(中國(guó)飛行試驗(yàn)研究院，西安 710089)

1 引言

隨著航空技術(shù)的不斷發(fā)展，現(xiàn)代戰(zhàn)斗機(jī)的飛行速度和機(jī)動(dòng)性不斷提高，航空發(fā)動(dòng)機(jī)遭遇的進(jìn)氣總壓畸變也更加嚴(yán)重[1-2]，傳統(tǒng)采用預(yù)留足夠穩(wěn)定裕度的發(fā)動(dòng)機(jī)穩(wěn)定性設(shè)計(jì)方法所造成的發(fā)動(dòng)機(jī)性能損失將變得不可接受。為解決發(fā)動(dòng)機(jī)性能和穩(wěn)定裕度的矛盾，畸變?nèi)菹蘅刂萍夹g(shù)得到了發(fā)展和應(yīng)用[3]?；?nèi)菹蘅刂萍夹g(shù)將發(fā)動(dòng)機(jī)進(jìn)口畸變特征參數(shù)加入到發(fā)動(dòng)機(jī)控制系統(tǒng)中，根據(jù)進(jìn)氣畸變水平動(dòng)態(tài)調(diào)節(jié)發(fā)動(dòng)機(jī)的穩(wěn)定工作裕度，在畸變小時(shí)減小穩(wěn)定裕度以提高發(fā)動(dòng)機(jī)性能，在畸變較大時(shí)擴(kuò)大穩(wěn)定裕度以確保發(fā)動(dòng)機(jī)穩(wěn)定工作[4]。NASA 在1983 年至1987年和1993年至1998年分別開展了HIDEC(高度集成度數(shù)字電子控制)項(xiàng)目[5-6]和HISTEC(高穩(wěn)定性發(fā)動(dòng)機(jī)控制)項(xiàng)目[7-8]，目的就是演示驗(yàn)證發(fā)動(dòng)機(jī)穩(wěn)定性增強(qiáng)技術(shù)。

發(fā)動(dòng)機(jī)畸變?nèi)菹蘅刂萍夹g(shù)實(shí)現(xiàn)的一個(gè)重要基礎(chǔ)，是在飛行中實(shí)時(shí)估算發(fā)動(dòng)機(jī)進(jìn)口總壓畸變水平。在發(fā)動(dòng)機(jī)穩(wěn)定試驗(yàn)和試飛中，通常采用在發(fā)動(dòng)機(jī)進(jìn)口安裝流場(chǎng)測(cè)量耙的直接測(cè)量方法獲取進(jìn)口流場(chǎng)數(shù)據(jù)[9-11]。但由于飛行中機(jī)體振動(dòng)、過(guò)載大，測(cè)量耙長(zhǎng)期裝機(jī)使用一旦出現(xiàn)結(jié)構(gòu)損壞將嚴(yán)重威脅飛機(jī)安全[12]，因此測(cè)量耙的流場(chǎng)測(cè)量方式并不適用于畸變?nèi)菹蘅刂萍夹g(shù)。HIDEC項(xiàng)目基于飛行控制、大氣數(shù)據(jù)等預(yù)測(cè)攻角、側(cè)滑角的變化間接表征發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)畸變的變化[5-6]；HISTEC 項(xiàng)目則采用了基于有限測(cè)量的流場(chǎng)畸變估算方法，通過(guò)測(cè)量少量的內(nèi)、外壁面動(dòng)態(tài)靜壓解算發(fā)動(dòng)機(jī)進(jìn)口總壓畸變指數(shù)[7-8]。HISTEC 項(xiàng)目研究結(jié)果表明，基于壁面靜壓數(shù)據(jù)的總壓畸變重構(gòu)方法較基于飛行參數(shù)的畸變預(yù)測(cè)方法準(zhǔn)確性更高，且該方法僅與發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)分布有關(guān)，重構(gòu)效果不受配裝發(fā)動(dòng)機(jī)的影響，所建立的分析模型通用性較強(qiáng)。法國(guó)航空航天實(shí)驗(yàn)室的Grenson等[13]基于S彎進(jìn)氣道非定常數(shù)值仿真流場(chǎng)結(jié)果，分別采用神經(jīng)網(wǎng)絡(luò)、線性隨機(jī)估計(jì)和二階隨機(jī)估計(jì)方法，驗(yàn)證了基于壁面靜壓進(jìn)行總壓畸變流場(chǎng)和畸變指數(shù)重構(gòu)的可行性。國(guó)內(nèi)學(xué)者在畸變預(yù)測(cè)方面也有所研究[14-15]，但鮮有涉及畸變?nèi)菹蘅刂频幕儗?shí)時(shí)解算方面的工作。本文以某型飛機(jī)進(jìn)/發(fā)試飛數(shù)據(jù)為基礎(chǔ)，采用神經(jīng)網(wǎng)絡(luò)方法開展發(fā)動(dòng)機(jī)進(jìn)口總壓流場(chǎng)和穩(wěn)態(tài)周向畸變指數(shù)的重構(gòu)研究，并對(duì)模型重構(gòu)準(zhǔn)確性和適用性進(jìn)行分析，以期為國(guó)內(nèi)航空發(fā)動(dòng)機(jī)畸變?nèi)菹蘅刂萍夹g(shù)的研發(fā)和應(yīng)用提供參考。

