民用飞机连续阵风载荷的自适应随机优化识别

民用飞机连续阵风载荷的自适应随机优化识别

对于民用飞机来说，连续趋势负荷是设计负荷的重要组成部分，对于飞机的设计和验证非常重要。因此,一方面,对于一轮载荷分析,理论上需要计算的工况会达到100万的量级,其中对于常规构型的民用飞机,设计员可以通过现有经验筛选,进而缩减至10万的量级另一方面,对于非常规布局的民用飞机近些年,国外在此领域进行了较多的研究但上述研究中大都针对连续的变量进行识别,同时商载、油载等重量分布情况也未予以考虑,而国内民机阵风载荷计算中鉴于此,本文针对国内民机型号工作,创新性地提出了一种采用自适应随机优化算法的阵风关键工况分析流程。首先,通过DoE(DesignofExperiment)1计算方法1.1模型设计因素采用DoE方法生成计算模型的初始样本点,以尽量少的计算次数,获取到尽量多的模型特性。DoE方法可以分为3类:一是因子类设计(factorialdesigns),二是响应面类设计(response-surfacedesigns),三是随机类设计(randomizeddesigns)。图1依次给出了三维空间内,3种模型产生的样本点对比,其中黑色点即为样本点。从图1可以看出,二水平全因子(2LFF)采样与BoxBehnken采样的样本点都在边界上,而拉丁超立方采样(Latinhypercubesampling)则大部分样本点存在于内部、且具有随机性,考虑到目前工程中阵风载荷计算工况出现在边界的概率较大,本文基于前2种方法开展对比分析研究。1.2代理模型典型的有利益且可实现模型考虑到单个工况计算耗时较多,有必要建立一个可以快速评估的代理模型来替代原有的阵风计算模型,进而降低计算量,便于后续优化工作的开展。代理模型典型的有多项式响应面MARS方法由FriedmanMARS所采用的铰链函数为式中:下标+表示函数取正部分;t为节点坐标值。两者可构成一个映射对,所有的映射对可构成集合C,即式中:N为样本空间维数;p为样本点个数。MARS构建过程中采用的基函数皆来自于集合C中的任意一个或多个铰链函数的乘积。整个建模分为前向和后向2个过程,最终的代理模型为式中:h1.3基于代理模型的优化本文采用自适应随机优化算法开展关键工况的挑选获取得到当前最优工况后,在其附近随机生成的若干个样本点,计算样本点与最优点的距离值,同时采用所建立的代理模型,评估得到所有工况的目标值,在此基础上,将归一化的目标值与距离值以一定的权重系数求和,从而得到下一次计算的工况。考虑到本文所有计算针对的是离散的工况文件,上述样本点计算时都需采取一定的策略映射到真实的工况集,本文假定样本点定义域为整数域,从而可快捷地实现映射的目的。另外,为提高鲁棒性及收敛性,在随机数生成的过程中,采用自适应技术确定标准差σ,给定σ1.4阵风气弹初始载荷计算本文阵风关键载荷的计算流程如图3所示。首先,依所选用的DoE方法确定初始工况,并通过建立的阵风气弹模型计算得到各载荷值;然后,在此基础上通过MARS方法建立初始代理模型,在极值载荷工况附近通过随机优化方法得到下一个可能的极值工况,通过记录比较连续失败次数n2模型验证2.1阵风气弹耦合针对某高平尾、下单翼、尾吊型飞机的侧向连续阵风关键载荷开展建模研究,其外形如图4所示,主要计算参数如表1所示。采用梁架单元、偶极子网格法建立阵风载荷气弹耦合分析模型,如图5所示。系统、燃油、商载、发动机等质量以等效方式挂载至相应节点,另外,在机翼和平尾上布置若干单元用于气动与结构的插值。在模态空间内进行阵风气弹耦合计算式中:u为广义位移解;ω为圆频率;ρ和v分别为空气密度和速度;g为结构阻尼系数;M、C和K分别为广义质量矩阵、阻尼矩阵和刚度矩阵;Q为广义气动力系数矩阵;P为阵风引起的广义外部激励,其主要由阵风模型决定。本文计算采用适航条款规定的vonKarman谱来定义阵风形状:式中:w为阵风速度均方根值;L为阵风尺度;Ω为折算频率计算模型中将飞行高度离散为0～12000m的8个特征高度(H2.2基于平台算法的阵风载荷计算方法针对3个感兴趣的站位载荷进行对比分析,分别为机头、机身(机翼连接处)和垂尾根部,如图6中黑色六角形所示,主要关心的载荷为以均方根值表示的增量弯矩、剪力以及扭矩。计算中最大标准差值σ图7给出了机头无量纲弯矩收敛曲线,其中以机头处的弯矩基准值作为无量纲参数,从图中可以看出,虽然机头弯矩量值较小,但是本文建立的方法依旧可以找出关键工况,另外,采用BoxBehnken迭代次数比2LFF采样要多,表明对现行阵风载荷计算,采用2LFF选取初始样本点具有较大的优势。图8给出了机身无量纲弯矩收敛曲线,对于机身机翼连接处,其弯矩具有较大的量级,2种方法都可以找到该站位的关键工况,其中Box-Behnken相对迭代次数较多,对于2LFF来说,其样本点恰巧包括了关键载荷工况,但本文优化模型计算依旧进行了若干次迭代,直至标准差达到收敛阈值σ3参数评估3.1垂尾深部扭矩代理与基准值对比下面对收敛后的代理模型MARS-2LFF进行评估。首先给出机身弯矩结果,如图10所示,其中黑色网格为实际模型计算得到的基准值,绿色直线为代理模型计算得到的值,蓝色点为代理模型构建所取的点,C图11给出了垂尾根部扭矩代理模型与基准值对比结果,从图中可以看出,代理模型与基准值同样吻合得较好,同时结合图10(c)与(d)可以看出,连续阵风载荷的量值受特征重量参数的影响较弱,其很大程度上取决于飞行高度与速度。图12和图13给出MARS-2LFF预测值与基准值的相关性对比图,分别对应192种工况的机身及垂尾根部弯矩和剪力。相比之下,垂尾的预测结果较好,这可能是由于垂尾根部受载情况相对简单,而机身与机翼连接处环境相对复杂。另外,由于MARS模型构建过程中为提高泛化能力进行了后向过程,因此对于关键工况及附近载荷预测同样存在误差,但是偏差总体较小。3.2机体垂尾底部扭矩随参数的变化针对自适应随机优化算法,并结合本文建立的侧向连续阵风气弹模型,进行参数影响的研究。模型涉及到参数主要有4个,分别是影响搜索半径的标准差最大值σ表3～表6给出了机身、垂尾根部扭矩随参数的变化规律。由表3～表6可知,一方面,本文模型可以较准确地预测关键工况及其载荷,即使设置标准差最大值、最小值相同,即仅进行一次图3中的自适应循环,误差最大也仅为0.8%,且分布在对角线附近,这表明模型的准确性只取决于σ表7给出了采用参数σ4代理预测模型的构建本文采用2LFF采样技术结合MARS方法,建立了一个可进行快速预测的代理模型,并基于自适应随机优化算法,发展了一套阵风关键工况及载荷的主动识别预测方法,并以某型民机侧向连续阵风计算模型为例,进行了验证,同时对所建立算法各参数的影响进行了深入的研究