人工智能在气动设计中的应用与展望

在人工智能技术高速发展的浪潮下,智能化技术为空气动力学的研究提供了新的思路和手段。各国学者在人工智能与空气动力学设计的综合应用方面开展了诸多有益的探索与尝试。目前人工智能方法已被用于设计对象描述、数值求解、非线性映射等气动设计的关键环节中。实现了自适应设计参数探索、高效气动特征求解、快速数据降维与映射、智能优化等,提高了气动设计的速度、准确性、鲁棒性与全局性。概述了气动设计的发展现状、人工智能技术的研究现状以及机器学习在气动设计中的应用现状。展望了深度学习在气动设计上的应用前景。提出了以机器为核心根据优化阶段实时调整优化方案及走向的高度智能化气动设计概念——"机器设计"。强调了开展智能可诠释设计研究的重要性。     

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和"黑箱"建模方法。本文对"黑箱"建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成"合成图像",建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。     

NS-SDBD等离子体流动控制研究现状与展望

纳秒脉冲表面介质阻挡放电等离子体在高速、高雷诺数下的流动控制领域具有非常大的潜力。文章对纳秒脉冲等离子体流动控制发展的起源、现状和趋势进行了综述。分别从实验研究和数值模拟两方面进行,主要以气动激励机理探索、现象研究以及流动控制机理为主线进行相关文献的总结归纳。目前,纳秒脉冲等离子体研究的关键科学问题集中在电场激励-气动诱导过程的机理探索与流动控制应用机理研究两方面,研究的难点在于涉及多时间尺度、多物理场耦合。注重解决多时间尺度、多物理场耦合问题的数值模拟算法、实验技术将成为解决上述科学问题的关键突破点。关键科学问题的解决有利于为激励器及控制系统的设计提供优化准则。     

空气动力学发展中值得关注的一些问题

本文阐述了空气动力学研究的特点；分析了21世纪初空气动力学面临的形势，提出了空气动力学发展中值得关注的一些问题，包括新流型的研究与先进气动布局、流动控制与增升减阻、流动的逢适应控制与智能化空气动力学、低雷诺数流动与微流体力学、等离子体减阻技术、等离子体隐身与电空气动力学、机载激光武器的发展与气动光学等。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

高超声速飞行器热环境与结构传热的多场耦合数值研究

为了准确预测高超声速飞行器面临的严峻气动热/力环境以及结构的热力响应,发展了高超声速流动与结构传热耦合框架。采用分区求解方法,通过耦合界面的实时数据传递,实现了基于Navier-Stokes方程的高超声速化学非平衡计算流体力学（CFD）求解器与结构的热力全耦合有限元法（FEM）求解器的多场耦合计算,建立了高超声速飞行器的多场耦合数值分析方法。首先对经典高超声速圆柱绕流实验进行了耦合计算,结果与实验值吻合良好。然后针对典型的超高温陶瓷（UHTC）材料的耦合传热问题进行了数值研究,考虑热传导效应对气动热环境和结构热响应预测的影响,结果表明对于复杂外形且热导率相对较高的UHTC材料,结构内部热传导对热环境和表面温度分布的影响不可忽略。最后针对UHTC材料热物性（比热和热导率）非线性对高超声速流动传热过程的影响进行了研究,结果表明当比热和热导率处于合理的误差范围内时,材料表面温度响应对其变化并不敏感。     

动力学模态分解及其在流体力学中的应用

随着计算流体力学和先进流动测试技术的发展,流动的刻画越来越精细,伴随而来的海量流场信息的模态提取与复杂动力学特征的模型化成为当前流体力学的研究热点。动力学模态分解(Dynamic Mode Decomposition,DMD)作为一个全新的时空耦合型动力学建模方法,得到迅速推广。DMD是一种数据驱动的非定常流场模态分析手段,可以准确捕捉各个流动模态的频率及增长特性,并建立流场演化的动力学降阶模型,以重构或预测流场动力学过程。本文针对DMD在流体力学研究的应用问题,重点综述了DMD算法自提出以来的一系列改进以及对不同流动现象的应用,并通过典型测试算例说明DMD的应用过程。在此基础上,讨论了DMD的研究现状及未来发展方向。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

