期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于HyperFLOW平台的客机标模CHN-T1气动性能预测及可信度研究
被引量：
6
1
作者
王年华
常兴华
+2 位作者
赵钟
马戎
张来平
《空气动力学学报》
CSCD
北大核心
2019年第2期301-309,共9页
近年来,针对实际飞行器外形的CFD气动性能预测及可信度研究逐步得到重视,国内也召开了第一届航空CFD可信度研讨会(AeCW-1)。本文首先基于自主研发的CFD软件平台HyperFLOW对NACA0012翼型低速绕流进行了网格收敛性研究,验证了软件对简单...
近年来,针对实际飞行器外形的CFD气动性能预测及可信度研究逐步得到重视,国内也召开了第一届航空CFD可信度研讨会(AeCW-1)。本文首先基于自主研发的CFD软件平台HyperFLOW对NACA0012翼型低速绕流进行了网格收敛性研究,验证了软件对简单湍流问题的模拟能力且具备良好的网格收敛性。其次,针对AeCW-1提供的客机标模CHN-T1,选用其中的两个算例:(1)定升力系数的网格收敛性研究;(2)考虑模型支撑和模型静气动弹性变形的抖振特性研究,研究了计算结果的网格收敛性及模型支撑、静气动弹性变形和湍流模型等对气动特性预测精度的影响。结果表明:观测精度阶和网格收敛性指数显示数值结果具有良好的网格收敛性和可信度;是否考虑模型支撑对力矩的预测精度影响较大,引入尾撑和弹性变形后,数值结果与实验结果吻合较好;对于CHN-T1标模,采用QCR关系式对原始SA模型进行修正对标模力矩特性有一定影响。
展开更多
关键词
气动性能预测
CHN-T1客机标模
网格收敛性研究
网格收敛性指数
可信度研究
验证与确认
在线阅读
下载PDF
职称材料
定常来流下钝体二维组合断面气动特性与流场的智能预测方法
2
作者
李珂
王路路
+3 位作者
陈增顺
赵文卓
秦煜
李少鹏
《空气动力学学报》
北大核心
2025年第5期112-123,共12页
结构断面气动性能的高效精准获取对于设计优化至关重要。特别是在处理结构断面设计参数多样性和优化方向不确定性的迭代计算任务时,为了解决效率低下的问题,本文提出一种基于深度学习代理模型的智能预测方法,对定常风下钝体二维组合断...
结构断面气动性能的高效精准获取对于设计优化至关重要。特别是在处理结构断面设计参数多样性和优化方向不确定性的迭代计算任务时,为了解决效率低下的问题,本文提出一种基于深度学习代理模型的智能预测方法,对定常风下钝体二维组合断面的绕流流场及三分力系数进行快速精准预测。具体而言,该方法采用类似图片的一致化形状表达来描述钝体组合断面的气动外形,具有不受断面形式限制的通用性;通过融合卷积注意力机制模块与残差模块构建神经网络架构,并利用均方误差来捕捉神经网络预测误差,实现了从气动外形到绕流流场及三分力系数的强非线性映射。研究结果表明,该方法在定常风条件下,对钝体二维组合断面的时均绕流流场、表面压力分布以及三分力系数的预测误差分别控制在3.7%、0.35%和6.25%以内,满足精度要求,且与传统CFD模拟计算相比,计算效率提升了4个数量级。该方法为定常风下钝体断面气动性能的快速预测提供了一种高效、实用的技术手段。
展开更多
关键词
气动性能预测
气动
外形
静力三分力系数
表面压力分布
深度学习
在线阅读
下载PDF
职称材料
基于深度度量学习的导弹气动系数预测
3
作者
刘林
杨春明
+1 位作者
蔺佳哲
向宏辉
《南京航空航天大学学报》
CAS
CSCD
北大核心
2024年第5期950-959,共10页
传统多输出深度神经网络在导弹气动性能系数预测任务中,通常采用均方误差(Mean square error,MSE)和平均绝对误差(Mean absolute error,MAE)来训练网络,但在小样本及无物理方程约束的情况下,MSE与MAE对导弹性能系数之间的约束和不同导...
