流体力学预解分析方法研究进展

线性稳定性分析长期以来是揭示复杂流动机理的重要手段,通过求解流动线性化算子的特征值问题获得流动的直接模态及其频率、增长率等信息.然而其仅能描述系统微幅扰动随时间的指数发展,无法捕捉系统受迫和响应特征.预解分析从线性输入/输出动力学系统出发,通过提取流动系统受谐波激励的强迫/响应模态及其增益,捕捉系统关于不同频率扰动的受迫模式和能量放大效应.该方法建立了流动对外激励的空间敏感性和对应响应的空间模式分析的统一框架,对复杂流体动力学问题的分析、建模和控制有很强的应用潜力.文章针对预解分析方法展开了全面综述:首先介绍了预解分析理论框架、实现难点与改进方法,讨论了预解增益和模态的物理意义;同时,从基础假设、数学理论、算法流程以及物理含义等方面对比了线性稳定性分析和预解分析算法,并给出了两者在一定条件下的联系;进一步展示了预解分析在揭示流动机理、建立低维模型以及指导流动控制等方面的研究成果;最后通过Ginzburg-Landau方程和方柱绕流问题,展示了预解分析在动力学系统特征提取上的应用潜力.在此基础上,针对现有研究的不足和困难,讨论了预解分析方法在改进算法、非线性系统分析、流动控制等方面的未来研究方向.

面向流体力学的多范式融合研究展望

实验观测、理论研究以及数值模拟是包括流体力学在内很多学科的基本研究范式.21世纪以来,大数据驱动下的人工智能成为引领新一轮科技革命和产业变革的重要驱动力,也被称为数据密集型科学研究范式,即第四范式.同样,数据驱动的机器学习方法也成为流体力学的新兴方向,并助推智能流体力学方向的发展.然而,与面向社会依赖“互联网+大数据”的数据密集型范式相比,流体力学智能化研究有其特有的背景.例如有限工程样本中产生的海量流动数据,与流动状态、几何边界条件的高维度以及复杂流动固有的高维、跨尺度、随机、非线性特征相比,数据驱动的流体力学研究面临着大数据小样本问题.经典流体力学虽然有三大研究范式,但融合度很低,工程设计师通常只能对不同来源的数据进行拼凑使用或简单修正.多源数据融合一定程度上可缓解单一样本量来源少、建模难,以及低精度样本利用不充分等困境,但仍未能实现基本范式中的理论模型或者专家知识和经验的充分利用.因此,在人工智能技术支撑的第四范式架构下,有机融合实验、理论模型以及数值模拟三大手段,发展“数据+知识”双驱动的流体力学多范式融合方法,成为解决重大实际工程研制问题的迫切需求,也是新时代流体力学学科内涵、特色发展的迫切需求.

数据驱动的气动热建模预测方法总结与展望

气动热的准确预测是指导高超声速飞行器设计的基础。在经典气动热预测方法愈发难以满足工程中高效准确的气动热预测需求的背景下,近年来蓬勃发展的数据驱动气动热建模预测方法逐渐成为气动热预测的新范式。对此,首先阐述了数据驱动气动热建模预测方法和经典气动热预测方法的相互关系。然后,从建模思路上将数据驱动气动热建模预测方法归纳为3类,即气动热特征空间降维建模预测、气动热逐点建模预测和气动热物理信息嵌入建模预测,并对这3类方法进行了详细介绍和分析总结。数据驱动气动热建模预测方法不仅比工程算法准确,而且和采样方法结合后,还能够有效降低实验测量和数值计算的工作量,给出的模型也更加高效简洁。最后,对数据驱动气动热建模预测方法的发展趋势进行了展望,指出数据驱动技术与经典气动热预测方法的深度结合、气动热物理信息嵌入建模预测方法和气动热预测大模型将会是未来研究的要点。

基于表面无黏流动特征的摩阻分布机器学习

摩擦阻力的精准高效预示对飞行器设计至关重要.然而摩阻分布的计算不仅代价大,且对网格密度、湍流模式和数值算法的依赖性强,而试验测量更具挑战性.为此,提出了一种数据驱动的高泛化性摩阻分布机器学习建模方法.该方法在Euler方程数值解的基础上,结合RANS计算的少量摩阻分布数据样本,构建了表面无黏流动特征与摩阻分布的关联关系模型,从而实现摩阻的预测.由于该建模方法嵌入Euler方程这一物理模型,使得在很少的样本下就能保证模型的高泛化性和高精度;另一方面,相比于RANS数值计算,由于只用求解Euler方程,计算量降低约一个量级.研究通过典型翼型和机翼的测试算例来展示该方法对于气动设计中变外形气动力的预测效果.相比于端到端的分布力深度学习建模,该方法在减少5倍样本量的情况下仍能取得很高的建模精度(阻力误差约2%~3%),且对于工况与外形变化具有较强的外插预测能力,结果的分散度低.该研究为附着流机翼的摩阻分布预测和机翼优化设计提供了一种新的高效研究手段.

航空气动噪声机器学习研究进展

气动噪声源自气体流动过程中的压力脉动,可能引发声疲劳和声振耦合,是航空器安全性和舒适性的重要影响因素,其研究方法主要包括理论方法、风洞试验测量和数值模拟。然而,这些方法存在测量结果单一、难以与流动结构建立有效关联、高精度噪声数据获取困难等问题。机器学习方法具有高效、快速、低成本等优势,在航空气动噪声领域展现出巨大潜力。本文概述了机器学习在航空气动噪声领域的最新研究进展,重点综述了其在稀疏测点下声场重构和气动噪声预测方面的应用。最后,分析了目前机器学习方法在气动噪声研究中泛化性弱、预测精度不足、缺乏物理解释性等共性问题,并展望了其未来发展趋势,为基于机器学习方法进行气动噪声研究提供参考。

翼型激波抖振的无模型自适应控制

由于受到流动环境中的不确定因素影响,针对流动系统设计的闭环控制律需要考虑这些不确定因素,自动适应随机扰动和突发扰动。基于流动模型所设计的闭环最优控制,虽然可以以较小的控制量获得满足目标函数的最优控制效果,但随着流动模型的引入,随之而来的建模精度、未建模动态等问题也会出现,固定的流动模型也会限制控制系统的自适应能力。针对翼型在跨声速流动中遇到的激波抖振问题,为了消除不同来流状态的激波抖振带来的脉动载荷,开展了基于数据驱动方法的无模型自适应控制。流场数值仿真采用URANS方法,作动机构采用尾缘舵面,以升力系数作为反馈信号。当流动状态变化时,无模型自适应控制利用输入输出数据在线将流动系统等价转化为动态线性化数据模型,最小化性能指标得到控制律,使系统自动地工作于最优或接近最优的状态。时域仿真结果显示,无模型自适应控制效果优于开环控制和比例控制,并且当来流状态随时间发生变化时,无模型自适应控制也能够完全消除抖振脉动载荷。