2 建模數(shù)據(jù)樣本

進(jìn)氣總壓畸變重構(gòu)研究以某型飛機(jī)進(jìn)氣道/發(fā)動(dòng)機(jī)相容性試飛測(cè)量數(shù)據(jù)為基礎(chǔ)，包括發(fā)動(dòng)機(jī)進(jìn)口截面穩(wěn)態(tài)壓力數(shù)據(jù)和關(guān)鍵飛行參數(shù)。試飛時(shí)進(jìn)氣道流場(chǎng)測(cè)量采用6耙/30測(cè)點(diǎn)的方案，包括30路穩(wěn)態(tài)總壓和6路壁面靜壓。發(fā)動(dòng)機(jī)進(jìn)口穩(wěn)態(tài)壓力測(cè)點(diǎn)分布如圖1 所示，6 支測(cè)量耙等角度均布，耙上測(cè)點(diǎn)按照等環(huán)面原則分布(環(huán)面1～5 依次由內(nèi)至外)；壁面靜壓測(cè)點(diǎn)與測(cè)量耙在同一截面等間隔分布。

圖1 發(fā)動(dòng)機(jī)進(jìn)口面穩(wěn)態(tài)壓力測(cè)點(diǎn)分布Fig.1 The steady pressure probes layout on the engine inlet face

試飛中穩(wěn)態(tài)壓力和飛行參數(shù)采樣頻率為16 Hz，單架次記錄數(shù)據(jù)達(dá)到35 000至45 000行，為了在保留數(shù)據(jù)有效信息的同時(shí)降低數(shù)據(jù)規(guī)模和后續(xù)計(jì)算量，將試飛數(shù)據(jù)中相近的樣本剔除?？紤]到本文研究主要以壁面靜壓作為畸變重構(gòu)的輸入?yún)?shù)，故采用壁面靜壓作為篩選判斷條件。數(shù)據(jù)分析發(fā)現(xiàn)，穩(wěn)態(tài)飛行過(guò)程壁面靜壓波動(dòng)幅值不大于0.3 kPa，故將0.3 kPa作為數(shù)據(jù)篩選時(shí)的判定標(biāo)準(zhǔn)：若任意一個(gè)壁面靜壓測(cè)點(diǎn)在不同時(shí)刻記錄的數(shù)據(jù)之差絕對(duì)值大于0.3 kPa，則判定這兩個(gè)樣本為不同樣本，均存儲(chǔ)到篩選樣本集中；反之，則認(rèn)為是相同樣本，僅存儲(chǔ)最先遇到的樣本。采用該方法對(duì)所有架次試飛數(shù)據(jù)進(jìn)行篩選，總數(shù)據(jù)樣本減少到了13 880 行，有效降低了樣本規(guī)模。

