一种基于深度学习的方法，用于快速预测局部柔性水翼柔性区域上的瞬态载荷

《Ocean Engineering》：A deep learning-based method for rapid prediction of transient loads on flexible regions of local flexible hydrofoils

本研究提出基于CNN-BiLSTM-Attention架构的深度学习模型，结合改进灰狼优化算法优化超参数，实现柔性水翼瞬态载荷的高精度预测（96%准确率）。通过分析几何参数、边界条件与流动特性的多尺度关联，解决了传统方法计算成本高、迭代效率低的问题，为海流能设备优化设计提供新范式。

　　在当今全球能源转型加速的背景下，海洋可再生能源系统已成为实现碳中和目标的核心技术路径。这些系统包括潮汐能涡轮机和振荡波能转换装置等，其性能在很大程度上依赖于水翼结构的水动力特性。然而，海洋流场中多物理场的耦合作用导致了流体与固体之间的不稳定性，如涡激振动和流固耦合效应，使得传统水翼在复杂动态流场中面临动态失速和扰动消散等问题。因此，研究能够在复杂动态流场条件下保持高效能量转换的水翼拓扑结构成为当前学术界关注的重点。

为应对上述挑战，局部柔性水翼作为一种创新解决方案，展现出在解决流分离、层流分离泡（LSBs）和失速延迟等关键问题方面的巨大潜力。相比完全柔性水翼，局部柔性水翼在一定程度上降低了非线性响应带来的复杂性，同时克服了刚性水翼在几何设计上的局限性。然而，柔性区域的几何设计对水翼性能有着显著影响，这使得在初步设计阶段快速识别设计范围变得尤为重要。如果能够高效地获取瞬态载荷分布，就能为后续优化设计提供更精确的参考依据，从而提升整体设计效率。

当前，水翼优化设计通常采用分层策略。在工业实践中，首先通过初步设计筛选出关键参数的有效范围，再通过高保真度的精确设计实现性能收敛。初步设计阶段的样本密度直接影响后续阶段的效率，样本越丰富，精确设计所需的迭代次数越少，整体时间成本也相应降低。然而，受限于传统迭代求解方法，初步设计中通过流场计算获取瞬态载荷所需资源通常占总计算量的65%-70%，导致结构场更新频率与所需样本生成速度之间存在显著滞后。尤其是在强非稳态流场区域，瞬态载荷的快速预测对于优化柔性区域的参数具有重要意义。

为了突破这一瓶颈，本文提出了一种基于深度学习的方法，用于局部柔性水翼瞬态载荷分布的快速预测。该方法结合了卷积神经网络（CNN）进行几何特征提取、双向长短期记忆网络（BiLSTM）捕捉动态信息，以及注意力机制增强关键特征的识别能力。通过将这些技术整合为一个混合神经网络模型，可以更准确地预测瞬态压力载荷的变化。此外，本文引入了一种改进的灰狼优化器（IGWO），该优化器通过非线性适应和自适应动态权重因子的结合，提高了模型的预测性能和计算效率。实验结果表明，该模型在预测瞬态载荷时的准确度可达约96%，展现出对不同几何参数和边界条件的强泛化能力。

然而，非稳态流场中固有的时空不稳定性，如涡脱落和瞬态分离，给准确预测带来了额外的挑战。传统算法在处理此类复杂非线性问题时往往表现出较低的鲁棒性和收敛速度，而本文提出的IGWO则在这些方面具有显著优势。通过超参数优化，不仅提高了预测精度，还有效减少了计算资源的消耗，从而提升了整体设计效率。此外，该方法还具有直接的工程应用价值，通过识别高非稳态压力区域和预测不确定性，可以为柔性元件的布局提供指导，并在适应性水翼的早期设计阶段评估候选配置。

在数据生成方面，本文开发了一套基于Python的脚本，用于连接UG（Unigraphics）和ANSYS CFX，实现600组局部柔性水翼的自动建模与计算流体动力学（CFD）仿真。这些数据为深度学习模型的训练提供了丰富的样本支持，使得模型能够准确捕捉流场的复杂动态特性。同时，本文还对模型的预测性能进行了系统评估，采用了均方根误差（RMSE）、决定系数（R2）和准确率作为评价指标。结果显示，所提出的CNN-BiLSTM-Attention模型在大多数运行条件下表现出良好的预测能力，但在强非稳态流场区域仍存在一定的误差。

为进一步提高模型的预测精度，本文还进行了超参数优化的对比实验。研究表明，模型的预测性能不仅取决于其结构设计，还受到超参数配置的显著影响。通过引入IGWO进行超参数优化，模型在强非稳态流场区域的预测误差得到了有效控制，同时计算效率也有所提升。这表明，通过合理配置超参数，可以显著增强模型对复杂流场特性的适应能力，为局部柔性水翼的优化设计提供更可靠的支持。

此外，本文还探讨了局部柔性水翼在不同动态运动下的流场特性，包括垂荡、俯仰以及垂荡-俯仰组合运动。这些研究进一步揭示了局部柔性水翼在多种操作场景下的性能表现，为实际工程应用提供了理论依据。同时，研究还关注了定制化表面润湿性对流场结构演化的影响，表明通过优化表面特性可以有效改善水翼的流体动力性能。

综上所述，本文提出的基于深度学习的瞬态载荷预测方法，为局部柔性水翼的优化设计提供了新的思路。该方法不仅能够快速获取瞬态载荷分布，还能够有效降低计算成本，提升设计效率。通过将CNN、BiLSTM和注意力机制相结合，并采用IGWO进行超参数优化，模型在复杂非稳态流场中的预测能力得到了显著增强。这一研究成果在海洋推进系统和能源设备的设计中具有重要的应用价值，能够为快速评估多种运行场景下的水翼性能提供有力支持。未来，随着计算资源的进一步优化和深度学习技术的持续发展，该方法有望在更广泛的工程领域中得到推广和应用。