高超声速复杂气动问题数值方法研究进展

高超声速流场具有复杂流动特征,其中真实气体效应、磁流体干扰效应和力热结构耦合效应等对气动力分析产生了重要影响。将流体力学研究扩展到分子动力学、电磁流体力学以及流固耦合等交叉学科领域,这给数值模拟方法带来了巨大挑战。针对高超声速气动力/热分析的热点问题,重点关注高温效应与低密度流动效应、磁流体干扰效应和力热结构耦合效应等,结合算例分析了相应的数值求解技术;在气动热方面主要比较了3类求解方法(纯工程方法、纯数值方法和基于Prandtl边界层理论的方法),并给出了相应算例;对于气动力/热/结构耦合问题,从耦合模型及耦合计算方法两方面开展了分析。最后指出了高超声速复杂气动问题数值求解技术未来需重点关注的几个方面。     

磁控热防护系统在天地往返运载器上的应用仿真

磁控热防护技术在高超声速领域显现出广泛的应用前景。考虑高超声速流动磁流体力学控制涉及的等离子体生成机制、多电离组分导电机理以及电磁流动能量/动量输运机制,通过耦合求解电磁场泊松方程和带电磁源项的高温热化学非平衡流动控制方程组,搭建了高超声速磁控热防护数值模拟平台。结合美国航天飞机"哥伦比亚"号（OV-102）近似外形和5种磁场配置方案,较为系统地开展了磁控热防护系统在高超声速"滑翔返回式"天地往返运载器上的应用仿真研究。结果表明：搭建的磁控热防护仿真平台具备偶极子磁场、均匀磁场、螺线管磁场及多个磁场组合条件下复杂外形飞行器气动热环境数值模拟能力,其校验结果与文献或飞行试验数据符合较好;采用合适的磁场配置能有效降低航天飞机的表面热流,显著改善了航天飞机的气动热环境,典型状态的表面热流下降25%以上;局部磁场方向与流动方向的夹角,在一定程度上决定了洛伦兹力的强度和方向,对磁控效果的影响明显。     

Recent progress of machine learning in flow modeling and active flow control

In terms of multiple temporal and spatial scales, massive data from experiments, flow field measurements, and high-fidelity numerical simulations have greatly promoted the rapid development of fluid mechanics. Machine Learning(ML) provides a wealth of analysis methods to extract potential information from a large amount of data for in-depth understanding of the underlying flow mechanism or for further applications. Furthermore, machine learning algorithms can enhance flow information and automat...     

面向航空智能制造的DT与AI融合应用

针对航空装备复杂制造场景下制造过程管控维度多尺度大、制造资源组成复杂性高、质量问题跟踪定位难度大等问题，结合数字孪生（DT）与人工智能（AI）技术特点，开展了面向航空智能制造的DT与AI融合应用研究。基于数字孪生与人工智能应用现状，系统性地阐述了数字孪生与人工智能融合机理，分析了支撑数字孪生与人工智能融合驱动航空智能制造的关键技术和数字孪生与人工智能融合驱动的AI控制中心构建涉及的关键问题，在此基础上重点讨论了加工制造过程自适应控制、智能车间生产过程智能管控、制造过程资源调度与优化决策、产品智能质量控制等应用场景，为数字孪生与人工智能在航空智能制造融合应用提供参考。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

