基于卷积神经网络和多项式混沌方法的翼型鲁棒性优化

高远，闫妍，周磊，李典，郝海兵

（航空工业西安航空计算技术研究所 第七研究室，西安710065）

0 引言

在大展弦比飞行器气动外形的设计过程中，翼型的气动优化设计至关重要。何萌等［1］对超临界翼型RAE2822进行了优化，并研究了其中的多极值问题；陈笑天等［2］研究了针对旋翼翼型的高速综合气动优化设计方法；李春鹏等［3］针对自适应后缘翼型发展了气动优化设计方法。上述基于气动数值模拟的翼型优化设计是在确定条件下进行的，当条件受到扰动发生变化时，最优翼型的性能可能会有所恶化。为了缓解非设计点性能可能会恶化的问题，引入了翼型鲁棒性优化设计方法，在设计状态下对翼型的气动性能进行优化，同时兼顾设计点一定变化范围内气动性能的稳定性［4］。

与确定性优化设计相比，鲁棒性优化的一个显著特点是在优化过程中不断地进行不确定度量化，即计算系统关于随机变量的不确定性响应。最常用的不确定度量化方法为蒙特卡洛法，该方法是一种最简单的评估方法，可以很方便地计算响应量的概率分布，而且预测精度较高。但是对于该方法而言，若要使响应量的期望概率水平达到10-N的 要 求，样 本 点 的 数 量 至 少 应 为10N+2［5］。即便应用拉丁超立方抽样技术进行了改进，提高了分析效率，但是蒙特卡洛方法仍然具有计算样本量较大的问题。因而在翼型鲁棒性优化设计中，需要进行大量的CFD计算，计算代价很大［6］。

针对这一问题，国内外开展了广泛研究。……