基于稀疏表面压力的流动重建技术:研究厚翼型在一系列攻角下的周围流动情况

《Data-Centric Engineering》:Sparse surface pressure-based reconstruction of the flow around a thick airfoil over a range of angles of attack

【字体: 大 中 小 】 时间:2026年05月15日 来源:Data-Centric Engineering 2.8

编辑推荐:

  摘要:我们提出了一种基于神经网络的高效方法,用于从有限的表面压力测量数据中估计翼型周围的瞬时流场。该模型被称为SNN-POD,它依赖于两个独立的浅层神经网络来预测广泛的攻角范围([10°, 20°])内的瞬时流动。在所有攻角下,全局模型都能从单次传感器数据中正确恢复流动的平均特性

  摘要:我们提出了一种基于神经网络的高效方法,用于从有限的表面压力测量数据中估计翼型周围的瞬时流场。该模型被称为SNN-POD,它依赖于两个独立的浅层神经网络来预测广泛的攻角范围([10°, 20°])内的瞬时流动。在所有攻角下,全局模型都能从单次传感器数据中正确恢复流动的平均特性,从而可以与局部、角度依赖的模型结合使用。该方法应用于雷诺数为4.5×10^6的厚翼型的二维URANS模拟中。训练集包括从粗略采样(1-2°)的攻角范围内获得的快照。使用基于方差的标准来确定传感器的数量和位置。对训练集中(采样角度)和训练集外(插值角度)的未见快照进行了测试。采样角度和插值角度的最大均方误差(MSE)分别为2.9%和6.6%。这使得在必要时可以开发出改进估计的自适应策略。

影响声明:可靠地预测空气动力载荷对于风力涡轮机的设计、运行和寿命评估至关重要。这些载荷强烈依赖于来流条件,而在运行条件下这些条件通常是不可获得的,因为通常只能获得有限的表面信号。本研究介绍了一种结合降阶建模和浅层神经网络的低成本模型,以捕捉测量数据与流场之间的瞬时非线性关系。该模型在代表运行条件的广泛攻角范围内经过训练和测试,实现了准确的重建和泛化,并且还能从瞬时数据中正确推断出攻角,从而为风能系统的监测和控制提供了新的机会。

1. 引言:在风能领域,准确预测风力涡轮机的平均和瞬时空气动力载荷对于确保其结构完整性和效率至关重要,特别是在阵风或动态失速期间。Blade Element Momentum(BEM)方法最初由Glauert提出(参考文献Glauert1935),长期以来一直是空气动力载荷预测的主要工具。其优点在于简单性和计算效率,假设来流是静止且均匀的。几十年来,BEM通过许多修正得到了改进,以考虑三维效应,如尖端损失(Prandtl和Betz,参考文献Prandtl和Betz1927)、根部效应(Chaviaropoulos和Hansen,参考文献Chaviaropoulos和Hansen2000)、偏航来流(Madsen等人,参考文献Madsen, Larsen, Pirrung, Li和Zahle2020)以及动态来流条件(Snel和Schepers,参考文献Snel和Schepers1995)。通过与大规模现场测试活动的比较(Potentier等人,参考文献Potentier, Braud, Guilmineau, Finez和Le Bourdat2021),确定了最具影响力的修正,并证明当与非稳态空气动力模型结合使用时,BEM可以在大多数条件下可靠地捕捉平均载荷趋势。然而,捕捉瞬时载荷仍然是一个重要挑战,因为它需要了解周围流场的信息——在实际或现场设置中这些信息很难获得,因为通常只能获得稀疏、低分辨率的壁压测量数据。在过去几十年中,稀疏流场重建领域进行了广泛研究,应用于许多工程领域,从医学诊断到大气测量。在医学领域,四维磁共振成像(4D MRI)的空间和时间限制的采集通过流场重建技术得到补充,以确定脑动脉瘤期间的血流(Zhang等人,参考文献Zhang, Brindise, Rothenberger, Markl, Rayz和Vlachos2022)。