航空发动机虚拟自学习控制方法研究

随着人工智能技术的发展，智能航空发动机逐渐成为当今航空领域研究的热点。传统的航空发动机控制对发动机模型的依赖性过强，而基于发动机气热动力学公式的机理建模会引入较大的建模误差，给控制器设计带来困难。对此，提出一种基于强化学习的航空发动机控制虚拟自学习方法，首先利用航空发动机的试验数据通过LSTM 神经网络建立虚拟学习环境，然后采用深度强化学习TD3 算法，在虚拟环境中训练智能控制器，最后采用JT9D 发动机模型验证智能控制器的性能。结果表明：相比于传统PID 控制，智能控制器产生的超调量更小，调节时间更短。     

未来智能空战发展综述

随着装备战斗力生成模式逐渐向机械化、信息化、智能化"三化融合"发展演变,未来航空主战装备的定位、形态及运用将可能发生根本性变革。为应对新时期空战任务所面临的环境高复杂性、博弈强对抗性、响应高实时性、信息不完整性、边界不确定性等一系列挑战,交叉融合人工智能理论与空战对抗技术,研发智能空战系统,将有望在下一代无人制空装备谱系中构建不对称"智能代差",成为制胜未来空天战场的核心关键。本文完整梳理了智能空战研究的发展脉络,总结了以专家机动逻辑、自动规则生成、规则演进、机器学习等方法为代表的智能空战基础理论。从体系、应用及技术视角全面剖析了智能空战的发展趋势,以智能空战的不确定性、安全性、解释性、迁移性、协同性为切入点阐述了智能空战应用落地的若干问题,以期为未来智能空战技术研究勾勒出一条新的探索路径,为人工智能理论与航空科学技术的跨领域交叉融合提供新的发展思路。     

面向军事应用的航空人工智能技术架构研究

通过全面梳理国内外面向军事应用的航空装备智能化发展现状,紧密围绕未来智能化空中作战的任务场景,给出航空军用人工智能技术的概念和内涵,并依据智能系统信息运行模型,提出不同运行层级的航空装备智能升级的途径和方法。在此基础上,形成包含基础使能、关键技术群、智能系统、运行层级的航空人工智能技术架构,对关键技术群按面向运行层级、面向功能需求、面向基础使能进行分析,得到重点技术发展方向,并给出提升我国航空装备智能化水平的具体措施建议,为制定相关航空人工智能技术规划提供参考。     

湍流数据同化技术及应用

近年来数据同化（DA）被引入湍流动力学研究中,通过融合实验测量和数值计算,提高了实验测量的精度和广度,改善了数值模拟的预测性能。实验观测、预测模型和同化算法是数据同化的三要素,湍流研究中的实验观测包括热线风速仪、粒子图像测速法（PIV）、压力传感器等局部测量数据,预测模型主要指流动控制方程及湍流封闭方程,而同化算法包括贝叶斯推断、集合卡尔曼滤波（EnKF）、伴随等。稳态数据同化一般结合雷诺平均Navier-Stokes （RANS）模型方程,从重新标定模型常数、修正涡黏模型方程形式误差、修正雷诺应力项等方面着手。非稳态的数据同化一般包括四维变分（4DVar）等时间连续的数据同化方式以及顺序数据同化。4DVar通过时间正向和逆向积分迭代,存储量和计算量都非常大。顺序数据同化不需要时间逆向积分,可以在若干时刻对实验观测进行间断地植入,正向求解整个系统。另外,随着人工智能的飞速发展,湍流数据同化研究也向智能化迈进。对于纯数据驱动的湍流机器学习,其缺乏物理本质的约束,而基于物理信息的机器学习在物理本质上与数据同化是一致的。     

人工智能技术在航空发动机孔探检测中的应用进展

孔探是当前航空发动机检修过程中应用最多的无损检测方法,也是孔探图像的唯一获取途径。近年来,深度学习等人工智能方法开始被应用到航空发动机损伤分类、检测中,为实现航空发动机检修智能化提出了一些现行有效的方法,具有重要的工业应用价值。本文概述了航空发动机孔探检测的发展和优缺点,综述了专家系统和机器学习人工智能方法在发动机孔探图像方面的应用进展,总结了基于孔探图像实现航空发动机孔探检测智能化面临的一些挑战。