基于POD-BPNN模型的热启动策略及其在气动代理优化中的应用

简介

传统气动优化设计需要大量CFD分析,而代理优化(SBO)方法能够有效降低CFD分析次数,但该方法并没有改变单次CFD分析时间。提出一种基于本征正交分解—反向传播神经网络(POD-BPNN)模型的热启动策略,并应用于气动代理优化。使用POD-BPNN模型对SBO中的初始样本建立从几何设计变量到流场数据的预测模型;在SBO迭代过程中,使用该模型预测新样本的流场,并将其作为CFD分析的初场,进行热启动计算,获得新样本的数据;添加新样本数据到POD-BPNN建模样本并更新模型,直到优化结束,通过案例对该策略进行对比验证。结果表明在跨声速翼型减阻优化设计中,基于POD-BPNN的热启动策略使得单次CFD计算时间降低68%,SBO的效率整体提升37%。