基于POD和代理模型的热气防冰性能预测方法

doi:10.7527/S1000-6893.2022.26992

结冰和防冰研究专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于POD和代理模型的热气防冰性能预测方法

杨倩, 郭晓峰, 李芹, 董威()

上海交通大学机械与动力工程学院，上海 200240

收稿日期:2022-01-25 修回日期:2022-02-15 接受日期:2022-03-25 出版日期:2023-01-15 发布日期:2022-03-30
通讯作者: 董威 E-mail:wdong@sjtu.edu.cn
基金资助:
国家科技重大专项(J2019-III-0010-0054)

Hot air anti-icing performance estimation method based on POD and surrogate model

Qian YANG, Xiaofeng GUO, Qin LI, Wei DONG()

School of Mechanical Engineering，Shanghai Jiao Tong University，Shanghai 200240，China

Received:2022-01-25 Revised:2022-02-15 Accepted:2022-03-25 Online:2023-01-15 Published:2022-03-30
Contact: Wei DONG E-mail:wdong@sjtu.edu.cn
Supported by:
National Science and Technology Major Project(J2019-III-0010-0054)

摘要/Abstract

摘要：

大型客机机翼、短舱多采用热气防冰作为主要防冰策略。为了缩短热气防冰系统优化设计周期，提出了基于本征正交分解和代理模型的防冰性能快速预测方法。采用本征正交分解对数值仿真积累的温度和溢流水快照进行特征分析，选取包含绝大部分样本特征的基模态线性拟合所有快照；基于支持向量机回归方法建立笛形管结构参数与线性拟合系数间的代理模型，实现对热气防冰蒙皮外表面温度分布和溢流水分布的快速预测。针对三维缝翼笛形管热气防冰系统开展的验证表明：该方法对防冰表面温度分布的预测效果较好，并能够较为准确地预测水滴撞击区域内的溢流水分布；建立的预测方法计算成本较数值计算方法大幅降低，对于热气防冰系统优化设计工作具有重要意义。

关键词: 热气防冰, 性能预测, 本征正交分解, 代理模型, 支持向量机回归

Abstract:

Most large civil aircraft use hot air anti-icing systems as anti-icing strategies for airfoils and nacelles. A novel estimation method for hot air anti-icing system performance based on Proper Orthogonal Decomposition （POD） and surrogate models is proposed to shorten the design cycle of hot air anti-icing system. POD is adopted for data compression and characteristics extraction for the anti-icing performance snapshot matrix obtained by numerical calculation， and a lower-dimensional approximation for the snapshot matrix is derived from the projection subspace consisting of a set of basis modes. Support vector regression method is used to construct the surrogate models between the fitting coefficients of basis modes and the piccolo tube geometric parameters. The validation of the estimation method on a three-dimensional slat piccolo tube hot air anti-icing system shows that this method has a good surface temperature prediction and can accurately predict the runback water distribution within the droplet impingement area. The time consumption of the established estimation method reduces significantly compared to the numerical simulation method， which is of great significance for the hot air anti-icing system optimal design.

Key words: hot air anti-icing, performance estimation, proper orthogonal decomposition, surrogate model, support vector regression

中图分类号:

V221⁺.92

杨倩, 郭晓峰, 李芹, 董威. 基于POD和代理模型的热气防冰性能预测方法[J]. 航空学报, 2023, 44(1): 626992-626992.

Qian YANG, Xiaofeng GUO, Qin LI, Wei DONG. Hot air anti-icing performance estimation method based on POD and surrogate model[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(1): 626992-626992.

