多参数多条件下的精准气动特性数据是进行飞行器快速设计、系统完善、性能评估、指标考核的基本前提和根本保证。基于人工智能的深度学习技术与流体力学交叉融合已成为当前发展趋势,并在湍流模型改造、系统理论建模、气动数据预测、控制参数优化、复杂流场重构等方面得到成功应用。为最大限度发挥深度学习的强大表征能力,围绕内埋弹舱作战运用和智能优化设计需求,构建了弹舱空腔气动特性多场载荷数据库,采用基于数据驱动的深度学习方法,建立了耦合因素影响下的空腔气动/声学特性智能分析深度前馈神经网络模型,实现了有限约束条件下的空腔气动/声学特性快速预测,并引入随机搜索和贝叶斯超参数优化方法增强了模型鲁棒性,为空腔噪声有效控制模型快速优化设计提供了数据基础和方法途径。

在人工智能技术高速发展的浪潮下,智能化技术为空气动力学的研究提供了新的思路和手段。各国学者在人工智能与空气动力学设计的综合应用方面开展了诸多有益的探索与尝试。目前人工智能方法已被用于设计对象描述、数值求解、非线性映射等气动设计的关键环节中。实现了自适应设计参数探索、高效气动特征求解、快速数据降维与映射、智能优化等,提高了气动设计的速度、准确性、鲁棒性与全局性。概述了气动设计的发展现状、人工智能技术的研究现状以及机器学习在气动设计中的应用现状。展望了深度学习在气动设计上的应用前景。提出了以机器为核心根据优化阶段实时调整优化方案及走向的高度智能化气动设计概念——“机器设计”。强调了开展智能可诠释设计研究的重要性。

激波风洞地面试验对高超声速飞行器高焓气动特性研究至关重要,而高精度气动力测量是其中的关键技术.在脉冲型激波风洞中进行测力试验时,风洞起动时流场瞬间建立,对测力系统会产生较大的冲击.测力系统在瞬时冲击作用下受到激励,系统的惯性振动信号在短时间内无法快速衰减,天平的输出信号中会包含惯性振动干扰量,导致脉冲型风洞测力试验精准度的进一步提高遇到瓶颈.为了解决短试验时间内激波风洞快速准确测力问题,发展高精度的动态校准技术是提升受惯性干扰天平性能的关键方法.因此,本文采用循环神经网络对天平动态校准数据进行训练和智能处理,旨在消除输出动态信号中的振动干扰信号.本文对该方法进行了误差分析,验证了该方法的可靠性,并将该方法应用于激波风洞测力试验中,切实有效降低了惯性振动对天平输出信号的干扰影响.根...

盘根箱、扫气道的清洁工作又脏又累,浪费大量的人力、物力、财力.有鉴于此,本文探讨了两种方法:高压空气吹除法和智能型挖掘机械手清理法.前者简单适用,后者人工智能化,是未来的发展方向.