volterra级数,提出了一种非定常气动力降阶方法。采用小波变换压缩模型的辨识参数个数,在两种平均迎角下,采用降阶方法预测3°与5°幅值三角翼正弦振荡的升力与俯仰力矩系数,研究了一阶、二阶Volterra核对气动响应的线性与非线性分量在时域和频域内的辨识效果。结果表明随着平均迎角的增加,三角翼俯仰振荡的气动力及力矩响应的线性与非线性分量均明显增大。

采用优化方法识别气动力降阶模型的核函数,其基本思想是:为气动力降阶模型的每一个核函数构造一个拟合曲线,优化拟合曲线的参数,使气动力降阶模型的气动力输出和CFD或试验结果一致。二维叶片气动力降阶模型的算例和结果表明:识别得到的核函数与用阶跃方法识别的结果完全一致。

气动力降阶模型是提高气动弹性振动分析速度的新方法。现有气动力降阶模型的研究主要集中在叶片和机翼的颤振方面,没有涉及尾流激励引起的叶片振动问题。基于小扰动理论,本文将上游尾流傅立叶分解为若干个谐波,分别计算各阶谐波对叶片气动力的扰动,通过线性叠加各扰动,建立了尾流激励的叶片气动力降阶模型。二维叶片的算例表明:本文建立的气动力降阶模型能够描述上游尾流引起的叶片气动力的变化。

气动力降阶模型是研究叶片气动弹性振动快速高效的新方法。现有气动力降阶模型的研究主要集中在叶片颤振方面,没有涉及更为常见的上游尾流激励的叶片振动问题。本文提出基于Volterra级数的尾流激励叶片气动力降阶模型,为尾流激励下叶片振动和动静叶干涉振动研究提供了新的思路。采用行波法简化尾流的参数个数,用阶跃信号法识别降阶模型的核函数。二维叶片的算例结果表明,本文方法可以较准确地描述尾流激励引起的叶片气动力振荡,而且计算效率极高。

为解决界面网格不一致时温度、气压和变形等数据在结构网格和流场网格之间相互传递问题,提出一种基于局部坐标投影的载荷传递方法。将复杂的耦合界面分解为若干个几何简单的面,为每个面定义适当的局部坐标系,在此局部坐标系中定义三维几何坐标向二维参数坐标变换的投影关系,实现三维空间的载荷分布向二维参数空间的变换。在此基础上进行耦合界面的载荷插值传递,以此实现参数空间的载荷传递。比较以往的参数空间插值传递方法,文中的方法定义参数投影的算法简单,计算速度快,插值的精度与以往的方法相同。为验证所提方法,文中进行了算例分析,结果表明该方法有很好的准确性和精度。

基于小扰动和弱非线性假设,提出了一种基于气动力降阶模型和径向基函数参数化的翼型优化方法.其主要方法是用径向基函数参数化翼型扰动;通过CFD辨识参数扰动对翼型气动力影响的降阶模型核函数;基于叠加法建立了参数变化对翼型气动力影响的降阶模型;最后基于该气动力降阶模型计算并优化翼型升阻特性.NACA0012翼型优化的结果表明基于气动力降阶模型的优化方法是可行的,可以极大地提高翼型优化速度.

为快速求解尾流引起的叶片气动力，提出了基于谐波平衡法的尾流激励的叶片气动力降阶模型方法。对该气动力降阶模型方法进一步的研究发现:小扰动情况下，尾流谐波引起的叶片气动力谐波振幅和尾流谐波振幅的比例系数只与尾流频率有关。基于这一发现，进一步提出了尾流激励下的叶片气动力快速分析方法。该方法首先得到若干谐波尾流引起的叶片气动力谐波振幅与谐波尾流振幅的比例系数，并拟合出这些比例系数与尾流谐波频率的关系曲线;对任意尾流通过该曲线插值出该尾流各谐波对应的比例系数，得到叶片气动力谐波振幅，再由气动力降阶模型求得尾流激励的叶片气动力。算例结果表明:提出的气动力快速分析方法可以快速准确的估计任意尾流激励下的叶片气动力，而无需对不同频率尾流反复的进行CFD气动力计算。

为了探究影响基于谐波平衡法的气动力降阶模型计算精度的因素,建立了基于谐波平衡法的尾流激励叶片气动力降阶模型,讨论分析了进口尾流均值压力和尾流谐波振幅对该气动力降阶模型计算精度的影响。结果发现:进口尾流均值压力和尾流谐波振幅对叶片气动力降阶模型的计算精度都会产生显著影响。

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。