图/表 18

图 1

图 2

图 3

图 4

图 5

表 1

热气防冰结构参数取值区间

Parameter	Range
L/mm	［20， 40］
$x p i c$ /mm	［5， 20］
$y p i c$ /mm	［-10， 10］
$θ 0$ /（°）	［-20， 20］
$θ 1$ /（°）	［0， 45］

表 1

表 2

训练样本

No.	L/mm	$x p i c$ /mm	$y p i c$ /mm	$θ 0$ /（°）	$θ 1$ /（°）
1	31.49	17.99	-5.23	2.78	13.52
2	37.95	6.21	5.95	-1.02	32.56
3	23.21	15.41	5.01	0.10	20.05
4	25.39	6.11	0.33	14.34	7.76
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
1 000	20.55	17.56	0.01	15.50	2.50

表 2

表 3

测试样本

No.	L/mm	$x p i c$ /mm	$y p i c$ /mm	$θ 0$ /（°）	$θ 1$ /（°）
1	39.75	15.19	1.15	8.10	40.84
2	30.45	5.19	-2.35	-8.50	11.36
3	38.45	18.19	3.95	-9.90	12.49
4	21.45	-2.06	0.75	-8.90	26.44
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
200	26.05	14.44	3.05	-2.70	23.96

表 3

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

参考文献 30

1	桂业伟，周志宏，李颖晖，等. 关于飞机结冰的多重安全边界问题［J］. 航空学报， 2017， 38（2）： 520734.
	GUI Y W， ZHOU Z H， LI Y H， et al. Multiple safety boundaries protection on aircraft icing［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（2）： 520734 （in Chinese）.
2	李浩然，段玉宇，张宇飞，等. 结冰模拟软件AERO-ICE中的关键数值方法［J］. 航空学报， 2021， 42（S1）： 726371.
	LI H R， DUAN Y Y， ZHANG Y F， et al. Numerical method of ice-accretion software AERO-ICE［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（S1）： 726371 （in Chinese）.
3	APPIAH-KUBI P. U.S inflight icing accidents and incidents， 2006 to 2010［D］. Knoxville： University of Tennessee， 2011.
4	GREEN S. A study of U.S. inflight icing accidents and incidents， 1978 to 2002［C］∥ 44th AIAA Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 2006.
5	周志宏，易贤，桂业伟，等. 过冷大水滴条件下结冰风洞试验中模型参数的计算方法： CN104268399A［P］. 2015-01-07.
	ZHOU Z H， YI X， GUI Y W， et al. Computing method of model parameters in icing wind tunnel experiment under supercooled large droplet condition： CN104268399A［P］. 2015-01-07 （in Chinese）.
6	杨倩，董威，郭之强，等. 涡扇发动机短舱结冰试验相似方法［J］. 航空动力学报， 2019， 34（9）： 1988-2000.
	YANG Q， DONG W， GUO Z Q， et al. Scaling method of turbofan engine nacelle under icing test［J］. Journal of Aerospace Power， 2019， 34（9）： 1988-2000 （in Chinese）.
7	郁嘉，卜雪琴，林贵平，等. 非结冰气象条件下机翼热气防冰系统数值模拟［J］. 空气动力学学报， 2016， 34（5）： 562-567.
	YU J， BU X Q， LIN G P， et al. Numerical simulation of a wing hot air anti-icing system in dry air conditions［J］. Acta Aerodynamica Sinica， 2016， 34（5）： 562-567 （in Chinese）.
8	郭之强，郑梅，董威，等. 表面凸起对机翼热气防冰腔内换热强化的影响［J］. 航空学报， 2017， 38（2）： 520709.
	GUO Z Q， ZHENG M， DONG W， et al. Influence of surface convex on heat transfer enhancement of wing hot air anti-icing system［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（2）： 520709 （in Chinese）.
9	姜萍. 飞行器热气防冰系统数值模拟与设计［D］. 南京：南京航空航天大学， 2017.
	JIANG P. Numerical simulation and design of airplane’s hot-air anti-icing system［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2017 （in Chinese）.
