现代航空发动机设计日益向着高推重比、高效率、高可靠性和低油耗的目标发展,为满足其发展需求,压气机的叶片也变得更轻薄,轴向长度不断减小,结构也变得更紧凑,使得发动机内部的上下游相互干涉作用更强烈。航空发动机中,上下游叶片之间高速的相对旋转,使得下游叶片在上游叶栅尾流、激波等周期扰动作用下发生气动弹性振动,这是导致叶片发生疲劳破坏的重要因素之一,严重威胁着发动机的安全性和可靠性。高性能数值模拟方法是研究发动机内部尾流激励下的叶片气动弹性振动可信度最高的方法,但其计算耗时久、耗费大。随着神经网络在气动弹性领域应用的不断深化,本文建立了基于神经网络的尾流激励的叶片气动力降阶模型,为研究上下游干涉作用中的下游叶片气动弹性振动提供了快速计算方法。本文首先基于BP神经网络建立了尾流激励下的叶片气动力降阶模型,利用带输入延迟的BP神经网络进行训练建模,并对不同振幅的随机尾流激励下的叶片气动力进行预测,与CFD计算结果进行对比。分析结果得出:采用随机尾流激励训练得到的带输入延迟的BP神经网络气动力降阶模型,能够较好地预测不同振幅的随机尾流激励下的叶片气动力响应,但模型的预测能力和泛化能力具有局限性。随后又提出了基于NARX神经网络建立尾流激励下的叶片气动力降阶模型,预测不同类型的尾流激励下的叶片气动力响应,并与CFD计算结果进行对比:采用周期信号训练得到的NARX神经网络叶片气动力降阶模型,对于周期尾流激励下的叶片气动力响应能够快速准确地预测,对于简谐尾流激励下的叶片气动力响应虽也能够较好地预测,但预测精度相对来说较低。之后基于RBF神经网络来建立尾流激励下的叶片气动力降阶模型,先利用带输入延迟的RBF神经网络进行训练建模,并对不同振幅、不同稳态进口总压周期尾流激励的叶片气动力响应进行预测,与CFD计算结果对比,分析表明:采用周期信号训练得到的带输入延迟的RBF神经网络叶片气动力降阶模型,对于不同振幅的周期尾流激励下的叶片气动力响应的预测精度较高,对于不同稳态进口总压的周期尾流激励下的叶片气动力响应的预测精度较低,泛化能力有限。最后提出了基于递归的RBF神经网络建立叶片气动力降阶模型,预测不同类型的尾流激励下的叶片气动力响应,与CFD计算结果对比,分析得出:采用周期信号训练得到的RRBF神经网络叶片气动力降阶模型,不仅能够快速准确地预测不同振幅、不同稳态进口总压的周期尾流激励下的叶片气动力响应,也能够快速准确地预测不同振幅、不同稳态进口总压的简谐尾流激励下的叶片气动力响应。