基于NSGA-Ⅲ-SAM算法的冲压发动机喷管性能预测

doi:10.7527/S1000-6893.2024.30910

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于NSGA-Ⅲ-SAM算法的冲压发动机喷管性能预测

闵科, 蔡泽君, 张加乐, 朱呈祥()

厦门大学航空航天学院，厦门 361102

收稿日期:2024-07-05 修回日期:2024-08-02 接受日期:2024-08-11 出版日期:2024-08-21 发布日期:2024-08-20
通讯作者: 朱呈祥 E-mail:chengxiang.zhu@xmu.edu.cn
基金资助:
国家自然科学基金(U21B6003);国家自然科学基金(12202372);1912项目

Scramjet nozzle performance prediction based on NSGA-Ⅲ-SAM algorithm

Ke MIN, Zejun CAI, Jiale ZHANG, Chengxiang ZHU()

School of Aerospace Engineering，Xiamen University，Xiamen 361102，China

Received:2024-07-05 Revised:2024-08-02 Accepted:2024-08-11 Online:2024-08-21 Published:2024-08-20
Contact: Chengxiang ZHU E-mail:chengxiang.zhu@xmu.edu.cn
Supported by:
National Natural Science Foundation of China(U21B6003);1912 Project

摘要/Abstract

摘要：

喷管的排气特性直接影响冲压发动机的整体工作性能，如何实现喷管性能的有效预测，预防其发生急剧变化对于发动机的稳定工作十分关键。在不同飞行条件下对三维非对称喷管进行了数值模拟，搭建了不同马赫数和落压比下的喷管性能预测数据集。考虑到传统多目标优化算法易陷入局部最优的不足，提出了一种模拟退火式变异优化的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-Ⅲ-Simulated Annealing Mutation， NSGA-Ⅲ-SAM），用于提取喷管壁面的最优压力特征。通过以最优压力特征数据作为输入，轴向推力系数、俯仰力矩系数和升力系数作为输出，建立了基于一维卷积神经网络（One Dimension-Convolutional Neural Network， 1D-CNN）的喷管性能参数预测模型，并利用马赫数4.5~6.0过膨胀状态数据对模型进行验证。结果表明，NSGA-Ⅲ-SAM算法所提取的最优压力位置能够使模型具备高精度、快速预测的性能，各性能参数平均绝对误差整体在0.5%范围内，最大绝对误差不超过0.8%，平均预测时间仅需0.6 ms左右。所构建的预测模型及方法能够为喷管性能监测及排气工况调节奠定可靠的技术基础。

关键词: 性能预测, 三维非对称喷管, NSGA-Ⅲ-SAM算法, 壁面最优压力特征, 1D-CNN模型

Abstract:

The exhaust characteristics of a nozzle directly affect the overall performance of the scramjet engine. It is crucial to effectively predict the nozzle performance to prevent drastic changes for the stable operation of the engine. Numerical simulations of three-dimensional asymmetric nozzles under different flight conditions were conducted to build a dataset for predicting nozzle performance at various Mach numbers and nozzle pressure ratios. Considering the limitations of traditional multi-objective optimization algorithms， a Non-dominated Sorting Genetic Algorithm-Ⅲ-Simulated Annealing Mutation （NSGA-Ⅲ-SAM） was proposed to extract the optimal wall pressure measurement points for the nozzle. By using the optimal pressure characteristic data as input and the axial thrust coefficient， pitching moment coefficient， and lift coefficient as outputs， a nozzle performance parameter prediction model based on the One Dimension-Convolutional Neural Network （1D-CNN） was established and validated by the data of over-expanded states at the Mach numbers from 4.5 to 6.0. The results show that the optimal pressure positions extracted by the NSGA-Ⅲ-SAM algorithm enable the model to have high-precision and rapid prediction performance， with the overall average absolute error of all performance parameters being within 0.5%， the maximum absolute error not exceeding 0.8%， and the average prediction time being only about 0.6 ms. The proposed prediction model and method provide a reliable technical foundation for monitoring nozzle performance and adjusting exhaust conditions.