3 畸變重構(gòu)的神經(jīng)網(wǎng)絡(luò)方法

發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)畸變重構(gòu)研究采用BP 神經(jīng)網(wǎng)絡(luò)方法，并利用型號(hào)試飛數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立基于壁面靜壓或組合數(shù)據(jù)的發(fā)動(dòng)機(jī)進(jìn)口總壓畸變重構(gòu)模型。神經(jīng)網(wǎng)絡(luò)模型分別以30 個(gè)穩(wěn)態(tài)總壓測(cè)點(diǎn)數(shù)據(jù)和穩(wěn)態(tài)周向畸變指數(shù)[1]為重構(gòu)目標(biāo)，采用不同的輸入?yún)?shù)組合，建立了三種BP 神經(jīng)網(wǎng)絡(luò)模型，具體見表1。由于實(shí)際試飛測(cè)量中未測(cè)量發(fā)動(dòng)機(jī)進(jìn)口中心點(diǎn)的總壓，為了分析中心點(diǎn)總壓對(duì)畸變重構(gòu)結(jié)果的影響，采用最內(nèi)環(huán)6 個(gè)測(cè)點(diǎn)的總壓平均值等效作為發(fā)動(dòng)機(jī)進(jìn)口中心點(diǎn)總壓(以下簡(jiǎn)稱中心點(diǎn)總壓)?；谌N神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，分別建立總壓流場(chǎng)分布重構(gòu)神經(jīng)網(wǎng)絡(luò)模型和畸變指數(shù)重構(gòu)神經(jīng)網(wǎng)絡(luò)模型。所有神經(jīng)網(wǎng)絡(luò)模型均采用3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，2 層隱含層神經(jīng)元數(shù)均為30。神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)將13 880 組樣本按比例隨機(jī)分為三個(gè)樣本集：70%的樣本作為訓(xùn)練樣本集，參與神經(jīng)網(wǎng)絡(luò)訓(xùn)練；15%的樣本作為驗(yàn)證樣本集，用于在訓(xùn)練過(guò)程中檢查模型的泛化能力和判斷是否出現(xiàn)過(guò)擬合；另外15%的樣本作為最終的測(cè)試樣本集，用于神經(jīng)網(wǎng)絡(luò)最終的泛化能力測(cè)試。后文中均是在測(cè)試樣本集上對(duì)各神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。

表1 神經(jīng)網(wǎng)絡(luò)模型輸入輸出參數(shù)Table 1 The neural networks input and output parameters

4 神經(jīng)網(wǎng)絡(luò)模型重構(gòu)結(jié)果分析

4.1 總壓流場(chǎng)重構(gòu)分析

圖2給出了三種神經(jīng)網(wǎng)絡(luò)模型對(duì)各自測(cè)試樣本集30 個(gè)總壓測(cè)點(diǎn)數(shù)據(jù)的重構(gòu)誤差概率分布?？梢钥闯?，神經(jīng)網(wǎng)絡(luò)模型重構(gòu)的總壓測(cè)點(diǎn)誤差呈正態(tài)分布，三種模型的重構(gòu)誤差在±正態(tài)分布范圍內(nèi)的分布概率分別是97.80%、99.47%和99.67%，模型2 和模型3 較模型1 具有更優(yōu)重構(gòu)精度。圖3 為測(cè)試樣本集上三種神經(jīng)網(wǎng)絡(luò)模型對(duì)30 個(gè)測(cè)點(diǎn)總壓數(shù)據(jù)重構(gòu)的均方誤差(MSE)。圖中，ave為30個(gè)測(cè)點(diǎn)總壓數(shù)據(jù)重構(gòu)均方誤差的平均值，測(cè)點(diǎn)編號(hào)參見圖1。可以看出，模型1除測(cè)點(diǎn)5外各測(cè)點(diǎn)重構(gòu)的均方誤差都小于0.9 kPa，平均值小于0.8 kPa；模型2和模型3各測(cè)點(diǎn)重構(gòu)的均方誤差均小于0.6 kPa，平均值小于0.5 kPa。在模型1輸入?yún)?shù)基礎(chǔ)上，模型2增加了中心點(diǎn)總壓，使得模型對(duì)總壓測(cè)點(diǎn)的重構(gòu)準(zhǔn)確性較模型1大幅提高；模型3輸入?yún)?shù)繼續(xù)加入攻角、側(cè)滑角后，各測(cè)點(diǎn)總壓重構(gòu)均方誤差進(jìn)一步降低。

圖2 神經(jīng)網(wǎng)絡(luò)模型總壓重構(gòu)誤差概率分布Fig.2 The probability distribution of total pressure reconstruction error of the neural networks

圖3 神經(jīng)網(wǎng)絡(luò)30個(gè)總壓測(cè)點(diǎn)重構(gòu)的均方誤差Fig.3 The mean square error of 30 reconstructed total pressure probes data of the neural networks