传统多输出深度神经网络在导弹气动性能系数预测任务中,通常采用均方误差(Mean square error,MSE)和平均绝对误差(Mean absolute error,MAE)来训练网络,但在小样本及无物理方程约束的情况下,MSE与MAE对导弹性能系数之间的约束和不同导弹样本之间的区分就会降低。针对该问题,提出一种基于深度度量学习的K最近邻大边距损失函数(K-nearest neighbor large margin,KNNLM),它通过边距约束将大差异输出样本推开,拉近相近输出样本,以此来解决样本及样本间的约束区分问题。以导弹气动外形及工况参数作为输入,4种气动系数作为输出,在反向传播神经网络(Backpropagation neural network,BPNN)和多任务学习神经网络(Multi-task learning neural network,MTLNN)中分别采用MSE、MAE、KNNLM进行实验对比,实验结果表明:KNNLM在BPNN和MTLNN中的精度相比于MSE和MAE最大能够提升14.44%和16.35%,最少提升3.72%。KNNLM能够在少样本及无物理知识约束的情况下,能更好地对导弹样本进行约束区分,使深度神经网络模型的预测精度更高,且鲁棒性更强。
展开更多
关键词
深度度量学习
导弹
气动性能预测
K最近邻大边距
多输出
在线阅读
下载PDF
职称材料
题名
基于HyperFLOW平台的客机标模CHN-T1气动性能预测及可信度研究
被引量：
6
1
作者
王年华
常兴华
赵钟
马戎
张来平
机构
中国空气动力研究与发展中心空气动力学国家重点实验室
中国空气动力研究与发展中心计算空气动力研究所
出处
《空气动力学学报》
CSCD
北大核心
2019年第2期301-309,共9页
基金
国家重点研发计划(2016YFB0200701)
国家自然科学基金项目(11532016
91530325)
文摘
近年来,针对实际飞行器外形的CFD气动性能预测及可信度研究逐步得到重视,国内也召开了第一届航空CFD可信度研讨会(AeCW-1)。本文首先基于自主研发的CFD软件平台HyperFLOW对NACA0012翼型低速绕流进行了网格收敛性研究,验证了软件对简单湍流问题的模拟能力且具备良好的网格收敛性。其次,针对AeCW-1提供的客机标模CHN-T1,选用其中的两个算例:(1)定升力系数的网格收敛性研究;(2)考虑模型支撑和模型静气动弹性变形的抖振特性研究,研究了计算结果的网格收敛性及模型支撑、静气动弹性变形和湍流模型等对气动特性预测精度的影响。结果表明:观测精度阶和网格收敛性指数显示数值结果具有良好的网格收敛性和可信度;是否考虑模型支撑对力矩的预测精度影响较大,引入尾撑和弹性变形后,数值结果与实验结果吻合较好;对于CHN-T1标模,采用QCR关系式对原始SA模型进行修正对标模力矩特性有一定影响。
关键词
气动性能预测
CHN-T1客机标模
网格收敛性研究
网格收敛性指数
可信度研究
验证与确认
Keywords
aerodynamic performance prediction
CHN-T1 model
grid convergence study
grid convergence index
credibility study
verification and validation
分类号
V211.3 [航空宇航科学与技术—航空宇航推进理论与工程]
在线阅读
下载PDF
职称材料
题名
定常来流下钝体二维组合断面气动特性与流场的智能预测方法
2
作者
李珂
王路路
陈增顺
赵文卓
秦煜
李少鹏
机构
重庆大学土木工程学院
出处
《空气动力学学报》
北大核心
2025年第5期112-123,共12页
基金
重庆市杰出青年基金(2022NSCQ-JQX2377)。
文摘
