ПРОГНОЗИРОВАНИЕ АЭРОДИНАМИЧЕСКИХ ХАРАКТЕРИСТИК МАЛОСКОРОСТНЫХ САМОЛЕТОВ С РАЗЛИЧНЫМИ АЭРОДИНАМИЧЕСКИМИ СХЕМАМИ С ИСПОЛЬЗОВАНИЕМ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА
Аннотация: предложена суррогатная модель прогнозирования аэродинамических характеристик малоскоростных самолетов различных аэродинамических схем на основе многослойного персептрона. Геометрия самолета параметризована 22 входными переменными, описывающими несущие поверхности, фюзеляж и условия полета. Для формирования обучающей выборки методом Latin Hypercube Sampling было сгенерировано 44 000 вариантов самолетов, аэродинамические характеристики которых определялись в OpenVSP методом вихревой решетки. Архитектура многослойного персептрона оптимизировалась с использованием алгоритма Integer Encoding Differential Evolution, включая количество скрытых слоев, число нейронов, функции активации и параметры обучения. Оптимизированная модель достигла коэффициентов детерминации R² = 0,993, 0,997 и 0,995 для коэффициентов сопротивления, подъемной силы и продольного момента соответственно. По сравнению с OpenVSP время расчета одной конфигурации уменьшилось с 19,5 с до 0,002 с, что делает разработанную модель перспективной для концептуального проектирования и многодисциплинарной оптимизации летательных аппаратов.
Ключевые слова: многослойный персептрон, суррогатная модель, аэродинамическая характеристика, программа OpenVSP, оптимизация гиперпараметров.
1. Введение. На этапе концептуального проектирования самолета требуется многократное определение аэродинамических характеристик большого числа вариантов геометрической компоновки. Традиционные методы аэродинамического анализа, такие как CFD и метод вихревой решетки (VLM), обеспечивают высокую точность, однако требуют значительных вычислительных затрат, что ограничивает их применение в задачах многодисциплинарной оптимизации.
В последние годы для сокращения времени расчетов широко применяются суррогатные модели, основанные на методах машинного обучения. Среди них многослойный персептрон (MLP) показал высокую эффективность при аппроксимации нелинейных зависимостей между геометрическими параметрами летательного аппарата и его аэродинамическими характеристиками. Однако большинство существующих исследований посвящено отдельным элементам самолета или использует нейронные сети с фиксированной архитектурой, что ограничивает точность прогнозирования и способность модели к обобщению. В настоящей работе предложена суррогатная аэродинамическая модель для малоскоростных самолетов различных аэродинамических схем.
Обучающая выборка сформирована методом Latin Hypercube Sampling и включает 44 000 конфигураций самолетов, рассчитанных в OpenVSP методом вихревой решетки. Для повышения точности прогнозирования архитектура многослойного персептрона оптимизирована с использованием алгоритма Integer Encoding Differential Evolution (IEDE). Разработанная модель предназначена для применения в задачах концептуального проектирования и многодисциплинарной оптимизации летательных аппаратов. 2. Методика исследования. 2.1.
Формирование базы данных. Для построения суррогатной модели использовалась параметрическая модель самолета, описываемая 22 входными параметрами, включающими геометрические характеристики несущих поверхностей, фюзеляжа и условия полета. Пространство проектных параметров формировалось методом Latin Hypercube Sampling (LHS), что обеспечило равномерное распределение выборки. В результате было автоматически сгенерировано 44 000 конфигураций самолетов.
Аэродинамические характеристики каждой конфигурации определялись в программном комплексе OpenVSP методом вихревой решетки (Vortex Lattice Method, VLM). В качестве выходных параметров использовались коэффициенты сопротивления Cx, подъемной силы Cy и продольного момента mz. Перед обучением модели входные данные нормализовались методом Min–Max в диапазоне [0,1]. Рис. 1.
Возможные схемы самолетов.2.2. Построение и оптимизация модели MLP. Суррогатная модель реализована на основе многослойного персептрона (MLP) с использованием библиотеки Keras. Качество прогнозирования оценивалось по среднеквадратичной ошибке (RMSE) и коэффициенту детерминации (R²).
Оптимизация архитектуры нейронной сети выполнялась с использованием алгоритма Integer Encoding Differential Evolution (IEDE). В процессе оптимизации определялись количество скрытых слоев, число нейронов, функции активации, размер пакета обучения и число эпох. Полученная архитектура обеспечила высокую точность прогнозирования и хорошую способность к обобщению, что подтверждено результатами тестирования на независочной выборке. 3. Результаты и обсуждение.
В результате оптимизации с использованием алгоритма Integer Encoding Differential Evolution (IEDE) была получена архитектура многослойного персептрона, обеспечивающая высокую точность прогнозирования аэродинамических характеристик самолета. Оптимальная модель включала пять скрытых слоев с комбинированным использованием функций активации ReLU и Sigmoid. Результаты тестирования показали высокое совпадение между прогнозируемыми и расчетными значениями аэродинамических коэффициентов (рис. 3). Коэффициенты детерминации составили R² = 0,993 для коэффициента сопротивления, 0,997 для коэффициента подъемной силы и 0,995 для коэффициента продольного момента, что подтверждает высокую точность разработанной модели.
Рис. 3. Регрессионный анализ итоговой архитектуры MLP на этапе тестирования: (а) коэффициент сопротивления (R2=0.993, MAE = 0.0008), (б) коэффициент подъемной силы (R2=0.997, MAE = 0.0196), (в) коэффициент момента тангажа (R2=0.995, MAE = 0.0654). P-Predict, T-Target, BLF-Best Linear Fit.Для независочной выборки из 50 конфигураций самолетов среднее относительное отклонение результатов MLP от расчетов OpenVSP не превышало 5%. При этом время прогнозирования одной конфигурации составило около 0,002 с по сравнению с 19,5 с при расчете методом вихревой решетки в OpenVSP.
Таким образом, предложенная суррогатная модель обеспечивает существенное сокращение вычислительных затрат при сохранении высокой точности, что делает ее эффективным инструментом для концептуального проектирования и многодисциплинарной оптимизации летательных аппаратов. 4. Заключение. В работе разработана суррогатная модель прогнозирования аэродинамических характеристик малоскоростных самолетов различных аэродинамических схем на основе многослойного персептрона. Для формирования обучающей выборки была создана база данных из 44 000 конфигураций самолетов, рассчитанных в программном комплексе OpenVSP.
Оптимизация архитектуры MLP с использованием алгоритма Integer Encoding Differential Evolution позволила повысить точность прогнозирования аэродинамических коэффициентов. Разработанная модель обеспечивает значения коэффициента детерминации R² выше 0,99 и позволяет сократить время расчета одной конфигурации с 19,5 с до 0,002 с по сравнению с OpenVSP. Полученные результаты подтверждают эффективность предложенного подхода и возможность его применения в задачах концептуального проектирования и многодисциплинарной оптимизации летательных аппаратов.
Полная версия статьи PDF
Номер журнала «Вестник науки» № 7 (100) том 4
Ссылка для цитирования:
ПРОГНОЗИРОВАНИЕ АЭРОДИНАМИЧЕСКИХ ХАРАКТЕРИСТИК МАЛОСКОРОСТНЫХ САМОЛЕТОВ С РАЗЛИЧНЫМИ АЭРОДИНАМИЧЕСКИМИ СХЕМАМИ С ИСПОЛЬЗОВАНИЕМ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА // Журнал «Вестник науки» от 26 июля 2026 г. № 7 (100) том 4. С. 292 - 299. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/32594 (дата обращения: 18.11.2026 г.)
Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/32594
Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com