Key words: performance prediction, three-dimensional asymmetric nozzle, NSGA-Ⅲ-SAM algorithm, wall-optimized pressure measurement point, 1D-CNN model

中图分类号:

V219

闵科, 蔡泽君, 张加乐, 朱呈祥. 基于NSGA-Ⅲ-SAM算法的冲压发动机喷管性能预测[J]. 航空学报, 2025, 46(14): 130910.

Ke MIN, Zejun CAI, Jiale ZHANG, Chengxiang ZHU. Scramjet nozzle performance prediction based on NSGA-Ⅲ-SAM algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(14): 130910.

图/表 21

图 1

图 2

图 3

表 1

图 4

图 5

图 6

图 7

表2

NSGA-Ⅲ-SAM算法各参数初始化设置

参数	初始化值	参数	初始化值
种群规模 $N p$	91	参考点数 $N d$	91
迭代次数 $n m a x$	200	初始温度 $T 0$	1
交叉率 $p c$	0.9	终止温度 $T f$	0.95
变异率 $p m$	0.05	退火速率 $λ$	0.95

表2

图 8

图 9

图 10

图 11

表 3

Pareto前沿最优个体统计结果

算法	最优个体（特征组合）	目标函数（均方误差）
NSGA-Ⅲ算法	$4, 7, 15, 18, 28,30, 42, 45, 46, 49$	［0.287 8%， 0.304 0%， 0.320 5%］^T
NSGA-Ⅲ-SAM算法	$6, 8, 9, 20, 43, 47$	［0.264 2%， 0.247 2%， 0.257 2%］^T

表 3

图 12

表4

1D-CNN网络结构参数

序号	网络层类型	核尺寸	通道数	步长	填充操作	输出尺寸
1	上采样层					$50 × 1$
2	卷积层1	$3 × 1$	16	3	是	$50 × 16 × 1$
3	池化层1	$2 × 1$		2	否	$25 × 16 × 1$
4	卷积层2	$3 × 1$	32	3	是	$25 × 32 × 1$
5	池化层2	$2 × 1$		2	否	$12 × 32 × 1$
6	全连接层1					$64 × 1$
7	全连接层2					$3 × 1$

表4

图 13

图 14

图 15

表5

测试工况的模型测试结果指标统计

测试工况	平均绝对误差 $ζ / %$			最大绝对误差 $ζ m a x / %$
测试工况	$C T$	$C m$	$C L$	$C T$	$C m$	$C L$
Ma=4.5， NPR=67.83	0.444 8	0.687 2	0.061 0	0.451 2	0.771 3	0.190 9
Ma=5.0， NPR=131.52	0.177 1	0.573 9	0.552 9	0.196 9	0.752 8	0.626 7
Ma=5.5， NPR=240.67	0.077 7	0.633 4	0.626 6	0.105 5	0.712 8	0.682 2
Ma=6.0， NPR=41.09	0.064 9	0.105 0	0.051 6	0.124 4	0.205 9	0.091 5
Ma=4.5~6.0整体	0.191 1	0.499 8	0.323 1	0.451 2	0.771 3	0.682 2

