基于可观测增强机器学习的跨音速翼型抖振流动紧凑表示研究

《Journal of Fluid Mechanics》：Compact representation of transonic airfoil buffet flows with observable-augmented machine learning

本刊编辑推荐：为解决跨音速抖振这一限制飞行包线的高雷诺数流动预测难题，日本东北大学团队开展"可观测增强机器学习"研究。通过壁模型大涡模拟(WMLES)获得OAT15A超临界翼型在Re=3×106的流场数据，结合升力系数增强的自编码器，首次提取出描述抖振循环的三维潜表示。该模型不仅能低维重现激波运动轨迹，还可通过14个壁面压力传感器重建全场流动，并在真实飞机尺度(Re=3×107)验证了相位动力学预测能力，为飞行器实时抖振监测提供新范式。

　　

当飞机以接近音速飞行时，机翼表面会出现一种令人困扰的现象——跨音速抖振。这种由激波周期性振荡引发的气动不稳定现象，不仅会产生剧烈振动和噪音，更会限制飞行包线的高速边界。长期以来，航空工程界一直在寻找能够准确描述和预测抖振现象的有效方法，但面对高雷诺数下激波与湍流边界层相互作用的复杂物理过程，传统建模方法往往力不从心。

近年来，随着计算流体力学和实验技术的进步，研究人员对抖振现象有了更深入的认识。研究发现，尽管跨音速抖振涉及强烈的非线性和巨大的自由度，但其中存在着主导的动态模式，暗示着这一现象可能具有低维本质。正是基于这一认识，日本东北大学航空航天工程系的研究团队在《Journal of Fluid Mechanics》上发表了创新性研究，将可观测增强的机器学习方法引入到跨音速抖振分析中，开辟了数据驱动流动分析的新途径。

研究团队采用壁模型大涡模拟(Wall-modeled Large Eddy Simulation, WMLES)生成了OAT15A超临界翼型在两种马赫数(M_∞=0.715和0.730)下的高精度流场数据，分别对应无抖振和抖振状态。通过引入升力系数增强的自编码器(Lift-augmented Autoencoder)，他们成功地从包含数万个自由度的复杂流场中提取出了仅有三维的潜表示空间。

关键技术方法主要包括：1）基于平衡壁模型的WMLES模拟，在雷诺数Re=3×10⁶和3×10⁷下获得高精度训练数据；2）结合卷积神经网络和多层感知机的升力增强自编码器架构；3）基于梯度敏感性的稀疏传感器优化布置方法；4）L曲线分析确定损失函数权重参数β=0.05。

4.1 跨音速翼型抖振流动的潜空间识别

研究发现，非线性自编码器仅需三个潜变量就能准确捕捉抖振流动的主要特征，其重构误差在n_ξ=3时达到平台期。与需要85个模态的经典本征正交分解(Proper Orthogonal Decomposition, POD)方法相比，非线性压缩效率显著提升。更重要的是，通过引入升力系数作为可观测约束，潜空间呈现出独特的"双翼"几何结构，这一结构变化与激波运动方向和分离高度变化密切相关。

4.2 基于低维子空间的稀疏传感器重建

研究进一步表明，仅需7个优化布置的壁面压力传感器即可准确估计潜变量，进而通过预训练的解码器重建全场流动和升力响应。敏感性分析识别出对估计贡献最大的传感器位于前缘(传感器1)、后缘(传感器8)、吸力面(传感器5、6、7)和压力面(传感器10、13)。特别值得关注的是，在Re=3×10⁶下训练的模型成功推广至真实飞机尺度的Re=3×10⁷工况，虽在激波高度定量预测上存在偏差，但准确捕捉了抖振的相位动力学特征。

本研究通过可观测增强的机器学习方法，首次揭示了跨音速翼型抖振流动的三维低维本质。该紧凑表示不仅能够描述激波的周期性运动，还能捕捉与气动响应相关的关键物理事件，如激波诱导的分离现象。研究的创新性在于将物理先验（升力系数）与数据驱动压缩相结合，克服了传统自编码器潜变量物理意义不明确的局限。

实际意义方面，该低维模型为飞行器实时抖振监测和控制提供了新思路。基于稀疏传感器的重建框架显著降低了实际应用的硬件需求，而模型在不同雷诺数间的良好泛化能力则展现了其在全尺寸飞行器预测中的潜力。此外，研究揭示的三维必要性对完善现有抖振理论模型具有重要启示，暗示需要超越传统的二维自持振荡器模型。

这项研究为数据驱动的跨音速抖振实时分析奠定了基础，其所建立的可观测增强学习框架也可推广至其他复杂流动现象的分析中，标志着流体力学研究范式向物理引导的机器学习迈出了重要一步。