基于仿生与机器学习协同方法优化扑翼飞行动力学

《Frontiers in Robotics and AI》：Optimizing avian flight dynamics with a synergetic bio-inspired and machine learning approach

　　

摘要：本研究提出一种融合数值模拟与机器学习的综合框架，以提升仿生扑翼的气动性能。研究人员利用多步流程从生物飞行数据中提取扑翼运动学参数：采用DeepLabCut工具从鸟类飞行视频中提取体表关键点坐标，随后在Google Colab中进行数据数字化处理及Python轨迹后处理。将所得运动学参数施加于三维翼型模型，在ANSYS Fluent中采用用户自定义函数(UDF)及滑移网格(sliding mesh)技术进行高保真非定时可压湍流Unsteady Reynolds-Averaged Navier-Stokes(URANS)数值模拟，并以已有实验数据验证数值模型的可靠性，使其作为可信的数据生成工具。在此基础上建立机器学习模型探索设计空间并识别可优化气动效率的运动学参数。研究结果表明，该框架有效地桥接了生物观测与计算优化，为仿生扑翼性能增强提供了一种稳健方法。

《Optimizing avian flight dynamics with a synergetic bio-inspired and machine learning approach》论文解读

研究背景与意义

仿生扑翼微型飞行器(biomimetic flapping-wing Micro Air Vehicle, MAV)因轻量化、高能效及高机动性备受关注。已有研究表明翼面动态扭转(dynamic twist)是提升升阻比的关键因素，协调弯曲-扭转耦合(bending–twisting coupling)较单一变形模式更优。然而传统计算流体力学(Computational Fluid Dynamics, CFD)多基于静态或预设几何，难以捕捉真实扑翼的非定常、动态耦合现象，且运动学参数优化受高维设计空间限制，尚缺乏将真实生物运动学数据与高精度瞬态CFD有效结合的系统性框架。为此，研究人员开展该项研究，通过深度学习提取真实鸟类飞行动力学并结合URANS仿真与机器学习寻优，探讨带扭转运动的非对称扑翼气动增益机制，相关成果发表于《Frontiers in Robotics and AI》。

主要关键技术方法

研究人员选取加拿大鹅(Branta canadensis)侧飞视频为样本源，使用基于ResNet-50骨干网的DeepLabCut(DLC)自底向上架构（含Part Affinity Fields及LocRef回归头）追踪每帧35个解剖关键点（喙、颈、躯干、尾、左右翼各15点），经手工剔除异常值、插值平滑获扑翼拍动(flapping)与扭转(twisting)角位移时程信号；将该运动学写入ANSYS Fluent用户自定义函数(User-Defined Function, UDF)，驱动三维仿生翼（展长52 cm、弦长22 cm、平面面积0.2 m2、质量0.016 kg）绕中心作非对称拍动（+30°~?20°）叠加小振幅扭转，流体域为双同心球，内-外球界面设滑移网格(sliding mesh)旋转交界面，翼面为无滑移壁面(wall)，外流边界为压力出口(pressure outlet)；求解三维不可压瞬态湍流URANS方程，湍流封闭采用重整化群k-ε(Renormalization Group k-ε, RNG k-ε)模型，压力-速度耦合用SIMPLE算法，空间离散二阶迎风格式，分别用10层边界层膨胀网格与六面体结构化网格做网格敏感性验证；以梯形数值积分获取一个完整周期升/阻力系数积分值，依F=Lift/Drag Coefficient(C_L, C_D)与力公式F_Lift=C_L·?ρV2A、F=C_D·?ρV2A推算气动力、推力(thrust)/阻力(drag)分解、加速度与速度及功率。

研究结果

2 Mathematical modeling

研究人员推导三维不可压连续性方程(?·u=0)与Navier-Stokes动量方程，引入雷诺分解φ=φ￣+φ′，经雷诺平均得URANS方程组，引入雷诺应力张量?ρu′_iu′_j￣需湍流模型封闭，本文选用RNG k-ε模型以适应旋流主导流动，确认控制方程及边界条件设置合理。

2.1 Numerical modeling and case setup

翼几何参照实验模型建模，流体域双球嵌套，滑动界面实现翼相对运动。生成两种网格（10层边界层膨胀网格与全六面体网格）并比对，确认数值收敛性满足要求。

3 Machine learning model

通过DeepLabCut提取加拿大鹅飞行动物姿态关键点，经清洗插值获拍动与扭转角度-时间曲线，作为UDF输入驱动动态网格。DLC网络为ResNet-50预训练权重复现的多实例姿态估计DLCRNet，输出步长16，含热图、PAF及位置细化(LocRef)头，AdamW优化器，加权二值交叉熵+加权Huber损失，200 epoch，阶梯衰减学习率(1×10??→1×10??@epoch160→1×10??@epoch190)，在线数据增强(±30°随机旋转、缩放0.5–1.25、448×448随机裁剪、高斯噪声)。结论：ML成功从真实生物视频还原可信翼运动学信号供CFD边界条件使用。

3.2 Flapping and twisting algorithm

通过UDF将ML输出的拍动角、扭转角及重心位移转化为瞬态网格运动边界条件，仿真覆盖两完整拍动周期（约7个振荡循环），确认动态运动施加正确。

4 Results

四种网格配置下阻力系数时程积分均为正，加扭转后整体阻力降低，升力系数明显增大。不加扭转基线C_L积分为0.003863，引入动态扭转后10层膨胀层网格与六面体网格分别对应C_L积分增至0.0696(+1701%)与0.0655(+1595%)；基线C_D积分0.097255，加扭转后分别降至0.0815(?16%)与0.0843(?13%)。推力最大0.594 N(均值0.2502 N)，阻力最大?0.2586 N(均值?0.1061 N)，净推进力为正。压力云图显示带扭转六面体网格工况流场最稳定。结论：动态翼扭转可同时显著提高升力并产生净前向推力，抑制不利涡系引起的阻力，气动效率改善明显。

5 Conclusion（研究结论翻译）

本研究通过全面数值模拟考察并优化了仿生扑翼构型的气动性能。所提方法融合先进计算流体力学技术与机器学习方法，建立了稳健的气动分析与设计优化框架。CFD与机器学习算法的协同组合展现出显著提升气动性能的潜力，结果数值收敛良好且与已有参考文献及前期研究高度吻合，证实了所提计算框架的可靠性与准确性。关键发现表明气动效率指标（升力增强与阻力特性优化）获得实质性改善；机器学习组件成功识别出最优翼构型及运动学参数，而CFD模拟揭示了支配性能增益的流动机理细节。本研究所开发的计算框架可便捷扩展至来流速度变化（包括雷诺数改变、非定常来流条件）及其他翼型几何的影响研究，更广泛地为基础物理模拟与数据驱动方法在仿生气动设计中的融合奠定基础，为下一代航空器及推进系统的开发提供可行方向。