机器学习方法在气动特性建模中的应用
2019-08-22钱炜祺
空气动力学学报 2019年3期
何 磊,钱炜祺,汪 清,陈 海,杨 俊
(中国空气动力研究与发展中心,绵阳 621000)
0 引 言
气动数据建模是飞行器飞行性能仿真评估的基础。对于飞机、导弹等飞行器,其常规飞行包线内的气动特性通常是马赫数、总迎角、滚转角及三个等效舵偏角的六维函数,如果要通过计算和风洞试验手段

飞行器的气动特性建模主要有两大类方法:一类是基于机理建模的方法,如多项式模型、基于几何对称关系的三角函数模型、微分/积分方程模型等,比较典型的例子是大迎角非定常气动力的微分方程模型[2-7]。另一类方法是基于人工智能的“黑箱”建模方法,如决策树方法、BP神经网络、RBF神经网络建模方法、模糊逻辑建模方法、Kriging方法及高斯过程法等[8-11],其基本思想是建立决策树、神经网络等输入-输出之间的映射模型,通过训练样本数据的学习,对模型的结构、权值参数进行调整,使其对数据具有最佳的拟合及预测效果,因而该方法也通常称为机器学习方法。相比较而言,基于机器学习的建模方法对非线性数据的拟合能力通常优于机理建模方法,但泛化能力较弱,而机理建模方法中的模型各项都有一定的物理意义,具有较好的普适性。近年来,深度学习方法研究取得了重大进展,该方法也是机器学习方法,目前已在流体力学和气动特性建模中得到了初步应用[12]。为加以区分,BP神经网络、RBF神经网络建模方法、Kriging方法等通常称为浅层学习方法。本文采用三类建模方法——分类与回归树方法、浅层学习方法和深度学习方法,对典型案例的气动数据进行了建模计算,并对这几类建模方法的优势和不足进行了比较分析。……
登录APP查看全文
