Исследование применения суррогатной модели в задаче геометрической оптимизации крыла с учетом флаттера

Авиационная и ракетно-космическая техника

2025. Т. 32. № 1. С. 102-111.

Авторы

Чэнь Л. *, Стрелец Д. Ю.**

Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4

*e-mail: lechen@mai.education
**e-mail: dimstrelets@rambler.ru

Аннотация

Описывается методологическое исследование многокритериальной геометрической оптимизации крыла с использованием суррогатной модели, в которой удлинение и сужение приняты в качестве проектных переменных. Наибольшая критическая скорость флаттера и максимальный коэффициент подъемной силы считаются целями оптимизации. Алгоритм оптимизации представляет собой недоминируемый генетический алгоритм сортировки II (NSGA-2). Результаты показывают, что метод оптимизации, основанный на модели Кригинга, позволяет относительно точно определить взаимосвязь между геометрическими переменными и критической скоростью флаттера, а также получить набор решений Парето с небольшим объемом вычислений, что обеспечивает решение более сложных задач оптимизации.


Ключевые слова:

суррогатная модель, модель Кригинга, многокритериальная оптимизация, геометрическая оптимизация крыла, недоминируемый генетический алгоритм сортировки II, флаттер крыла, поверхность отклика

Библиографический список

  1. Han Z. Kriging surrogate model and its application to design optimization: A review of recent progress // Acta Aeronautica et Astronautica Sinica. 2016. Vol. 37. No. 11, pp. 3197-3225. DOI: 10.7527/S1000-6893.2016.0083
  2.  Братухин А.Г., Серебрянский С.А., Стрелец Д.Ю. и др. Цифровые технологии в жизненном цикле российской конкурентоспособной авиационной техники / Под ред. М.А. Погосяна. М.: Изд-во МАИ, 2020. 448 с.
  3.  Han Z., Görtz S. Hierarchical Kriging Model for Variable-Fidelity Surrogate Modeling // AIAA Journal. 2012. Vol. 50. No. 9, pp. 1885-1896. DOI: 10.2514/1.J051354
  4.  Назаренко А.М. Эффективный алгоритм многокритериальной суррогатной оптимизации: Выпускная квалификационная работа на степень магистра. М.: 2013. 48 с.
  5.  Бурнаев Е.В., Зайцев А.А. Суррогатное моделирование разноточных данных в случае выборок большого размера // Информационные процессы. 2015. Т. 15. № 1. С. 97-109.
  6.  Бондарев А.В., Васильев П.В. Математические особенности использование метода Кригинга в недропользовании // Достижения науки и образования. 2018. Т. 2. № 8(30). С. 5-8.
  7.  Мальцев К.А., Мухарамова С.С. Построение моделей пространственных переменных (с применением пакета Surfer): Учебное пособие. Казань: Казанский университет, 2014. 103 с.
  8.  Кошель С.М., Мусин О.Р. Методы цифрового моделирования: кригинг и радиальная интерполяция // Информационный бюллетень ГИС-Ассоциации. 2000. № 4(26)-5(27). С. 32-33. 2001. № 1(28). С. 58. № 2(29)-3(30). С.23-24.
  9.  Меркулов И.Е. Методика проектирования сварных конструкций сверхзвуковых самолетов с учетом конструктивно технологических схем: Дисс. ... канд. техн. наук. Москва, 2019. 103 с.
  10.  Гарифуллин М.Р., Наумова Е.А., Жувак О.В., Барабаш А.В. Суррогатное моделирование в строительстве // Строительство уникальных зданий и сооружений. 2016. № 2(41). С. 118-132.
  11.  Бурнаев Е., Ерофеев П., Зайцев А. и др. Суррогатное моделирование и оптимизация профиля крыла самолета на основе гауссовских процессов // Информационные технологии и системы: 35-я конференция молодых ученых и специалистов (19-25 августа 2012; Петрозаводск, Россия). С. 66-70. URL: http://itas2012.iitp.ru/pdf/1569602325.pdf
