摘要
机翼周围的流动状态直接影响其受力特性,流动特征的识别与分析对保证机翼的气动力研究尤为关键.基于空间流场参数的流动特征识别结果受主观阈值影响大;基于流场快照数据的流动特征分析难以完整表征流场的时变特征,且大范围的流场快照获取难度大,因而其实用性受限.本文基于流场时程数据的低维表征模型提出了无监督自动编码的流场时程特征识别方法.采用深度学习技术充分挖掘时程信号中的隐含的流动特征,建立流场时程数据的低维表征模型;进一步对低维的表征编码进行分析,将包含不同时序特征的测点样本进行特征聚类,实现了基于空间点时程数据的流场特征提取与识别.通过对NACA0012翼型的流场进行特征提取与分析验证了所得流动特征低维表征的准确性,实现了基于流场时程数据的流动分离区自动识别.本文可为相关流场特征提取、特征分析和特征表征等问题的研究提供新的方法与参考.
国家科技期刊平台
NSTL
维普
万方数据