-
题名一种高泛化能力的神经网络气动力降阶模型
被引量：8
- 1
-
-
作者
尹明朗
寇家庆
张伟伟
-
机构
西北工业大学翼型叶栅空气动力学国家重点实验室
布朗大学工程学院
-
出处
《空气动力学学报》
CSCD
北大核心
2017年第2期205-213,共9页
-
基金
国家自然科学基金(11572252)
国家自然科学基金优秀青年科学基金(11622220)
国家高等学校学科创新引智计划("111"计划)(B17037)
-
文摘
神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足。针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测。采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小。训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号。算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强。
-
关键词
非定常气动力
降阶模型
神经网络
泛化能力
验证信号
-
Keywords
unsteady aerodynamic load
reduced-order model
neural network
generalization capability
validation signal
-
分类号
V211.15
[航空宇航科学与技术—航空宇航推进理论与工程]
-
