面向民机标模的宽域高雷诺数小样本气动建模方法研究OA北大核心CSTPCD

目前飞行雷诺数下复杂工况地面试验需要的运行成本极高,高雷诺数流态下的试验数据少而稀,变雷诺数气动力精确模化存在严重的数据不均衡和小样本问题,因此,气动仿真精度亟待提升。为解决变雷诺数气动力获取成本与模型精度之间的矛盾,聚焦后续飞行器设计的降本增效,以CHN-T1运输机标模为研究对象,通过数据融合和信息迁移两大策略,降低了预测模型对高雷诺数样本的依赖,实现了宽域高雷诺数小样本气动特性的快速预测。本研究利用覆盖亚跨声速、百万至千万量级变雷诺数下的18条气动力曲线构建了宽域变雷诺数气动数据集,设计了涵盖不同速域、雷诺数和马赫数外插等多种复杂度的算例进行分析验证,将仅利用单一来源试验数据构建的模型精度作为基准,对比了不同方法的特点。结果表明,利用10条左右的高精度气动力曲线作为建模数据时,采用基于神经网络的数据融合方法得到的气动预测模型均方根误差可降低50%以上,信息迁移方法得到的气动力预测模均方根误差也可降低至少40%。