论文部分内容阅读
为了提高直升机的飞行性能,可在旋翼翼型中加入后缘襟翼（Trailing Edge Flaps,TEF）装置。风洞试验成本昂贵、计算流体动力学方法（CFD）占用计算资源多,不利于直升机翼型优化设计有效、快速的参数评估。随着人工智能理论和数据科学的快速发展,机器学习可跳过复杂的物理建模过程,通过算法快速、准确地获得预测结果。本文将机器学习算法和高精度的CFD数值模拟相结合,构建适用于不同后缘襟翼气动参数组合下的直升机翼型升阻比机器学习预测模型,并基于机器学习的SHAP（SHapley Additive ex Planations）方法探讨不同气动参数对旋翼翼型气动性能的影响,为旋翼翼型的气动设计提供参考。本文通过Ansys-Fluent软件依次进行144次带有不同后缘襟翼参数组合的数值仿真模拟,构建机器学习算法训练所需的样本数据集。然后将样本数据集放入支持向量机、随机森林、极端梯度提升（e Xtreme Gradient Boosting,XGBoost）三种算法中进行模型训练、参数调优,从而构建带有后缘襟翼翼型的升阻比预测模型。支持向量机、随机森林、XGBoost训练结果在训练集中均方根误差（RMSE）分别为0.625、0.7138和0.423,决定系数（R~2）分别为0.99、0.9889和0.9988;在测试集中RMSE分别为0.895、0.9252和0.6719,R~2分别为0.9713、0.9601和0.9889。三种机器学习算法无论在训练集还是在测试集中都表现出了对带有后缘襟翼翼型升阻比较高的预测准确率。同时对比得出三种算法中XGBoost无论在训练集还是在测试集都表现出最佳的模型预测准确率且模型没有明显的过拟合情况发生,具有最好的模型泛化能力。将基于XGBoost模型的SHAP方法用于探究三个参数的模型贡献度,结果表明攻角是影响带有后缘襟翼翼型气动性能最关键的参数,襟翼角度次之,襟翼长度对气动性能的影响程度最小。此外进一步分析和阐明了三个气动参数对NACA 2412翼型的升阻比影响,结果表明带后缘襟翼的NACA 2412翼型与不带后缘襟翼的翼型相比,在0°至5°低攻角范围内的增升效果有显著提高。但当攻角大于6°,无论是增加襟翼长度还是襟翼角度,都不会对翼型的增升效果有增强作用,随着攻角不断增大,反而对翼型的增升性能有减弱作用。对不同襟翼角度的分析表明,在攻角在0°至5°范围内,襟翼角度与翼型升阻比特性成正相关,但当攻角大于6°时由于阻力系数的迅速增加会导致翼型升阻比的降低。对不同襟翼长度的分析表明,过大的襟翼长度以增加阻力为代价增加了NACA 2412翼型的升力,进而导致升阻比曲线变差。故而仅依靠增加襟翼长度来提高直升机翼型升阻比的作用有限,本文探究表明当NACA 2412翼型的襟翼长度为弦长的10%时,后缘襟翼对翼型的增升效果综合表现最佳。与未带有后缘襟翼的NACA 2412翼型相比,带有襟翼长度LP=10%C、襟翼角度为β=10°的后缘襟翼翼型在攻角α=0°、1°、2°、3°、4°和5°时的升阻比分别提高87.82%、64.94%、49.20%、33.30%、22.74%和14.75%,表明带有后缘襟翼的NACA 2412翼型在0°至5°低攻角范围内翼型的升阻比有显著提高,能够有效改善直升机翼型的增升性能。本文所构建的机器学习模型为直升机翼型的优化设计提供了一个高效、经济的思路,可作为风洞试验和数值模拟的部分替代方案,具有较强的实际应用意义。