PHD-NO:一种基于物理原理的哈希编码双分支神经运算符,用于超音速超临界翼型空气动力学研究
《Aerospace Science and Technology》:PHD-NO: A Physics-guided Hash-encoding Dual-Branch Neural Operator for Transonic Supercritical Airfoil Aerodynamics
【字体:
大
中
小
】
时间:2026年05月09日
来源:Aerospace Science and Technology 5.8
编辑推荐:
陈淼|王静|谢海如|何一凡|夏一凡|张继发
浙江大学航空航天学院,中国杭州
**摘要**
在跨音速流中运行的超临界机翼面临着固有的多尺度挑战,其中尖锐的激波不连续性与精细的附壁层结构紧密结合。传统的神经算子通常存在固有的谱偏差问题,即在尝试通过全局编码解决激波时,更
陈淼|王静|谢海如|何一凡|夏一凡|张继发
浙江大学航空航天学院,中国杭州
**摘要**
在跨音速流中运行的超临界机翼面临着固有的多尺度挑战,其中尖锐的激波不连续性与精细的附壁层结构紧密结合。传统的神经算子通常存在固有的谱偏差问题,即在尝试通过全局编码解决激波时,更倾向于全局平滑特征而忽视高频奇异性,或者会出现非物理的Gibbs振荡。为了解决这一问题,我们提出了物理引导的哈希编码双分支神经算子(PHD-NO)。其核心设计是一种针对跨音速流场定制的双分支哈希编码架构,背景流和激波主导的修正以尺度解耦的方式进行处理。通过采用多分辨率哈希网格编码作为统一的特征基础,该框架利用细分辨率网格的局部紧凑支持,在激波位置实现卓越的空间精度,同时通过粗分辨率层次保持全局一致性。从理论上讲,我们通过神经切向核框架分析了PHD-NO,并认为多尺度哈希子核可以在更宽的频率范围内补偿高频特征值的衰减,从而减轻谱偏差。在高度真实的超临界机翼数据集上,PHD-NO的平均L1误差达到10^-3级别,保持了准确的激波定位和表面压力重建,并且在相同的硬件基础上,其CPU推理速度比CFD求解器快约474倍。
**引言**
超临界机翼在现代飞机设计中起着关键作用,通过延迟激波形成和减少波阻来显著提高空气动力效率和航程[1]、[2]。然而,相关的流场具有强烈的多尺度特性。机翼上表面的局部超音速区域会产生与薄边界层相互作用的非线性激波,导致激波诱导分离和流动失稳[3]、[4]、[5]。从数学角度来看,这个问题是一个典型的多尺度奇异扰动问题。高保真计算流体动力学(CFD)可以准确解析这些特征,但计算成本很高。每次跨音速RANS评估可能需要几分钟甚至几小时,实际优化循环通常需要O(10^3)次具有可靠收敛行为的重复模拟。在强激波-边界层相互作用附近,收敛性也可能变得脆弱。这种组合使得直接使用CFD在迭代优化工作流中不太实用,尤其是在需要大量评估和稳定灵敏度的情况下。因此,在跨音速空气动力学设计中,高效且准确的替代模型变得越来越重要,快速流场预测可以支持逆向设计、多学科优化和大规模参数研究[6]、[7]、[8]、[9]。
深度学习方法作为灵活的替代模型,在预测机翼周围的流场方面取得了显著进展。早期的基于网格的架构,包括卷积神经网络(CNNs)[10]、[11]、[12]、视觉Transformer[13]、[14]以及神经算子方法如FNO[15],有效地捕捉了局部流场特征和规则域上的离散化不变映射。这种需求是由实践驱动的:重复的空气动力学评估是多学科设计优化、灵敏度分析和设计外评估的核心。最近的综述和应用进一步强调了这一需求,涵盖了从过渡模型和基于替代模型的空气动力学优化到3D飞机逆向设计和其他工程流问题[16]、[17]、[18]、[19]、[20]。然而,这些框架主要受到预定义结构化网格拓扑的限制;当应用于不同的几何形状或分辨率时,所需的插值操作不可避免地会降低激波的尖锐度,导致激波位置和强度的显著误差[21]、[22]。为了提高几何适应性,采用了无网格或灵活网格方法,如图神经网络(GNNs)、DeepONet和Transolver来处理不规则的计算域,并学习函数空间之间的映射[23]、[24]、[25]。这些模型比网格固定架构更加灵活,但它们仍然难以忠实解决跨音速流中的极端空间非均匀性,其中局部的高梯度结构难以准确解析。因此,当前的工作不应被视为一个根本全新的通用神经算子,而是一个面向跨音速流的混合表示框架,它以任务对齐的方式整合了现有的想法,用于超临界机翼流建模。这一限制的根本原因在于神经网络固有的谱偏差,其中多层感知器优先学习低频全局模式,而在高频不连续性上的收敛速度极慢[26]、[27]。通过隐式神经表示(INRs)[28]、[29]或高频位置编码来缓解这一问题的努力,往往会在平滑区域引入非物理振荡,从而影响整体预测的准确性[30]、[31]。