从有限观测数据重建湍流对于气候学(Schneider等人,参考文献Schneider, Lan, Stuart和Teixeira2017)、天气预报(Kalnay,参考文献Kalnay2002)、大气(Kaimal和Finnigan,参考文献Kaimal和Finnigan1994)和城市边界层研究(Blackman和Perret,参考文献Blackman和Perret2016;Lu和Papadakis,参考文献Lu和Papadakis2023)也至关重要,其中计量技术(气象桅杆、LIDAR、压力气球)只能访问到感兴趣的大气体积的一小部分。在风能领域,使用高频SCADA数据估计风力涡轮机和风电场的来流风或下游尾流时也存在同样的问题(Rott等人,参考文献Rott, Petrovi’c和Kühn2020)。由于实验中只能获得有限的数据,因此需要依赖广泛的数值模拟。对于表征风能研究的高雷诺数流动,大涡模拟(LES)的巨大计算成本使其在多配置环境中的应用变得困难。另一方面,非稳态雷诺平均纳维-斯托克斯(URANS)模拟是一种高保真计算工具,已被证明能够满意地捕捉实验数据的主要特征(Neunaber等人,参考文献Neunaber, Danbon, Soulier, Voisin, Guilmineau, Delpech, Courtine, Taymans和Braud2022;Vitulano等人,参考文献Vitulano, De Tavernier, De Stefano和von Terzi2025)。因此,URANS在研究实际配置时显得特别相关,因为它在准确性和相关性之间提供了良好的平衡(Sahebzadeh等人,参考文献Sahebzadeh, Rezaeiha和Montazeri2022)。需要解决几个流场重建的挑战。首先,要估计的目标流场通常是湍流的,因此其特征是高维数据,通常需要将其简化为更紧凑的表示。其次,物理和经济限制可能会限制传感器的数量、位置和采集率,因此可能需要优化策略(Hollenbeck等人,参考文献Hollenbeck, Grandhi, Hansen和Pankonien2024;Bukowski等人,参考文献Bukowski, Rennie和Gordeyev2025)。第三,观测数据与目标场之间的映射可能是非线性的,例如从压力测量数据重建速度场(Graziani等人,参考文献Graziani, Kerhervé, Martinuzzi和Keirsbulck2018)。最后,需要在估计技术的成本和准确性之间找到适当的折中。关于稀疏重建方法的全面综述可以在Manohar等人(参考文献Manohar, Brunton, Kutz和Brunton2018)、Callaham等人(参考文献Callaham, Maeda和Brunton2019)和Nair和Goza(参考文献Nair和Goza2020)中找到,但这里值得回顾一些关键原则。大多数方法依赖于降阶模型(ROMs)将高维流动动力学投影到低阶流形上。然后,重建任务简化为估计降阶状态,随后可以将其映射回全阶流场。复杂流场的高维动力学的投影可以使用数据无关的线性分解基础进行,如傅里叶模式或小波,或者数据驱动的,如适当正交分解(POD,Lumley,参考文献Lumley, Iaglom和Tatarski1967),或动态模态分解(DMD,Schmid,参考文献Schmid2010)。关于模态分解的全面综述可以在Taira等人(参考文献Taira, Brunton, Dawson, Rowley, Colonius, McKeon, Schmidt, Gordeyev, Theofilis和Ukeiley2017)中找到。然而,线性重建在捕捉非线性流动特征方面可能有限。这激发了更复杂方法的发展,如稀疏回归技术,以解决这些问题(Loiseau等人,参考文献Loiseau, Noack和Brunton2018)。总体而言,机器学习的最新进展为流场重建开辟了新的视角:基于神经网络的方法可以学习稀疏测量数据与全阶流之间的非线性映射,尽管仍然可以使用线性扩展来降低数据的维度(Swischuk等人,参考文献Swischuk, Mainini, Peherstorfer和Willcox2019)。特别是,通过将深度学习策略与基于适当正交分解的降阶模型相结合,构建了高效的模型,如POD-NN方法(Hesthaven和Ubbiali,参考文献Hesthaven和Ubbiali2018)、POD-DL-ROM方法(Fresca和Manzoni,参考文献Fresca和Manzoni2022)或FastSVD-ML-ROM方法(Drakoulas等人,参考文献Drakoulas, Gortsas, Bourantas和Poliros2023)。