10	郭辉，徐浩军，刘凌. 基于回归型支持向量机的空战目标威胁评估［J］. 北京航空航天大学学报， 2010， 36（1）： 123-126.
	GUO H， XU H J， LIU L. Target threat assessment of air combat based on support vector machines for regression［J］. Journal of Beijing University of Aeronautics and Astronautics， 2010， 36（1）： 123-126 （in Chinese）.
11	POURBAGIAN M， TALGORN B， HABASHI W G， et al. Constrained problem formulations for power optimization of aircraft electro-thermal anti-icing systems［J］. Optimization and Engineering， 2015， 16（4）： 663-693.
12	YONDO R， ANDRÉS E， VALERO E. A review on design of experiments and surrogate models in aircraft real-time and many-query aerodynamic analyses［J］. Progress in Aerospace Sciences， 2018， 96： 23-61.
13	叶年辉，龙腾，武宇飞，等. 基于Kriging代理模型的约束差分进化算法［J］. 航空学报， 2021， 42（6）： 324580.
	YE N H， LONG T， WU Y F， et al. Kriging-assisted constrained differential evolution algorithm［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（6）： 324580 （in Chinese）.
14	张智超，高太元，张磊，等. 基于径向基神经网络的气动热预测代理模型［J］. 航空学报， 2021， 42（4）： 524167.
	ZHANG Z C， GAO T Y， ZHANG L， et al. Aeroheating agent model based on radial basis function neural network［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524167 （in Chinese）.
15	ROWLEY C W. Model reduction for fluids， using balanced proper orthogonal decomposition［J］. International Journal of Bifurcation and Chaos， 2005， 15（3）： 997-1013.
16	PINNAU R. Model reduction via proper orthogonal decomposition［M］∥Model Order Reduction： Theory， Research Aspects and Applications. Berlin， Heidelberg： Springer， 2008： 95-109.
17	VOLKWEIN S. Model reduction using proper orthogonal decomposition［R］. Graz： Institute of Mathematics and Scientific Computing， University of Graz， 2011.
18	蒋耀林. 模型降阶方法［M］. 北京：科学出版社， 2010.
	JIANG Y L. Model reduction method［M］. Beijing： Science Press， 2010 （in Chinese）.
19	STEIN M. Large sample properties of simulations using Latin hypercube sampling［J］. Technometrics， 1987， 29（2）： 143-151.
20	SMOLA A J， SCHÖLKOPF B. A tutorial on support vector regression［J］.Statistics and Computing， 2004， 14（3）： 199-222.
21	AWAD M， KHANNA R. Support vector regression［M］∥Efficient Learning Machines. Berkeley： Apress， 2015： 67-80.
22	SIROVICH L. Turbulence and the dynamics of coherent structures. I. Coherent structures［J］. Quarterly of Applied Mathematics， 1987， 45（3）： 561-571.
23	SIROVICH L. Turbulence and the dynamics of coherent structures. II. Symmetries and transformations［J］. Quarterly of Applied Mathematics， 1987， 45（3）： 573-582.
24	SIROVICH L. Turbulence and the dynamics of coherent structures. III. Dynamics and scaling［J］. Quarterly of Applied Mathematics， 1987， 45（3）： 583-590.
25	陈希，招启军. 考虑遮蔽区影响的旋翼三维水滴撞击特性计算新方法［J］. 航空学报， 2017， 38（6）： 120745.
