翼型優化
關注創建者：sjktzy 創建時間：2020-04-19
翼型優化的視頻教程
Isight集成Matlab+ICEM+FLUENT翼型優化分析
本視頻詳細介紹Isight集成Matlab、ICEM、FLUENT這三個軟件進行飛機/扇葉/螺旋槳/旋翼等的翼型氣動優化的每一步操作流程；通過此案例可以高效提升指定翼型的性能！ 包含Matlab編程與調用，ICEM的rpl文件編寫，Fluent的jou文件編寫，bat文件編寫等優化所需的每個文件的生成；本次操作沒有過度關注每一部分設置的細節，主要是為了大家熟悉操作，搭建整個優化集成模型！
￥99 1小時6分鐘 2948播放
查看
在Isight平臺上進行的基于CST參數化+Xfoil的無人機翼型優化
氣動計算模塊準備 2、翼型優化-Isight集成和優化設置 3、翼型優化-課程總結和注意事項
￥249 1小時10分鐘 569播放
查看
翼型優化的實例教程
NACA0012翼型攻角優化 ￥15
案例描述：NACA0012翼型使用CFX進行流體分析，使用DesignXplorer進行響應面優化。
但是，通過優化機翼的形狀（如攻角，襟翼角度等）使得飛機的升力系數最大，阻力最小，同時滿足飛機總量最輕，獲得良好的戰斗機飛行作戰能力，而這些目標值往往都是相互矛盾，相互影響的，所以通過modeFRONTIER軟件優化功能和MCDM功能最終獲得一個最適合飛機飛行環境和最佳性能的機翼翼型。
模型和CFD分析
尾翼由三個翼型和兩側端板組成，為了優化其氣動性能，使用CAESE對尾翼進行參數化建模。優化過程所采用的基準設計模型是對3個翼型位置進行優化后得到的。本文所有CFD計算均采用STAR-CCM+。
尾翼的軸對稱模型：由下翼（主翼）、中翼和上翼組成
尾翼優化的兩個步驟
第一步，對尾翼進行二維優化，研究3個翼型之間最佳的相互作用。第二步，對三維尾翼進行流體仿真，從而優化端板。第二步優化需基于第一步的二維結果，并在此基礎上結合端板進行優化。
主翼的形狀、主翼和中翼的縱向和垂直位置以及上翼的迎角都是可以自動變化的。對于每一個生成狀的設計模型，都以CAESES連接求解器實現自動分析。
幾何約束
為了防止生成失敗的模型，需要在優化過程中設置一些幾何約束條件。比如，為了防止翼型相交或接觸，需要改變翼型的相對位置和攻角變化。因此對以下兩條曲線進行定義和監測：第一條線連接主翼的尾緣和中翼的前緣，第二條直線連接中翼的尾緣和上翼的前緣。
以下動畫顯示了主翼的形狀，三個翼型的攻角以及主翼和中翼的垂直和縱向位置的變化。
CAESES幾何模型的生成：確保3個翼型不接觸或相交
二維優化
采用CAESES集成的Sobol采樣算法生成一組隨機的三翼型剖面進行優化。在此DOE優化之后，對性能較好的模型再進行局部優化。為了改變下翼面的形狀，可對基準截面做小范圍的平移和旋轉處理。
展開 圖5 NACA0012上半部設計空間展示
圖6 阻力系數收斂曲線對比
圖7 優化設計翼型外形對比
圖8 優化翼型上表面壓力分布對比
NACA0012壓力系數云圖
基于Kriging模型優化的翼型壓力系數云圖
基于KPCA-Kriging模型優化的翼型壓力系數云圖
圖9 NACA0012翼型與優化翼型的流場壓力云圖對比
針對AIAA氣動優化討論組發布的CRM機翼優化算例：在各個翼剖面最大厚度、機翼力矩系數以及升力系數不減小的情況下最小化阻力系數。結果表明，基于KPCA-Kriging代理優化得到的機翼阻力為205.2 counts，較初始機翼降低了28.9 counts，而基于Kriging代理優化的機翼阻力僅僅降低了14.7 counts。圖10~圖13顯示，基于KPCA-Kriging代理優化方法的收斂過程較基于Kriging代理優化過程顯著更快，最終收斂阻力也顯著更低，并且KPCA-Kriging代理預測誤差顯著小于Kriging代理預測誤差。進一步發現，初始CRM機翼上表面存在較強激波，基于Kriging代理優化得到的機翼上表面激波強度有所減弱，但仍然較強，而基于KPCA-Kriging代理優化得到的機翼上表面僅僅存在非常弱的激波。
展開 模型和CFD分析
尾翼由三個翼型和兩側端板組成，為了優化其氣動性能，使用CAESE對尾翼進行參數化建模。優化過程所采用的基準設計模型是對3個翼型位置進行優化后得到的。本文所有CFD計算均采用STAR-CCM+。
