基于机器学习的高速复杂流场流动控制效果预测分析

流动控制激励器是主动流动控制技术的核心，其设计水平和工作性能直接决定了主动流动控制的应用效果和应用方向。为了获得流动控制激励器的作用规律，需要大量实验研究激励参数对控制效果参数的影响，实验代价较大。利用逆向等离子体合成射流激波控制实验数据，采用机器学习中的高斯过程回归模型，获得激励器参数（头锥直径、腔体体积、放电电容、出口直径）到控制效果参数（最大脱体距离）的映射规律，对比多种核函数下高斯过程回归的预测效果，采用特征重要性分析方法分析激励器参数对控制效果参数的影响程度。结果表明:对于小样本问题，采用2次多项式核函数Poly2的高斯过程回归预测精度最高。在特征重要性分析上，头锥直径对最大脱体距离的影响程度最大；其次是放电电容和腔体体积，2个参数的影响相近；出口直径影响最小。本文工作可为高速复杂流场流动控制实验中激励器各项参数的设置提供一定参考。     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。