	CHEN X， ZHAO Q J. New method for predicting 3-D water droplet impingement on rotor considering influence of shadow zone［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（6）： 120745 （in Chinese）.
26	ZHU J， DONG W， ZHENG M， et al. Numerical investigation of heat and mass transfer on an anti-icing inlet cone［J］. Journal of Propulsion and Power， 2016， 32（3）： 789-797.
27	DONG W， ZHU J， ZHOU Z X， et al. Heat transfer and temperature analysis of an aeroengine strut under icing conditions［J］. Journal of Aircraft， 2015， 52（1）： 216-225.
28	SAN J Y， CHEN J J. Effects of jet-to-jet spacing and jet height on heat transfer characteristics of an impinging jet array［J］. International Journal of Heat and Mass Transfer， 2014， 71： 8-17.
29	GOLDSTEIN R J， BEHBAHANI A I， HEPPELMANN K K. Streamwise distribution of the recovery factor and the local heat transfer coefficient to an impinging circular air jet［J］. International Journal of Heat and Mass Transfer， 1986， 29（8）： 1227-1235.
30	邱亚松，白俊强，华俊. 基于本征正交分解和代理模型的流场预测方法［J］. 航空学报， 2013， 34（6）： 1249-1260.
	QIU Y S， BAI J Q， HUA J. Flow field estimation method based on proper orthogonal decomposition and surrogate model［J］. Acta Aeronautica et Astronautica Sinica， 2013， 34（6）： 1249-1260 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	牛俊杰, 桑为民, 李栋, 郝莲, 王泽林. 一种基于水滴收集量代理模型的结冰试飞空域确定方法[J]. 航空学报, 2023, 44(1): 627697-627697.
[2]	郭琪磊, 桑为民, 牛俊杰, 袁烨. 复杂气象条件下考虑结冰风险的无人机飞行策略[J]. 航空学报, 2023, 44(1): 627518-627518.
[3]	童福林, 董思卫, 段俊亦, 李新亮. 激波/湍流边界层干扰分离泡直接数值模拟[J]. 航空学报, 2022, 43(7): 125437-125437.
[4]	胡嘉欣, 芮姝, 高瑞朝, 苟建军, 龚春林. 飞行器结构布局与尺寸混合优化方法[J]. 航空学报, 2022, 43(5): 225363-225363.
[5]	李海泉, 陈小前, 左林玄, 赵卓林. 基于随机森林的飞行载荷代理模型分析方法[J]. 航空学报, 2022, 43(3): 225640-225640.
[6]	叶年辉, 龙腾, 武宇飞, 唐亦帆, 史人赫. 基于Kriging代理模型的约束差分进化算法[J]. 航空学报, 2021, 42(6): 324580-324580.
[7]	张智超, 高太元, 张磊, 拓双芬. 基于径向基神经网络的气动热预测代理模型[J]. 航空学报, 2021, 42(4): 524167-524167.
[8]	胡伟杰, 黄增辉, 刘学军, 吕宏强. 基于自动核构造高斯过程的导弹气动性能预测[J]. 航空学报, 2021, 42(4): 524093-524093.
[9]	范周伟, 余雄庆, 王朝, 钟伯文. 基于深度神经网络的客机总体设计参数敏感性分析[J]. 航空学报, 2021, 42(4): 524353-524353.
[10]	贾贝熙, 吕震宙, 雷婧宇. 涡轮冷却叶片寿命可靠性分析参数化仿真平台[J]. 航空学报, 2021, 42(12): 224747-224747.
[11]	童福林, 周桂宇, 孙东, 李新亮. 膨胀效应对激波/湍流边界层干扰的影响[J]. 航空学报, 2020, 41(9): 123731-123731.
[12]	李春娜, 张阳康. 一种适用于气动优化的高效自适应全局优化方法[J]. 航空学报, 2020, 41(5): 623352-623352.
[13]	韩忠华, 许晨舟, 乔建领, 柳斐, 池江波, 孟冠宇, 张科施, 宋文萍. 基于代理模型的高效全局气动优化设计方法研究进展[J]. 航空学报, 2020, 41(5): 623344-623344.
[14]	魏闯, 杨龙, 李春鹏, 张铁军. ARI_OPT气动优化软件研究进展及应用综述[J]. 航空学报, 2020, 41(5): 623370-623370.
[15]	童福林, 孙东, 袁先旭, 李新亮. 超声速膨胀角入射激波/湍流边界层干扰直接数值模拟[J]. 航空学报, 2020, 41(3): 123328-123328.

基于POD和代理模型的热气防冰性能预测方法

Hot air anti-icing performance estimation method based on POD and surrogate model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价