跨音速流场在其能量分布上具有明显的谱差异性。主导能量模式集中在大尺度、低频的宏观结构中,而高频成分(表现为激波不连续性和薄边界层)在空间上稀疏但在物理上至关重要。这种极端的多尺度不平衡加剧了基于坐标的神经网络的固有“谱偏差”,它们倾向于优先收敛平滑的低频背景流形,而无法解析尖锐的高梯度奇异性[32]、[33]、[34]。为了缓解这一限制,我们提出了一个显式的频率解耦框架。通过嵌入一种结构化的归纳偏差,我们将流场重建分解为两个与不同频率带相关的互补子任务。一个分支重建低频基线,另一个分支细化高频残差,特别是在激波附近。这种分离减少了单个网络必须同时适应平滑的亚音速区域和尖锐的跨音速不连续性时产生的优化冲突。
这种频率解耦框架的有效性关键在于选择一种与每个子空间的谱特性相匹配的表示基础[35]。传统的全球谱编码方法,如傅里叶特征或切比雪夫多项式,缺乏紧凑的支持。为了解析像尖锐激波这样的局部奇异性,它们必须在整个域上提高频率分辨率。这通常会在平滑的亚音速区域导致非物理的Gibbs振荡[36]。为了解决这种“全局-局部”不匹配,我们采用多分辨率哈希网格编码作为特征基础。其分层结构和局部紧凑的支持使得计算能力能够集中在物理需求的地方。粗网格层次代表低频背景,细层次仅在梯度陡峭的区域激活[37]。这种任务分解与表示之间的对齐是所提设计的核心,减少了与全局编码相关的Gibbs类型伪影,同时保持了尖锐的局部过渡。
**主要贡献总结如下:**
• **问题特定的双分支表示:** PHD-NO使用双分支哈希编码架构,将平滑的全局背景重建与局部激波主导的修正在跨音速流预测中分离。
• **物理引导的数据驱动学习:** 通过物理感知的点选择和条件编码,替代模型在连续的数据驱动表示中保持对激波区域、近壁粘性结构和案例依赖的空气动力条件的敏感性。
• **在跨音速超临界机翼环境中的评估:** 在高度真实的超临界机翼数据集上,匹配的内部基线和无网格算子基线表明,这种集成减轻了与谱偏差相关的激波重建困难,保持了空气动力载荷预测的准确性,并且在相同的硬件基础上,其CPU推理速度比CFD求解器快约474倍。
本文的其余部分组织如下:第2节详细介绍了高度真实超临界机翼数据的生成和验证;第3节描述了所提出的PHD-NO方法的总体架构和学习策略;第4节通过数值实验评估了模型的有效性;第5节总结了工作并讨论了未来的发展方向。
**数据集片段**
为了训练一个能够捕捉跨音速空气动力学复杂非线性的鲁棒神经替代模型,构建的数据集需要满足三个主要要求:地面真实标签的高物理保真度、足够的几何多样性以确保在设计空间中的广泛泛化,以及提高非均匀特征(如激波和边界层)的分辨率。为此,我们开发了一个系统的数据...
**问题表述**
跨音速机翼流场预测问题被数学上重新表述为学习一个由边界条件参数化的连续算子映射,目的是克服离散张量表示在处理多尺度分辨率方面的局限性。设Ω?R^2表示围绕机翼的有界物理计算域,边界?Ω分解为固体壁Γwall和远场边界Γfar,即?Ω=Γwall∪Γfar。流场状态变量...
**数值结果与讨论**
为了评估所提出的方法,我们在上述高度真实的超临界机翼数据集上进行了系统的数值实验。主要指标是整个流场的平均和最大L1误差,以及表面压力p的平均和最大L1误差。这些量捕捉了全局流动精度和空气动力载荷的保真度。所有报告的变量都是无量纲的,因此具有数量级为一的特征大小。
**结论**
本研究解决了跨音速超临界机翼流的极端多尺度特性与神经网络的谱偏差之间的冲突。为此,我们提出了一种物理引导的哈希编码双分支神经算子(PHD-NO),大大缓解了传统数据驱动模型在表示宽带跨音速流谱方面的局限性。主要结论总结如下:
首先,我们提出了一种双分支频率解耦策略...
**作者贡献声明**
陈淼:撰写——原始草案、软件、方法论、调查。
王静:撰写——审阅与编辑、资源、项目管理、方法论、形式分析。
谢海如:数据管理。
何一凡:可视化。
夏一凡:验证、资源。
张继发:监督、项目管理。
**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号