翼型多目标气动优化设计方法.pptxVIP

翼型多目标气动优化 设计方法王一伟2005年5月总述◆ 导言什么是优化◆ 优化设计策略优化设计的工作流程翼型表示方法优化设计算法数值模拟方法◆ 优化算例（NACA0012）多目标遗传算法算例多目标模拟退火算法算例◆ 结论导言 ◆ 什么是优化优化包含的要素 ◆设计变量 ◆计算过程 ◆计算结果 ◆优化目标 优化算法优化设计策略◆优化设计的工作流程◆翼型表示方法◆优化设计算法◆数值模拟方法1、生成初始参数2、计算翼型曲线3、gambit生成网格4、Fluent计算5、得到Cl,Cd,Cl/Cd6、是否满足终止条件否7、由modelFRONTIER的优化算法生成一组新的参数是程序终止设计变量计算过程结果目标优化算法翼型表示方法αi即为设计变量，改变αi的值即可得到一系列光滑翼型◆ 解析函数形状扰动方法◆ 为Hicks-Henne函数簇： m、n为参数Hicks-Henne函数簇：函数满足的条件◆ 参数m对应函数极值点的位置，函数在x=m点处取到最大值1，向两侧迅速减小；◆ 函数在0、1点对应取0值，保证了上下一面结合处的连续性；◆ 参数n对应函数的形状，n的值越大，函数峰值两侧下降的速度越快；◆ 函数在x=0点导数为零，这就保证了上下翼面在0点结合处的光滑性。 Hicks-Henne函数簇：函数图形◆mi=0.1、0.3、0.5、0.7、0.9◆ ni =3 、 3 、 3 、 3 、 1 (i=1、2、3、4、5)优化设计算法：遗传算法 简单遗传算法的遗传操作主要有三种:选择(selection)、杂交(cross-over)、变异(mutation)。◆ 选择操作根据个体的适应度函数值所度量的优劣程度决定它在下一代是被淘汰还是被遗传。◆ 杂交算法交换随机挑选的两个个体的某些位，◆ 变异算子则直接对一个个体中的随机挑选的某一位进行突变。优化设计算法：模拟退火算法 模拟退火算法是一种基于Monte Carlo 迭代求解的启发式随机搜索算法，它源于固体退火原理，首先将固体加温至充分高，使固体内部的粒子变为无序状，内能增大，再让其徐徐冷却，粒子渐趋有序，最后在常温时达到基态，内能减为最小。模拟退火算法用内能E模拟目标函数，用温度T作为控制参数。 优化设计算法：多目标算法及约束条件处理 Pareto边界的处理方法：仅对Pareto边界进行操作，这就同时考虑到了每个目标的进展，并且能大大简化运算。 权系数wi处理为函数：用一定的算法计算当前wi的值以消除操作中的主观因素，使得对每个目标的处理更有效。 数值模拟方法：网格生成 利用Gambit生成结构化网格能大大提高FLUENT的计算速度和精度。数值模拟方法：流场计算本文选择N-S方程作为流场计算的主控方程，湍流模式使用Spalart-Allmaras（S-A）模型，边界采用远场压力条件采用一阶迎风差分格式离散控制方程。 我们首先验证了翼型在不同攻角下的气动性能，其中，2o 攻角，2.63马赫下，计算值与实验值的压力系数曲线对比如图。证明了流场计算模型和参数的选择是相当有效的。 优化算例及结果◆ 多目标遗传算法（MOGA)算例◆ 多目标模拟退火算法(MOSA)算例◆ 结果讨论 优化算例的设计要求◆ 初始翼型选用NACA0012，Ma=0.75，迎角2.57o ；◆ 优化后翼型的最大厚度不小于原始翼型的厚度；◆ 要求提高升力、降低阻力、提高升阻比。优化算例：翼型及压力系数曲线对比优化前后机翼形状及压力系数对比曲线MOGA算例：结果表格 ClCdCl/Cd初始翼型(2.57o)0.43630.024218.03中间翼型(2.57o)0.57800.017832.47优化翼型(2.57o)0.68120.013450.84优化翼型(1.829 o)0.52370.011545.54表1、多目标遗传算法优化结果表格MOSA算例：结果表格 ClCdCl/Cd初始翼型(2.57o)0.43630.024218.03中间翼型(2.57o)0.49680.016130.86优化翼型(2.57o)0.52060.010947.76优化翼型(2.5969 o)0.52730.0109648.11表2、多目标模拟退火算法优化结果MOGA算例：图形对比MOGA优化前后流场等马赫数曲线及翼面附近速度矢量图 MOSA算例：图形对比MOSA优化前后流场等马赫数曲线图 结果比较 MOGA优化后翼型升阻比提高182.0%，而其中形状变化带来的提高是152.6%，其余部分则源自有效攻角的增大。 MOSA优化后翼型升阻比提高164.9%，但单纯形状变化带来的提高是166.8%，翼型形状优化效果更加明显。 Questions ?Thank youNow lets talk about cert