翼型多目標(biāo)氣動優(yōu)化

設(shè)計方法2005年5月總述◆

導(dǎo)言什么是優(yōu)化◆

優(yōu)化設(shè)計策略優(yōu)化設(shè)計的工作流程翼型表示方法優(yōu)化設(shè)計算法數(shù)值模擬方法◆

優(yōu)化算例（NACA0012）多目標(biāo)遺傳算法算例多目標(biāo)模擬退火算法算例◆

結(jié)論導(dǎo)言

◆

什么是優(yōu)化優(yōu)化設(shè)計策略◆優(yōu)化設(shè)計的工作流程◆翼型表示方法◆優(yōu)化設(shè)計算法◆數(shù)值模擬方法優(yōu)

化

算

法2、計算翼型曲線3、gambit生成網(wǎng)格4、Fluent計算6、是否滿足終止條件1、生成初始參數(shù)程序終止7、由modelFRONTIER的優(yōu)化算法生成一組新的參數(shù)5、得到Cl,Cd,Cl/Cd否是設(shè)計變量計算過程結(jié)果目標(biāo)翼型表示方法◆

解析函數(shù)形狀擾動方法◆

為Hicks-Henne函數(shù)簇：

m、n為參數(shù)αi即為設(shè)計變量，改變αi的值即可得到一系列光滑翼型Hicks-Henne函數(shù)簇：函數(shù)圖形◆mi=0.1、0.3、0.5、0.7、0.9◆ni=3、3、3、3、1(i=1、2、3、4、5)優(yōu)化設(shè)計算法：遺傳算法

簡單遺傳算法的遺傳操作主要有三種:選擇(selection)、雜交(cross-over)、變異(mutation)。◆選擇操作根據(jù)個體的適應(yīng)度函數(shù)值所度量的優(yōu)劣程度決定它在下一代是被淘汰還是被遺傳?！綦s交算法交換隨機挑選的兩個個體的某些位，◆變異算子則直接對一個個體中的隨機挑選的某一位進行突變。優(yōu)化設(shè)計算法：模擬退火算法

模擬退火算法是一種基于MonteCarlo迭代求解的啟發(fā)式隨機搜索算法，它源于固體退火原理，首先將固體加溫至充分高，使固體內(nèi)部的粒子變?yōu)闊o序狀，內(nèi)能增大，再讓其徐徐冷卻，粒子漸趨有序，最后在常溫時達到基態(tài)，內(nèi)能減為最小。模擬退火算法用內(nèi)能E模擬目標(biāo)函數(shù)，用溫度T作為控制參數(shù)。

利用Gambit生成結(jié)構(gòu)化網(wǎng)格能大大提高FLUENT的計算速度和精度。數(shù)值模擬方法：網(wǎng)格生成數(shù)值模擬方法：流場計算

本文選擇N-S方程作為流場計算的主控方程，湍流模式使用Spalart-Allmaras（S-A）模型，邊界采用遠場壓力條件采用一階迎風(fēng)差分格式離散控制方程。

我們首先驗證了翼型在不同攻角下的氣動性能，其中，2o

攻角，2.63馬赫下，計算值與實驗值的壓力系數(shù)曲線對比如圖。證明了流場計算模型和參數(shù)的選擇是相當(dāng)有效的。優(yōu)化算例及結(jié)果◆多目標(biāo)遺傳算法（MOGA)算例

◆多目標(biāo)模擬退火算法(MOSA)算例◆結(jié)果討論優(yōu)化算例：翼型及壓力系數(shù)曲線對比優(yōu)化前后機翼形狀及壓力系數(shù)對比曲線MOGA算例：結(jié)果表格

ClCdCl/Cd初始翼型(2.57o)0.43630.024218.03中間翼型(2.57o)0.57800.017832.47優(yōu)化翼型(2.57o)0.68120.013450.84優(yōu)化翼型(1.829o)0.52370.011545.54表1、多目標(biāo)遺傳算法優(yōu)化結(jié)果表格MOSA算例：結(jié)果表格

ClCdCl/Cd初始翼型(2.57o)0.43630.024218.03中間翼型(2.57o)0.49680.016130.86優(yōu)化翼型(2.57o)0.52060.010947.76優(yōu)化翼型(2.5969o)0.52730.0109648.11表2、多目標(biāo)模擬退火算法優(yōu)化結(jié)果MOSA算例：圖形對比MOSA優(yōu)化前后流場等馬赫數(shù)曲線圖

MOGA優(yōu)化后翼型升阻比提高182.0%，而其中形狀變化帶來的提高是152.6%，其余部分則源自有效攻角的增大。