基于RBF神经网络和遗传算法的超声速Licher双翼优化设计研究.pdf

【超声速飞行】超声速飞行是指飞行速度超过音速的飞行状态，通常指马赫数（Ma）大于1的飞行。在这种状态下，飞行器需要克服声波阻力，这通常会导致更高的能耗和复杂的气动问题。 【Licher双翼】Licher双翼是一种针对超声速飞行的创新设计，由Licher在1955年提出，是对Busemann双翼构型的改进。Licher双翼设计旨在解决Busemann双翼在非零迎角时升力为零的问题，通过非对称设计在保持减波和消波效果的同时提供升力。 【Busemann双翼】Busemann双翼构型由Busemann在1935年提出，它的特点是通过上、下翼的特殊配置，使得激波和膨胀波在特定条件下相互抵消，理论上能将波阻降至零。但在实际应用中，由于只在零迎角时才有效，限制了其在实际飞行中的应用。 【径向基函数神经网络（RBFNN）】RBF神经网络是一种特殊的前馈神经网络，它使用径向基函数作为隐藏层神经元的激活函数，常用于非线性数据拟合和函数逼近。在本文中，RBFNN被用来建立双翼参数和性能指标之间的关系模型。 【遗传算法（GA）】遗传算法是一种模拟自然选择和遗传过程的全局优化算法，通过迭代操作（如选择、交叉和变异）寻找解决方案的最优组合。在本研究中，遗传算法被用于搜索Licher双翼的最佳几何参数，以最大化升阻比。 【计算流体力学（CFD）】CFD是利用数值方法求解流体动力学方程的工具，用于分析流体流动和传热等问题。在优化设计过程中，CFD被用来验证和评估不同设计构型的气动性能。 【升阻比】升阻比是衡量飞行器气动效率的重要指标，表示飞行器在单位面积上所受升力与阻力之比。高升阻比意味着飞行器能在产生足够升力的同时，保持较低的阻力，从而提高燃油效率和航程。 【优化设计】在本文中，通过结合RBF神经网络和遗传算法，对Licher双翼进行优化设计，旨在改善其在超声速条件下的升阻比。优化后的构型在无黏性和黏性模拟下，升力和升阻比均有显著提升，显示出这种方法在超声速运输机设计上的潜力。 【深度学习与机器学习】虽然这两个标签没有直接在文中详述，但它们是现代数据建模和人工智能的关键组成部分。深度学习是机器学习的一个分支，涉及多层神经网络，能够自动学习复杂的数据特征。机器学习则是一类算法，让计算机通过对数据的学习来改善其性能。这些技术在解决复杂优化问题和预测模型构建中可能有所应用。 这篇研究利用RBF神经网络和遗传算法优化了Licher双翼的气动性能，特别是在超声速飞行条件下的升阻比。这一工作展示了跨学科方法在航空科学中的应用，为未来超声速运输机设计提供了新的思路和工具。