结构断面气动性能的高效精准获取对于设计优化至关重要。特别是在处理结构断面设计参数多样性和优化方向不确定性的迭代计算任务时,为了解决效率低下的问题,本文提出一种基于深度学习代理模型的智能预测方法,对定常风下钝体二维组合断面的绕流流场及三分力系数进行快速精准预测。具体而言,该方法采用类似图片的一致化形状表达来描述钝体组合断面的气动外形,具有不受断面形式限制的通用性;通过融合卷积注意力机制模块与残差模块构建神经网络架构,并利用均方误差来捕捉神经网络预测误差,实现了从气动外形到绕流流场及三分力系数的强非线性映射。研究结果表明,该方法在定常风条件下,对钝体二维组合断面的时均绕流流场、表面压力分布以及三分力系数的预测误差分别控制在3.7%、0.35%和6.25%以内,满足精度要求,且与传统CFD模拟计算相比,计算效率提升了4个数量级。该方法为定常风下钝体断面气动性能的快速预测提供了一种高效、实用的技术手段。
关键词
气动性能预测
气动
外形
静力三分力系数
表面压力分布
深度学习
Keywords
aerodynamic performance prediction
aerodynamic shape
static force coefficients
surface pressure distribution
deep learning
分类号
TU312.1 [建筑科学—结构工程]
V211.3 [航空宇航科学与技术—航空宇航推进理论与工程]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于深度度量学习的导弹气动系数预测
3
作者
刘林
杨春明
蔺佳哲
向宏辉
机构
西南科技大学计算机科学与技术学院
中国空气动力研究与发展中心计算空气动力研究所
中国航发四川燃气涡轮研究院
出处
《南京航空航天大学学报》
CAS
CSCD
北大核心
2024年第5期950-959,共10页
基金
四川省科技厅重点研发项目(2021YFG0031)
先进航空动力创新工作站项目(HKCX2022-01-022)。
文摘
传统多输出深度神经网络在导弹气动性能系数预测任务中,通常采用均方误差(Mean square error,MSE)和平均绝对误差(Mean absolute error,MAE)来训练网络,但在小样本及无物理方程约束的情况下,MSE与MAE对导弹性能系数之间的约束和不同导弹样本之间的区分就会降低。针对该问题,提出一种基于深度度量学习的K最近邻大边距损失函数(K-nearest neighbor large margin,KNNLM),它通过边距约束将大差异输出样本推开,拉近相近输出样本,以此来解决样本及样本间的约束区分问题。以导弹气动外形及工况参数作为输入,4种气动系数作为输出,在反向传播神经网络(Backpropagation neural network,BPNN)和多任务学习神经网络(Multi-task learning neural network,MTLNN)中分别采用MSE、MAE、KNNLM进行实验对比,实验结果表明:KNNLM在BPNN和MTLNN中的精度相比于MSE和MAE最大能够提升14.44%和16.35%,最少提升3.72%。KNNLM能够在少样本及无物理知识约束的情况下,能更好地对导弹样本进行约束区分,使深度神经网络模型的预测精度更高,且鲁棒性更强。
关键词
深度度量学习
导弹
气动性能预测
K最近邻大边距
多输出
Keywords
deep metric learning
missile
aerodynamic performance prediction
K-nearest neighbor large margin(KNNLM)
multi-output
分类号
V211.24 [航空宇航科学与技术—航空宇航推进理论与工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于HyperFLOW平台的客机标模CHN-T1气动性能预测及可信度研究
王年华
常兴华
赵钟
马戎
张来平
《空气动力学学报》
CSCD
北大核心
2019
6
在线阅读
下载PDF
职称材料
2
定常来流下钝体二维组合断面气动特性与流场的智能预测方法
李珂
王路路
陈增顺
赵文卓
秦煜
李少鹏
《空气动力学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于深度度量学习的导弹气动系数预测
刘林
杨春明
蔺佳哲
向宏辉
《南京航空航天大学学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