  12.  Бурнаев Е.В., Приходько П.В. Методология построения суррогатных моделей для аппроксимации пространственно неоднородных функций // Труды МФТИ. 2013. Т. 5. № 4(20). С. 122-132.
  13.  Петров М.Н., Зимина С.В. Суррогатная нейросетевая модель для восстановления поля течения в серийных расчетах стационарных турбулентных течений с разрешением пристенной области // Компьютерные исследования и моделирование. 2024. Т. 16. № 5. С. 1195–1216. DOI: 10.20537/2076-7633-2024-16-5-1195-1216
  14.  Zheng J., Fang G., Wang Z. et al. Shape optimization of closed-box girder considering dynamic and aerodynamic effects on flutter: a CFD-enabled and Kriging surrogate-based strategy // Engineering Applications of Computational Fluid Mechanics. 2023. Vol. 17. No. 1: 2191693. DOI: 10.1080/19942060.2023.2191693
  15.  Li J., Quan Z., Zhang Y. et al. Computational Fluid Dynamics Based Kriging Prediction on Flutter Derivatives of Flat Steel Box Girders // Symmetry. 2022. Vol. 14. No. 7: 1304. DOI: 10.3390/sym14071304
  16.  Нагорнов А.Ю. Флаттер беспилотного летательного аппарата из композиционных материалов с двухбалочным оперением //Труды МАИ. 2020. № 113. DOI: 10.34759/trd-2020-113-19
  17.  Coggin J.M., Kapania R.K., Zhao W. et al. Nonlinear Aeroelastic Analysis of a Truss Braced Wing Wind Tunnel Model // 55th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference (13-17 January 2014; National Harbor, Maryland). DOI: 10.2514/6.2014-0335
  18.  Zhao S., Yang Y., Zhou L.et al. Nonlinear Static Aeroelastic Analysis and Optimization for High-Altitude Solar-Powered UAV With Large Aspect Ratio // IEEE Access. 2023. Vol. 11, pp. 36970-36979. DOI: 10.1109/ACCESS.2023.3235482
  19.  Рыбников Е.К., Володин С.В., Соболев Р.Ю. Инженерные расчеты механических конструкций в системе MSC. PATRAN-NASTRAN: Учебное пособие в 2 частях. М.: МИИТ, 2003. (130+174) с.
  20.  Горбушин А.Р., Ишмуратов Ф.З., Нгуен В.Н. Исследование зависимости упругих деформаций «жестких» аэродинамических моделей от их геометрических и конструкционных параметров // Вестник Московского авиационного института. 2022. Т. 29. № 2. С. 45-60. DOI: 10.34759/vst-2022-2-45-60
  21.  Jin R., Chen W., Sudjianto A. An efficient algorithm for constructing optimal design of computer experiments // Journal of Statistical Planning and Inference. 2005. Vol. 134. No. 1, pp. 268-287. DOI: 10.1016/jspi.2004.02.014
  22.  Zhao M., Cui W. Application of the optimal Latin hypercube design and radial basis function network to collaborative optimization // Journal of Marine Science and Application. 2007. Vol. 6. No. 3, pp. 24-32. DOI: 10.1007/s11804-007-7012-6
  23.  Аттетков А.В., Галкин С.В., Зарубин В.С. Методы оптимизации: Учеб. 2-е изд.  М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. 440 с.
  24.  Deb K., Pratap A., Agrawal S., Meyarivan T. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II // IEEE Transactions on Evolutionary Computation. 2002. Vol. 6. No. 2, pp. 182-197. DOI: 10.1109/4235.996017
  25.  Deb K., Agrawal S., Pratap A., Meyarivan T. A Fast Elitist Non-dominated Sorting Genetic Algorithm for Multi-objective Optimization: NSGA-II // In: Schoenauer M. et al. Parallel Problem Solving from Nature PPSN VI. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg. PPSN 2000. Vol. 1917, pp 849–858. DOI: 10.1007/3-540-45356-3_83
  26.  Lunghitano A., Afonso F., Suleman A. A Study on the Surrogate-Based Optimization of Flexible Wings Considering a Flutter Constraint // Applied Science. 2024. Vol. 14. No. 6: 2384. DOI: 10.3390/app14062384

mai.ru — информационный портал Московского авиационного института

© МАИ, 1994-2025