基于多保真深度神经网络与迁移学习的串列翼飞行器气动优化设计方法研究

本研究针对串列翼飞行器气动优化中高精度CFD计算成本高昂与低精度VLM方法准确性不足的矛盾，提出了一种融合多源数据与迁移学习的MFDNN优化框架。通过VLM生成大量低精度数据并结合少量CFD高精度样本，采用k折CV-Voronoi采样策略动态更新模型，最终实现升阻比提升25.66%，为飞行器设计提供了高效精准的优化新范式。

　　

在飞行器设计领域，串列翼布局因其独特的前后翼配置方式，在飞行原理和气动性能方面展现出特殊优势。然而，这种布局涉及前翼与后翼之间的高度差、间距、翼型参数等多个设计变量，其复杂的干扰特性使得直接优化面临"维度灾难"的挑战。传统基于计算流体动力学（CFD）的高精度模拟虽然准确，但计算成本高昂且耗时漫长；而基于涡格法（VLM）等低精度方法虽然计算快捷，却在预测非线性气动行为时存在明显局限。这种精度与效率之间的矛盾，严重制约了串列翼飞行器的优化设计进程。

针对这一难题，研究人员在《Results in Engineering》上发表了一项创新性研究，提出了一种基于多保真度深度神经网络（MFDNN）的优化框架。该研究通过巧妙融合大量VLM低精度数据和少量CFD高精度数据，结合迁移学习和多源数据融合原理，成功实现了在降低计算成本的同时显著提升预测精度的目标。

研究采用了多保真度深度神经网络架构、k折交叉验证Voronoi采样技术、Teaching-Learning-Based优化算法以及计算流体动力学模拟等关键技术方法。其中VLM数据通过OpenVSP软件的VSPAERO模块获取，CFD模拟则采用基于Transition SST湍流模型的RANS方程求解器，网格独立性验证确保障了计算结果的可靠性。

研究结果表明，通过多保真度建模方法有效建立了VLM低精度分析与CFD高精度模拟之间的非线性映射关系。在串列翼标准模型巡航状态优化中，针对最大升阻比的优化目标，该方法相比传统高精度数据驱动的DNN模型在优化精度上提升了25.66%，同时显著加快了收敛速度。

在优化设计方面，研究人员对前/后翼安装角（α₁, α₂）、前/后翼后掠角（Γ₁, Γ₂）、前/后翼上反角（Λ₁, Λ₂）、翼展差（ΔL）、纵向分离距离（ΔD）和垂直偏移（ΔH）等9个参数进行了优化。优化后的配置显示前后翼均采用前掠翼构型，前翼采用下反角配置而后翼采用上反角配置，后翼采用大展弦比设计。

气动性能分析表明，优化后总升力系数略微增加2.7%，而总阻力系数显著降低19%，最终使升阻比大幅提升25.66%。压力系数分布比较显示，优化后前翼上表面高压区明显收缩，前后翼交错分布有效减轻了气动干扰。

该研究的结论部分强调，MFDNN框架成功解决了串列翼气动优化中的精度-效率权衡问题。通过动态调整高/低精度样本比例的自适应采样策略，实现了在有限计算资源下获得优异优化效果的目标。优化后的前掠翼布局具有良好的亚音速飞行特性，前后翼的交错配置从根本上改善了气动干扰问题。

这项研究的重要意义在于提出了一种切实可行的多精度数据融合策略，为飞行器设计提供了一条以较低计算成本获取更准确气动数据的实用途径。所开发的基于MFDNN的设计框架不仅适用于串列翼布局优化，还可推广到其他复杂气动外形设计领域，显著缩短设计周期并提高设计质量，对推动飞行器设计方法的创新发展具有重要价值。