圖4給出了三種模型所對(duì)應(yīng)的測(cè)量耙各個(gè)測(cè)量環(huán)面(見圖1)總壓測(cè)點(diǎn)重構(gòu)結(jié)果的均方誤差平均值。與發(fā)動(dòng)機(jī)5環(huán)面/30測(cè)點(diǎn)的總壓空間分布相比，建模所采用的6路壁面靜壓均位于發(fā)動(dòng)機(jī)進(jìn)口外壁面，僅為周向的一維分布。對(duì)于模型1，環(huán)面均方誤差由外(環(huán)面1)至內(nèi)(環(huán)面5)逐漸增大，最外側(cè)環(huán)面與壁面靜壓測(cè)點(diǎn)距離最近、相關(guān)性最強(qiáng)，重構(gòu)準(zhǔn)確性也最高；壁面靜壓對(duì)發(fā)動(dòng)機(jī)進(jìn)口中心區(qū)域流場(chǎng)的表征能力不足。模型2和模型3引入中心點(diǎn)總壓后，不僅使得整個(gè)測(cè)量截面測(cè)點(diǎn)的重構(gòu)均方誤差大幅降低，而且還使得各個(gè)環(huán)面重構(gòu)均方誤差的差異減小。模型2和模型3環(huán)面重構(gòu)均方誤差平均值自內(nèi)環(huán)向外環(huán)先增大后減小，最大出現(xiàn)在4環(huán)面，為中心點(diǎn)總壓和外壁面靜壓綜合影響的結(jié)果，仍符合環(huán)面總壓重構(gòu)準(zhǔn)確性隨著距離中心點(diǎn)或外壁面的距離的增加而降低。因此，內(nèi)、外徑兩個(gè)維度的壓力數(shù)據(jù)對(duì)于實(shí)現(xiàn)畸變流場(chǎng)分布的高精度重構(gòu)必不可少。

圖4 測(cè)量耙各個(gè)環(huán)面總壓重構(gòu)的均方誤差平均值Fig.4 The average mean square error of reconstructed total pressure of every ring on the rake

圖5、圖6分別給出了相同發(fā)動(dòng)機(jī)工況下飛機(jī)平飛和攻角、側(cè)滑角組合飛行狀態(tài)，三種神經(jīng)網(wǎng)絡(luò)模型對(duì)發(fā)動(dòng)機(jī)進(jìn)口30 個(gè)測(cè)點(diǎn)總壓數(shù)據(jù)重構(gòu)結(jié)果的均方誤差平均值和飛行參數(shù)的時(shí)間歷程?？梢姡瑢?duì)于平飛狀態(tài)，三種模型的均方誤差平均值都較小，模型2和模型3 的重構(gòu)準(zhǔn)確性相當(dāng)。對(duì)于攻角、側(cè)滑角組合飛行狀態(tài)，當(dāng)出現(xiàn)較大的負(fù)側(cè)滑角時(shí)，模型1和模型2 的總壓數(shù)據(jù)重構(gòu)均方誤差平均值明顯增大，而模型3 的重構(gòu)均方誤差平均值較小且基本維持穩(wěn)定。模型1和模型2的重構(gòu)結(jié)果對(duì)攻角的變化不敏感，當(dāng)側(cè)滑角較小時(shí)，攻角達(dá)到11.0°，其重構(gòu)結(jié)果與模型3 的相當(dāng)；但模型1 和模型2 對(duì)側(cè)滑角較敏感，當(dāng)側(cè)滑角超過(guò)-7.5°時(shí)，其重構(gòu)結(jié)果較模型3 的均方誤差平均值快速增大。

圖5 飛機(jī)平飛狀態(tài)神經(jīng)網(wǎng)絡(luò)模型的重構(gòu)結(jié)果Fig.5 The reconstruction results of the neural networks in the level flight

圖7、圖8分別為圖5中A時(shí)刻和圖6中B時(shí)刻，根據(jù)原始測(cè)量數(shù)據(jù)和三種模型重構(gòu)數(shù)據(jù)繪制的發(fā)動(dòng)機(jī)進(jìn)口總壓流場(chǎng)分布云圖。對(duì)于平飛狀態(tài)，三種模型都可獲得較為準(zhǔn)確的流場(chǎng)分布，但模型1 重構(gòu)結(jié)果的高壓區(qū)壓力相對(duì)偏低。對(duì)于攻角、側(cè)滑角組合飛行狀態(tài)，模型1和模型2的重構(gòu)結(jié)果相似，低壓區(qū)范圍和形狀都較原始圖譜有較大差別，特別是未能重構(gòu)出中心區(qū)域的低壓區(qū)；而模型3重構(gòu)結(jié)果的高、低壓區(qū)范圍和形狀都與原始圖譜吻合良好。綜上，對(duì)于具有較大攻角和側(cè)滑角的飛行狀態(tài)，將攻角和側(cè)滑角加入模型輸入?yún)?shù)，可顯著改善發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)畸變重構(gòu)的準(zhǔn)確性。