在各种引起兴趣的神经网络架构中,自编码器在发现非线性流形方面显示出潜力,与线性子空间相比具有更高的重建精度(Lee和Carlberg,参考文献Lee和Carlberg2019;Xu和Duraisamy,参考文献Xu和Duraisamy2020;Tan,参考文献Tan2023),并且可以提供因果关系洞察(Fukami和Taira,参考文献Fukami和Taira2025)。Murata等人(参考文献Murata, Fukami和Fukagata2020)表明,卷积神经网络自编码器能够提供比POD更紧凑的表示。图神经网络(GNNs)也被证明是一种多功能且强大的估计工具,Duthé等人(参考文献Duthé, Abdallah, Barber和Chatzi2023)最近开发了一种传递消息的GNN,用于从任意形状的翼型周围的表面压力分布预测稳定的二维压力和速度场。数据驱动的神经框架的可能缺点包括缺乏可解释性和与基于物理的知识脱节。Raissi等人(参考文献Raissi, Perdikaris和Karniadakis2019)引入了物理信息神经网络(PINNs),它们使用旨在最小化与观测结果的差异并强制物理守恒定律的损失进行训练。实现包括使用稀疏和不完整速度测量数据重建圆柱尾流中的速度(Xu等人,参考文献Xu, Sun, Huang, Guo, Yang和Ju2023)、使用针对各种基于物理的损失公式训练的卷积神经网络重建钝体尾流和Kolmogorov流动(Mo和Magri,参考文献Mo和Magri2025),以及使用物理约束的变分自编码器从二维平面测量数据重建三维湍流边界层流动(Hora等人,参考文献Hora, Gentine, Momen和Giometto2024)。然而,尽管PINNs显示出巨大潜力,但它们可能会产生高计算成本,并且在复杂流动(如多尺度动态系统)上可能遇到困难(Li等人,参考文献Li, Zheng, Kovachki, Jin, Chen, Liu, Azizzadenesheli和Anandkumar2024)。相比之下,Erichson等人(参考文献Erichson, Mathelin, Yao, Brunton, Mahoney和Kutz2020)引入的低成本替代方案——浅层神经网络模型(在其中称为“shallow decoder”,Carter等人(参考文献Carter, De Voogt, Soares和Ganapathisubramani2021)将其称为SNN)——依赖于简单的神经架构将稀疏传感器输入映射到高维流场。在诸如圆柱流过、海面温度动态和合成湍流等测试案例中,浅层神经网络模型的性能优于基于POD的线性重建(Erichson等人,参考文献Erichson, Mathelin, Yao, Brunton, Mahoney和Kutz2020)。浅层神经网络还进一步用于线性状态估计的非线性细化(Carter等人,参考文献Carter, De Voogt, Soares和Ganapathisubramani2021)或作为基于ROM的模型,用于从平板高攻角处的涡度和表面应力测量传感器重建涡度场(Nair和Goza,参考文献Nair和Goza2020)。浅层神经网络框架还扩展到考虑时间信息。Williams等人(参考文献Williams, Zahn和Kutz2024)成功测试了一种依赖于传感器历史数据的浅层循环解码器(SHRED),用于重建和预测任务。这种方法可以通过ROM(SHRED-ROM,Kutz等人,参考文献Kutz, Reza, Faraji和Knoll2024;Tomasetto等人,参考文献Tomasetto, Williams, Braghin, Manzoni和Kutz2025)进行补充。然而,这些工具的应用需要对环境参数有广泛的了解,这些参数在风能的工业环境中可能变化很大和/或无法获得。特别是,商业传感器的带宽和内存要求可能不足以提供关于其时间演变的准确信息。因此,在本工作中,我们将假设信息的时间连续性无法保证,只考虑瞬时重建策略。本文解决的关键问题是攻角的变异性,这可能会由于大气扰动(大气边界层垂直和横向梯度、阵风等)而出现,从而导致流动状态和翼型空气动力学的剧烈变化。