一种高泛化能力的神经网络气动力降阶模型

作     者：尹明朗 寇家庆 张伟伟 Yin Minglang;Kou Jiaqing;Zhang Weiwei

作者机构：西北工业大学翼型叶栅空气动力学国家重点实验室陕西西安710072 布朗大学工程学院美国普罗文登02906 

出 版 物：《空气动力学学报》 (Acta Aerodynamica Sinica)

年 卷 期：2017年第35卷第2期

页      面：205-213页

核心收录：

学科分类：080103[工学-流体力学] 08[工学] 080104[工学-工程力学] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家自然科学基金(11572252) 国家自然科学基金优秀青年科学基金(11622220) 国家高等学校学科创新引智计划("111"计划)(B17037) 

主　　题：非定常气动力 降阶模型 神经网络 泛化能力 验证信号 

摘      要：神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足。针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测。采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小。训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号。算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强。