近年来,深度学习广泛运用在图像处理,视频和音频的识别,以及基因和疾病的诊断等领域。长短时记忆神经网络(Long Short-Term Memory network,LSTM)是一种典型的深度神经网络,其主要特点在于能够处理和预测时间序列中间隔和延迟相对较长的重要事件,目前已经在语音识别,视频处理等问题中展示了优异的建模效果,成为许多主流IT行业的重点研究方法。本文发展了一种基于LSTM的非定常气动力降阶模型。LSTM模型在本质上是一种系统辨识方法,且对于存在时间延迟的非定常效应有很强的模拟能力。该模型基于循环神经网络,在时间记忆的基础上,解决了循环神经网络梯度弥散的问题。与传统的基于循环神经网络的非定常气动力建模方法不同,由于LSTM自带记忆机制,在建模过程中不需要设置延迟阶数,大大降低了建模的经验性的难度。因此,这种神经网络在非定常气动力建模问题上有一定潜力。以跨音速流动中,NACA64A010翼型两自由度运动为测试算例,通过非定常气动力仿真与非线性气动弹性仿真算例,验证了该方法能够准确把握不同流动和结构参数下,气动力和气动弹性响应的动态特征。图1为耦合结构方程的气弹分析流程图。通过建立的降阶模型,考虑不同结构参数下极限环的情况,如图2所示。