尾翼的軸對稱模型：由下翼（主翼）、中翼和上翼組成
尾翼優化的兩個步驟
第一步，對尾翼進行二維優化，研究3個翼型之間最佳的相互作用。第二步，對三維尾翼進行流體仿真，從而優化端板。第二步優化需基于第一步的二維結果，并在此基礎上結合端板進行優化。
主翼的形狀、主翼和中翼的縱向和垂直位置以及上翼的迎角都是可以自動變化的。對于每一個生成狀的設計模型，都以CAESES連接求解器實現自動分析。
幾何約束
為了防止生成失敗的模型，需要在優化過程中設置一些幾何約束條件。比如，為了防止翼型相交或接觸，需要改變翼型的相對位置和攻角變化。因此對以下兩條曲線進行定義和監測：第一條線連接主翼的尾緣和中翼的前緣，第二條直線連接中翼的尾緣和上翼的前緣。
以下動畫顯示了主翼的形狀，三個翼型的攻角以及主翼和中翼的垂直和縱向位置的變化。
CAESES幾何模型的生成：確保3個翼型不接觸或相交
二維優化
采用CAESES集成的Sobol采樣算法生成一組隨機的三翼型剖面進行優化。在此DOE優化之后，對性能較好的模型再進行局部優化。為了改變下翼面的形狀，可對基準截面做小范圍的平移和旋轉處理。
最優設計和基準模型的對比
最終優化模型的下翼面較基準模型稍向前下方延伸，中翼剖面在位置上沒有明顯變化，上翼部分的最佳設計則是在基準模型的基礎上旋轉了幾度。優化設計和基準設計的CFD結果如下圖所示。
展開 
翼型優化的最新內容
葉片/翼型參數化造型技術5個月前
以葉片和機翼為例，從仿真到風洞，不斷對二維葉型/翼型進行迭代優化。為什么實際型號中要死磕二維呢？
原因很簡單，因為相比三維，二維是心里最有底的，無論試驗可靠性還是成本都是能托底的。問題到了三維復雜構型以后，可能影響到設計指標的東西太多了，牽一發而動全身。有時候改了不如不改。
實操環節：
1、
深度強化學習在翼型優化的應用
2、
基于深度強化學習的矩形柱體主動流動控制（數據與代碼提供給學員）
九、深度強化學習的工程實踐
核心知識點：
1、
掌握定義定義離散動作空間/連續動作空間的方法
實操環節：
1、
深度強化學習在翼型優化的應用
2、
基于深度強化學習的矩形柱體主動流動控制（數據與代碼提供給學員）
九、深度強化學習的工程實踐
核心知識點：
1、
掌握定義定義離散動作空間/連續動作空間的方法
另外，槳葉翼型仍然有優化空間，針對不同半徑位置可對翼型進一步優化以提高效率。
模型優化的翼型壓力系數云圖
圖9 NACA0012翼型與優化翼型的流場壓力云圖對比
針對AIAA氣動優化討論組發布的CRM機翼優化算例：在各個翼剖面最大厚度、機翼力矩系數以及升力系數不減小的情況下最小化阻力系數。
考慮到這些力對空氣動力學穩定性的各種影響，系統工程師和設計人員必須考慮不同高度下的這些壓力差異，以優化翼型設計。
通過壓力梯度模擬優化氣動控制
深入了解氣流行為、垂直和水平方向的壓力差以及感應力對于優化飛機設計以獲得更好的性能非常重要。CFD 分析有助于對飛機周圍的這種流動行為進行數值計算，同時考慮流體特性和邊界層條件。
Zhang等采用有利壓力梯度約束的方法開展了層流翼型的優化設計工作，獲得了滿意的結果；HAN等提出了高速層流翼型的代理模型優化方法，所設計的層流機翼由于激波強度的減弱和層流區域的擴大使得阻力減小了12.1個阻力單位；陳永彬等通過優化激波控制鼓包的位置和外形改善了層流翼型的性能；邢宇等采用代理模型方法優化層流翼型的層流性能，同時基于梯度算法優化層流翼型升阻比，最終獲得了具有55.5%層流的高升阻比層流翼型
張陽等［42］從機翼和翼型的方面考慮了高超聲速飛行器的寬速域翼型優化問題，提出翼型設計對實現寬速域仍具有重要研究價值的觀點；同時有學者提出通過機翼組合變形［
43-45
］、兩級飛行器組合［
46-47
］的方式使得飛行器在亞聲速到高超聲速范圍內有良好氣動性能的設計方法。
目前常用的翼型優化算法主要有控制面法[30]、多目標遺傳算法[31]、粒子群優化算法[32]等.針對長航時無人機翼型，Zhao等[33]通過求解考慮層流轉捩的雷諾平均N-S方程，基于粒子群優化算法，構建了翼型綜合優化設計平臺，尋找可以應用于長航時無人機的最優自然層流翼型.Nikolaev等[34]基于遺傳算法，利用翼展方向的升力系數分布對翼型進行優化，實現了低雷諾數條件下大展弦比機翼的準確計算與快速優化設計
該研究為低雷諾數翼型優化設計提供了方向性的借鑒。