圖6 攻角、側(cè)滑角組合飛行狀態(tài)神經(jīng)網(wǎng)絡(luò)模型的重構(gòu)結(jié)果Fig.6 The reconstruction results of the neural networks in the maneuvering flight

圖7 平飛過(guò)程發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)重構(gòu)結(jié)果云圖Fig.7 The reconstructed engine inlet flow field in the level flight

圖8 攻角、側(cè)滑角組合飛行過(guò)程發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)重構(gòu)結(jié)果云圖Fig.8 The reconstructed engine inlet flow field in the maneuvering flight

4.2 穩(wěn)態(tài)周向畸變指數(shù)分析

圖9 直接法和間接法各模型穩(wěn)態(tài)畸變指數(shù)重構(gòu)結(jié)果誤差概率分布Fig.9 The distortion index reconstructing error probability distribution of the indirect and direct methods

圖10 直接法和間接法穩(wěn)態(tài)畸變指數(shù)重構(gòu)均方誤差對(duì)比Fig.10 The distortion index reconstructing mean square error comparison of the indirect and direct methods

5 神經(jīng)網(wǎng)絡(luò)重構(gòu)模型適用性分析

為分析訓(xùn)練獲得的總壓畸變重構(gòu)神經(jīng)網(wǎng)絡(luò)模型的適用性，采用另一型飛機(jī)的進(jìn)氣道測(cè)量數(shù)據(jù)驗(yàn)證三種神經(jīng)網(wǎng)絡(luò)模型的總壓流場(chǎng)分布和畸變指數(shù)重構(gòu)效果。該型飛機(jī)與建模數(shù)據(jù)來(lái)源飛機(jī)具有相同的進(jìn)氣道結(jié)構(gòu)和布局，但配裝發(fā)動(dòng)機(jī)不同；進(jìn)氣道流場(chǎng)測(cè)量采用了與圖1相同的測(cè)點(diǎn)布置方案，總、靜壓測(cè)點(diǎn)相對(duì)位置也與建模數(shù)據(jù)來(lái)源飛機(jī)的相同。

5.1 總壓分布重構(gòu)模型適用性分析

圖11為該試驗(yàn)機(jī)在11 km高度飛行過(guò)程中三種神經(jīng)網(wǎng)絡(luò)模型對(duì)發(fā)動(dòng)機(jī)進(jìn)口總壓分布重構(gòu)結(jié)果的對(duì)比，該飛行過(guò)程包括平飛、大攻角飛行和側(cè)滑飛行，具有一定的代表性。圖中，MSEav為同一時(shí)刻30 個(gè)測(cè)點(diǎn)總壓數(shù)據(jù)重構(gòu)均方誤差的平均值，N1為發(fā)動(dòng)機(jī)低壓轉(zhuǎn)子轉(zhuǎn)速。可以看出，模型1 的重構(gòu)均方誤差較大且對(duì)發(fā)動(dòng)機(jī)轉(zhuǎn)速較敏感，當(dāng)N1大于90%時(shí)MSEav達(dá)到10 kPa左右；模型3的總壓數(shù)據(jù)重構(gòu)結(jié)果最佳，30個(gè)測(cè)點(diǎn)的平均均方誤差在2 kPa以內(nèi)，但較圖5和圖6結(jié)果偏大。圖12為對(duì)應(yīng)圖11中C時(shí)刻模型3重構(gòu)的總壓分布與原始數(shù)據(jù)總壓分布的對(duì)比。C時(shí)刻飛機(jī)具有-8°的側(cè)滑角，進(jìn)氣畸變較大。模型3很好地重構(gòu)出了低壓區(qū)位置，但低壓區(qū)范圍較原始圖譜偏大。由此可得出，模型3 在總壓流場(chǎng)分布重構(gòu)方面對(duì)于具有相同進(jìn)氣道結(jié)構(gòu)的飛機(jī)有一定的適用性，但與建模飛機(jī)發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)重構(gòu)結(jié)果相比重構(gòu)準(zhǔn)確性偏差。

