基于神经网络与遗传算法的热气防冰结构优化OA

热气防冰是飞行器结冰防护的重要技术手段,但传统设计方法多通过数值模拟预测防冰表面温度来实现其结构参数优化,存在设计周期长、设计效率低等问题。本文提出了一种基于混合卷积神经网络(convolutional neural network, CNN)和门控循环单元(gate recurrent unit, GRU)的飞行器防冰表面温度分布预测模型,建立了基于该预测模型和遗传算法的多目标优化设计方法,并将其应用于涡扇发动机进气道热气防冰系统。结果表明:所建立的神经网络模型能够快速且准确地预测防冰表面的温度分布,平均绝对误差小于1.5 K,预测准确度高于95%;基于快速非支配排序遗传算法获得了进气道热气防冰系统一系列满足约束条件的防冰结构优化设计方案。与传统设计方法相比,该优化方法所得结构设计在显著降低引气量的同时提高了防冰区域平均温度,有效提升了热气防冰系统设计效率。本文研究为热气防冰系统的快速高效优化设计提供了一种具有工程应用潜力的数据驱动创新方法。