基于QPSO-LSTM神经网络建立非定常气动模型的方法.pdfVIP

航空科学技术

AeronauticalScienceTechnologyFeb.252025Vol.36No.02102-110

基于QPSO-LSTM神经网络建立

非定常气动模型的方法

魏小峰，魏巍，李鹏121，3

1.上海华模科技有限公司，上海201315

2.武汉光迅科技股份有限公司，湖北武汉430205

3.南京林业大学，江苏南京210037

摘要：飞行器的空气动力学参数具有强非线性和非定常特性，利用人工智能方法建模可以避开复杂的空气动力学机制，不

仅可以降低技术门槛，还可以提高建模效率。因此，本文提出一种基于量子粒子群优化-长短时记忆（QPSO-LSTM）神经网

络的非定常气动力建模方法。以NACA0012翼型俯仰运动的非定常气动特性为研究对象，通过翼型的飞行状态参数预测翼

型在运动过程中所受到的气动力。在建模的过程中采用LSTM神经网络为基础模型，然后利用QPSO算法优化LSTM神经网

络的超参数，如层神经元个数、历史数据长度和训练批次大小。研究结果表明，QPSO算法能较好地搜索LSTM神经网络超

参数的全局最优解；QPSO-LSTM模型相比常规循环神经网络（RNN）和LSTM模型，在内插和外插预测气动力系数时具有更

高的