圖11 三種模型總壓流場(chǎng)重構(gòu)結(jié)果對(duì)比Fig.11 The comparison of 3 neural networks in total pressure reconstructing results

圖12 模型3重構(gòu)圖譜與原始數(shù)據(jù)圖譜對(duì)比Fig.12 The comparison of the model 3 reconstructed pattern and original pattern

5.2 穩(wěn)態(tài)畸變指數(shù)重構(gòu)模型適用性分析

基于與圖11相同的飛行過(guò)程數(shù)據(jù)，對(duì)三種神經(jīng)網(wǎng)絡(luò)模型采用直接法和間接法進(jìn)行重構(gòu)的適用性進(jìn)行分析。重構(gòu)均方誤差變化如圖13 所示，圖中MSE1、MSE2、MSE3分別對(duì)應(yīng)模型1、模型2 和模型3的重構(gòu)均方誤差?？梢钥闯?，三種模型中模型3的重構(gòu)結(jié)果最好，但均方誤差較大(最大達(dá)到4%左右)，與圖9中建模飛機(jī)的測(cè)試樣本集畸變指數(shù)重構(gòu)結(jié)果相比誤差較大。對(duì)于模型3，采用間接法的重構(gòu)準(zhǔn)確度略優(yōu)于直接法。綜上，對(duì)于重構(gòu)，三種神經(jīng)網(wǎng)絡(luò)模型的直接法和間接法對(duì)于與建模飛機(jī)具有相同進(jìn)氣道結(jié)構(gòu)的飛機(jī)的適用性不佳。

圖13 三種神經(jīng)網(wǎng)絡(luò)模型穩(wěn)態(tài)周向畸變指數(shù)重構(gòu)結(jié)果對(duì)比Fig.13 The comparison of distortion index reconstructed results of three neural networks

6 結(jié)論

以某型飛機(jī)發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)壓力測(cè)量數(shù)據(jù)和飛行數(shù)據(jù)為基礎(chǔ)，基于神經(jīng)網(wǎng)絡(luò)方法，開展了采用壁面靜壓、中心點(diǎn)總壓、攻角、側(cè)滑角參數(shù)重構(gòu)發(fā)動(dòng)機(jī)進(jìn)口總壓畸變的研究，主要結(jié)論如下：

(1)采用神經(jīng)網(wǎng)絡(luò)方法，基于壁面靜壓、中心點(diǎn)總壓以及攻角、側(cè)滑角，可以較為準(zhǔn)確地重構(gòu)發(fā)動(dòng)機(jī)進(jìn)口流場(chǎng)總壓分布和穩(wěn)態(tài)周向畸變指數(shù)；

(2)單純以外壁面靜壓作為輸入的神經(jīng)網(wǎng)絡(luò)模型對(duì)于發(fā)動(dòng)機(jī)進(jìn)口內(nèi)環(huán)面的重構(gòu)效果不佳，輸入?yún)?shù)加入中心點(diǎn)總壓后可大幅提高各個(gè)環(huán)面的總壓重構(gòu)準(zhǔn)確性，而進(jìn)一步引入攻角、側(cè)滑角參數(shù)后可以改善神經(jīng)網(wǎng)絡(luò)模型對(duì)于大攻角、側(cè)滑角飛行狀態(tài)的總壓流場(chǎng)和穩(wěn)態(tài)周向畸變指數(shù)的重構(gòu)準(zhǔn)確性；

(3)以壁面靜壓、中心總壓和攻角、側(cè)滑角為輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行穩(wěn)態(tài)周向畸變指數(shù)重構(gòu)時(shí)，采用先重構(gòu)流場(chǎng)總壓分布再計(jì)算穩(wěn)態(tài)周向畸變指數(shù)的間接法可以獲得較好的重構(gòu)準(zhǔn)確性；

(4)對(duì)于具有相同進(jìn)氣道結(jié)構(gòu)和布局的另一型飛機(jī)，以壁面靜壓、中心點(diǎn)總壓及攻角、側(cè)滑角為輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)模型對(duì)于流場(chǎng)分布具有一定的適用性，重構(gòu)流場(chǎng)可反映原始流場(chǎng)的主要特征，但對(duì)穩(wěn)態(tài)周向畸變指數(shù)重構(gòu)的適用性較差，重構(gòu)偏差較大。