[发明专利]一种基于降阶建模的大迎角颤振分析方法

说明书

本发明公开了一种基于降阶建模的大迎角颤振分析方法。首先完成给定机翼的模态特性分析；然后选定一系列马赫数，求解得到在该迎角和这些马赫数下的静气弹变形，设计训练运动信号和预测运动信号，获得训练数据样本和预测数据样本；然后建立非定常气动降阶模型，评估非定常气动降阶模型的训练效果和泛化能力；最后使用得到的非定常气动降阶模型完成颤振分析。

技术领域

本发明涉及涉及一种基于降阶建模的大迎角颤振分析方法，属于非线性气动弹性领域。

背景技术

现代战斗机具备的高机动性，使之需要在大迎角条件下飞行；导弹机动时舵面处于大迎角状态；飞机在遇到阵风时机翼可能会进入较大的迎角状态；风力机叶片、涡轮叶片等机械部件通常也是在有一定迎角的状态工作。但是目前气动弹性相关研究主要关注零迎角状态，对于具有非零迎角的气动弹性研究很少。

气动弹性相关研究主要是风洞试验和数值模拟方法，风洞试验需准备相应的场地、风洞和器材，不仅时间周期长、成本高，由于气动弹性问题的复杂性，风洞试验精度也有限；数值模拟方法中，基于计算流体力学和有限元的流固耦合方法针对大迎角、跨音速等复杂非线性问题仍然较困难、成本较高、计算周期长，于是各种降阶模型(Reduced OrderModel，ROM)开始应用于气动弹性领域，在保证计算精度的同时，大幅提高计算效率。

目前已有大量的动态线性非定常气动降阶模型的研究，但这些非定常气动降阶模型应用于大迎角、跨音速等气动力有强动态非线性特性时，通常有较大误差。随着人工智能技术逐渐兴起，基于人工神经网络(Artificial Neural Network，ANN)的建模方法也快速发展。ANN具有很强的拟合非线性系统的能力，且天然就具备对多输入/多输出系统的描述能力。这些优势使得ANN适用于非定常非线性气动力降阶。

但是目前非定常气动降阶模型的研究主要针对一固定来流状态，若将目前的降阶方法用于颤振分析，特别是用于寻找颤振边界匹配解时，势必需要反复迭代，以确定合适的来流条件以建立降阶模型。另外目前非定常气动降阶模型研究主要针对的是二元翼段。因此有必要建立适用于大迎角三维机翼，且适用于不同来流马赫数的非定常气动降阶模型。

发明内容

本发明针对三维机翼大迎角气动弹性问题，提出了一种基于降阶建模的大迎角颤振分析方法，其包括如下步骤：

步骤A：针对给定机翼进行有限元建模，完成机翼的模态的特性分析，提取参与颤振的前若干阶模态的模态信息，其中：

模态信息包括模态的频率和机翼表面各点处的模态值，模态值包括垂直于弦向和展向平面的模态值分量，

以未变形的机翼状态为坐标零点，把机翼的瞬态变形可以表示为：z＝Φd，z为机翼表面处垂直于弦向和展向平面的变形分量向量，Φ为模态矩阵，d为广义坐标，

步骤B：对于上述的前若干阶模态信息，设计训练运动信号和预测运动信号，得到用于建立非定常气动降阶模型的训练数据样本和预测数据样本，包括：

把广义气动弹性运动方程表示为：

其中I为单位阵，C为广义阻尼矩阵，K为广义刚度矩阵，F为广义力，

确定机翼颤振马赫数的大致范围，在该大致范围内选定一系列马赫数Ma_r，并求解该一系列马赫数Ma_r下的静气弹，获得静气弹收敛后的广义位移d₀和广义力F₀，将该一系列马赫数Ma_r分成两部分，包括训练马赫数Ma_train和预测马赫数Ma_predict，