对于风能应用,感兴趣的攻角范围可能超出最佳运行条件,特别是可能达到最大升力条件,此时流动分离并伴随载荷不稳定性。为了有效应对这些大的变化,将预测嵌入到低维空间中是重要的。尽管非线性表示方法可能比线性方法提供更紧凑的表示形式(Murata等人,参考文献Murata, Fukami和Fukagata2020;Racca等人,参考文献Racca, Doan和Magri2023),但我们选择了适当正交分解(POD)方法,因为它计算简单且相对易于解释(Holmes等人,参考文献Holmes, Lumley和Berkooz1996)。一般来说,POD空间中的投影起到了低通滤波器的作用,从而能够分离出平滑的、大尺度的、间歇性的和小尺度的动态。这种尺度分离对于克服机器学习方法的局限性特别有用(Faranda等人,参考文献Faranda, Vrac, Yiou, Pons, Hamid, Carella, Ngoungue Langue, Thao和Gautard2021)。它还有助于确保预测方法对现实生活中的噪声数据集仍然适用。为了表示的简便性,从训练数据中提取了一个独特的POD模式基,因此这些模式依赖于时间和几何形状(通过攻角AoA)。如下所述,发现一部分POD模式几乎完全依赖于攻角。这种参数空间的解耦用于将潜在特征分为几乎稳定的特征和不稳定特征。相对易于解释的表示形式也有助于解决另一个主要问题,即测量值与重建场之间的非线性依赖性。在不可压缩流动情况下,泊松方程将压力与非线性平流项的散度联系起来。大多数研究使用壁面剪切(或涡度)来估计速度场,而在实验中通常更容易获得表面压力数据。据我们所知,我们的研究是第一个使用浅层神经网络框架来处理传感器数据(压力)与估计值(速度)之间非线性依赖性的研究。在本工作中,开发了一种结合POD和浅层神经网络的混合方法,利用稀疏的瞬时表面压力测量数据来重建厚翼型尾流中的流速。数据集包括在高雷诺数下、不同攻角下获得的非稳态二维URANS模拟结果。模型输出或目标是由流速的瞬时POD振幅组成的,这些振幅被分为时间依赖部分和时间独立部分,每个部分都由浅层神经网络独立学习。本文的其余部分结构如下:第2节介绍了数据集的输入参数和输出,并介绍了将用于评估重建的具体指标。第3节详细介绍了重建过程。第4节对方法及其鲁棒性进行了评估。第5节给出了结论和未来发展的讨论。

2. 数据集介绍
2.1. 模拟设置
当前的数据集包括风轮机翼型的二维模拟,攻角范围从$10{}^{\circ}$到$20{}^{\circ}$。这些模拟是使用ISIS-CFD流动求解器(Visonneau等人,参考文献Visonneau, Queutey, Deng, Guilmineau, Leroyer和Wackers2014)生成的,该求解器由Centrale Nantes和CNRS开发,是FINE?/Marine计算套件的一部分,采用了不可压缩的非稳态雷诺平均纳维-斯托克斯(URANS)方法。$k-\omega$ SST模型用于湍流建模。有限体积方法在非结构化网格上离散化传输方程,该网格通过自适应网格细化(AMR)自动扩展(细化)或限制(重细化),以准确捕捉局部梯度,而不会导致高计算成本。流动变量存储在任意形状的单元中心。体积和表面积分使用二阶近似计算,而网格面上的通量则通过对邻近单元中心的被积函数进行线性外推来重建。时间离散化使用二阶后向差分方案。所有模拟都应用了一个恒定的时间步长$\Delta {tU}_{\infty }/c=0.01$对流时间单位,其中${U}_{\infty}$是入口速度,$c$是叶片弦长,每5个时间步长存储一次快照。翼型几何形状是从2 MW风轮机叶片的3D扫描中提取的,位于转子直径的$80\%$处,其特征弦长$c=1.25$米,厚度为$20\%$。基于弦长的雷诺数为${R}_e=4.5\times {10}^6$,这再现了CSTB气候风洞中的全尺寸几何形状(Neunaber等人,参考文献Neunaber, Danbon, Soulier, Voisin, Guilmineau, Delpech, Courtine, Taymans和Braud2022;Braud等人,参考文献Braud, Podvin和Deparday2024)。Neunaber等人(参考文献Neunaber, Danbon, Soulier, Voisin, Guilmineau, Delpech, Courtine, Taymans和Braud2022)对实验和数值全局载荷进行了比较,并显示出良好的一致性。对于每个攻角,模拟至少运行了$20,000$个时间步长,相当于大约$200$个对流时间单位,大约需要$300$个核心小时的计算时间。虽然在运行模拟时使用了AMR,但我们的流动重建方法的后处理和训练/测试是在一个固定网格上进行的,该网格取自$14{}^{\circ}$模拟的最后一轮迭代,包含${N}_s=91,912$个网格点。