表5

图 16

参考文献 27

[1]	林鹏，庄福建，曲林锋，等．高超声速飞机尾喷管设计－制造与验证技术发展综述［J］. 航空学报， 2022， 43（6）： 52-62.
	LIN P， ZHUANG F J， QU L F， et al. Technological development in hypersonic nozzle design， manufacture and validation： A review‍［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（6）： 52-62 （in Chinese）.
[2]	徐惊雷. 超燃冲压及TBCC组合循环发动机尾喷管设计方法研究进展［J］. 推进技术， 2018， 39（10）： 2236-2251.
	XU J L. Research progress of nozzle design method for scramjet and turbine based combined cycle［J］. Journal of Propulsion Technology， 2018， 39（10）： 2236-2251 （in Chinese）.
[3]	LV Z， XU J L， SONG G T， et al. Review on the aerodynamic issues of the exhaust system for scramjet and turbine based combined cycle engine［J］. Progress in Aerospace Sciences， 2023， 143： 1-35.
[4]	LI J P， SONG W Y， XING Y， et al. Influences of geometric parameters upon nozzle performances in scramjets［J］. Chinese Journal of Aeronautics， 2008， 21（6）： 506-511.
[5]	于洋. RBCC单边膨胀喷管过膨胀流动分离现象及机理研究［D］. 南京：南京航空航天大学， 2017.
	YU Y. Study on over-expansion flow separation phenomenon and mechanism of RBCC unilateral expansion nozzle［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2017 （in Chinese）.
[6]	HIRAIWA T， TOMIOKA S， UEDA S， et al. Performance variation of scramjet nozzle at various nozzle pressure ratios［J］. Journal of Propulsion and Power， 1995， 11（3）： 403-408.
[7]	晏至辉，刘卫东. 超燃冲压发动机尾喷管数值分析［J］. 导弹与航天运载技术， 2006（5）： 50-52.
	YAN Z H， LIU W D. Numericla simulation to scramjet nozzle’s performance under different external flow condition and nozzle pressure ratio［J］. Missiles and Space Vehicles， 2006（5）： 50-52 （in Chinese）.
[8]	文科，李旭昌，马岑睿，等. 不同入口马赫数对超燃冲压发动机尾喷管的性能影响研究［J］. 火箭推进， 2011， 37（3）： 18-21.
	WEN K， LI X C， MA C R， et al. Influence of nozzle inlet Mach number on performance of scramjet nozzle［J］. Journal of Rocket Propulsion， 2011， 37（3）： 18-21 （in Chinese）.
[9]	文科，李旭昌，马岑睿，等. 超燃冲压发动机尾喷管性能数值模拟研究［J］. 弹箭与制导学报， 2011， 31（5）： 125-128.
	WEN K， LI X C， MA C R， et al. Numerical simulation research on nozzle performance of scramjet［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2011， 31（5）： 125-128 （in Chinese）.
[10]	全志斌，徐惊雷，李斌，等. 超燃冲压发动机尾喷管非均匀进口的冷流试验与数值模拟［J］. 航空学报， 2013， 34（10）： 2308-2315.
	QUAN Z B， XU J L， LI B， et al. Cold flow experiment and numerical simulation on nonuniform entrance flow of scramjet nozzle［J］. Acta Aeronautica et Astronautica Sinica， 2013， 34（10）： 2308-2315 （in Chinese）.
[11]	LV Z， XU J L， YU K K， et al. Experimental and numerical investigations of a scramjet nozzle at various operations［J］. Aerospace Science and Technology， 2020， 96： 105536.
[12]	SUN Y F， DUAN C X， LI R F， et al. Combined effects of inlet airflow temperature and upper expansion angle on the performance of scramjet nozzle［J］. Aircraft Engineering and Aerospace Technology， 2022， 94（7）： 1037-1046.
[13]	贺旭照，秦思，卫锋，等. 吸气式高超声速飞行器非均匀尾喷流试验［J］. 航空学报， 2017， 38（3）： 120199.
	HE X Z， QIN S， WEI F， et al. Test of non-uniform nozzle plume for air-breathing hypersonic vehicle‍［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（3）： 120199 （in Chinese）.
[14]	YU D R， CHANG J T， BAO W， et al. Optimal classification criterions of hypersonic inlet start/unstart［J］. Journal of Propulsion and Power， 2007， 23（2）： 310-316.
[15]	CHANG J， YU D， BAO W， et al. A CFD assessment of classifications for hypersonic inlet start/unstart phenomena［J］. The Aeronautical Journal， 2009， 113（1142）： 263-271.
[16]	DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multi-objective genetic algorithm： NSGA-Ⅱ‍‍［J］. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182-197.
[17]	DEB K， JAIN H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach， part Ⅰ： solving problems with box constraints［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（4）： 577-601.
[18]	ZHANG Q F， LI H. MOEA/D： a multiobjective evolutionary algorithm based on decomposition‍［J］. IEEE Transactions on Evolutionary Computation， 2007， 11（6）： 712-731.
[19]	王青，谷良贤，龚春林. 超燃冲压发动机可调喷管多目标优化设计［J］. 推进技术， 2013， 34（3）： 294-299.
	WANG Q， GU L X， GONG C L. Multi-objective optimization design of adjustable tail nozzle for scramjet engine［J］. Journal of propulsion technology， 2013， 34（3）： 294-299 （in Chinese）.
[20]	石波，盛刚，黄雪刚，等. 吸气式发动机可调喷管调节片结构优化设计［J］. 火箭推进， 2021， 47（3）： 52-59.
	SHI B， SHENG G， HUANG X G， et al. Structural optimization design for variable nozzle flap of airbreathing engines‍［J］. Journal of Rocket Propulsion， 2021， 47（3）： 52-59 （in Chinese）.
[21]	杨洪涛，游广飞，徐亮，等. 超声速风洞喷管冷却结构的多目标优化设计［J］. 航空动力学报， 2023， 38（5）： 1047-1057.
	YANG H T， YOU G F， XU L， et al. Multi-objective optimization design of nozzle cooling structure for supersonic wind tunnel［J］. Journal of Aerospace Dynamics， 2023， 38（5）： 1047-1057 （in Chinese）.
[22]	WANG Z H， SUN X， CHEN S. Multi-objective parameters optimization design of self-excited oscillation pulsed atomizing nozzle［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2019， 41（11）： 510.
[23]	SHENG X， YOU Y X， WU Y， et al. Multi-objective optimization of the geometric parameters of a pressure-swirl nozzle［J］. Journal of the Chinese Institute of Engineers， 2022， 45（8）： 713-723.
[24]	ZHAO Y， ZHENG S J. Nozzle dimension design for aircraft engine infrared signature and thrust active control using MOEA/D‍［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2020， 234（15）： 2133-2138.
[25]	BUFI E A， CINNELLA P. Robust optimization of supersonic ORC nozzle guide vanes［J］. Journal of Physics： Conference Series， 2017， 821： 012014.
[26]	SPAID F， KEENER E. Experimental results for a hypersonic nozzle/afterbody flow field‍［C］‍∥10th Aerospace Sciences Meeting. Reston： AIAA， 1972.
[27]	ZHAO X C. Simulated annealing algorithm with adaptive neighborhood‍［J］. Applied Soft Computing， 2011， 11（2）： 1827-1836.

