基于深度自动编码器神经网络的飞行器翼型参数降维与优化设计

传统飞行器翼型参数化描述方法在翼型优化设计研究中因变量较多导致优化效率低、计算工作量大，为此提出一种基于深度自动编码器（DAE）的神经网络模型。将该模型用于翼型优化设计研究中描述参数降维问题，研究经该模型降维后各翼型描述参数的物理意义，并与本征正交分解法（POD）对翼型描述参数降维效果进行对比。在给定的优化设计目标与约束条件下，设计基于代理模型和遗传算法的翼型优化方法，对RAE2822翼型进行跨声速来流下的优化设计，将所提模型与类别形状函数变换法（CST）、POD方法的优化效率与翼型优化效果进行对比。对比结果表明，所提利用DAE神经网络模型的方法优化效率更高，在跨声速来流下对RAE2822进行减阻优化设计结果明显优于CST方法、POD方法。

Parameter Dimensionality Reduction and Optimal Design of Aircraft Airfoil Based on Deep Autoencoder Neural Network