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

基于NSGA-Ⅲ-SAM算法的冲压发动机喷管性能预测

Scramjet nozzle performance prediction based on NSGA-Ⅲ-SAM algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 21

参考文献 27

相关文章 4

编辑推荐

Metrics

本文评价

马赫数	高度/km	落压比
4.5	24	67.8， 7.78， 77.7， 87.6， 97.5， 117.33
5.0	26	131.5， 136.05， 140.59， 149.66，158.7， 176.87
5.5	27	240.67， 245.0， 249.37， 258.08，266.78， 284.19
6.0	28	413.09， 416.61， 420.1， 427.16， 434.20， 448.26

[1]	楼锦华, 陈荣钱, 柳家齐, 鲍越, 吴昊, 尤延铖. 基于门控扩散模型的飞行器气动性能预测与反设计[J]. 航空学报, 2025, 46(10): 631183-631183.
[2]	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.
[3]	杨晓飞, 蒋永松, 潘若痴, 孟德君. 多级轴流压气机二维性能预测方法[J]. 航空学报, 2020, 41(3): 123515-123515.
[4]	金鑫, 肖文波, 叶国敏, 夏情感, 吴华明, 章文龙, 涂继亮, 何银水. 飞行状态对太阳能飞机中组件性能的影响[J]. 航空学报, 2020, 41(10): 223851-223851.