2.2. 攻角离散化
训练集中包含的攻角(AoA)集合为${I}_{train}=\left\{10{}^{\circ},12{}^{\circ},14{}^{\circ},15{}^{\circ},16{}^{\circ},18{}^{\circ},20{}^{\circ}\right\}$。选择这个范围是为了涵盖各种流动状态:边界层完全附着的流动情况、边界层开始从后缘分离的过渡情况(在模拟中约为$14{}^{\circ}$,在Braud等人(参考文献Braud, Podvin和Deparday2024)的实验中为$12{}^{\circ}$),以及边界层分离的情况,分离点向上游移动到前缘。这种AoA的多样性反映了风轮机在正常运行条件下由于旋转速度和俯仰角变化而导致的攻角的自然变化。此外,涡轮机和翼型浸没在复杂的湍流大气环境中,这会导致由于阵风、风速突变(即来风速度的快速变化)或偏航不对准等原因引起的入射角的强烈局部波动。攻角增量在$\left[14{}^{\circ},16{}^{\circ}\right]$范围内为$1{}^{\circ}$,这对应于分离的开始,其他情况下为$2{}^{\circ}$。选择这种粗略的AoA离散化是为了加快训练速度并评估模型的泛化能力。
2.3. 壁面压力
本节描述了翼型上的压力测量数据,其中一部分将构成模型的输入。
2.3.1. 壁面压力分布
时间平均壁面压力系数${C}_p=\frac{\Delta p}{q_0}$的分布,其中$\Delta p$是壁面压力与自由流中测得的参考静压之差,${q}_0$是动态压力,如图1a所示,适用于${I}_{train}$范围内的攻角。对于所有攻角,分布特征相似:在前缘有一个强烈的吸力峰值,随着攻角的增加而增加,在叶片的前半部分有一个高吸力区域,然后吸力缓慢减小到后缘。应该注意的是,轮廓中的一些不规则性是由于几何形状的不连续性造成的,这些数据直接来自对实际叶片的粗略3D扫描。在分离之后,对于$AoA \ge 14{}^{\circ}$,曲线在后缘附近逐渐变平,表明流动分离点向前缘移动。这种演变与Neunaber等人(参考文献Neunaber, Danbon, Soulier, Voisin, Guilmineau, Delpech, Courtine, Taymans和Braud2022)和Braud等人(参考文献Braud, Podvin和Deparday2024)描述的相应实验配置中的演变基本相似(然而,在实验中,分离观察到的攻角约为$AoA \ge 12{}^{\circ}$,这可能归因于实验环境中更嘈杂的微小差异)。
图1. (a) 翼型周围的时间平均压力系数${C}_p$分布。(b) 从$10{}^{\circ}$到$20{}^{\circ}$的攻角范围内,沿弦向的${C}_p$的标准差${\sigma}_{C_p}$(仅吸力侧)。垂直虚线对应于间歇性分离点(ISP)的弦向位置,ISP定义为${\sigma}_{C_p}$在中弦压力吸力侧的局部最大值。图1b显示了壁面压力系数${\sigma}_{C_p}$的标准差分布。对于流动保持附着或开始分离的攻角($10{}^{\circ}$、$12{}^{\circ}$、$14{}^{\circ}$),压力波动的水平非常低。对于与分离流动状态相关的更高攻角,${\sigma}_{C_p}$逐渐增加。在高雷诺数下,这种随攻角单调增加的现象与实验观察结果一致(Broeren和Bragg,参考文献Broeren和Bragg2001;Hanna等人,参考文献Hanna, Podvin和Braud2026)。对于所有攻角,都观察到一个明显的前缘最大值,与吸力峰值附近的波动相关。在更高攻角$18{}^{\circ}$和$20{}^{\circ}$的中弦区域,也一致观察到${\sigma}_{C_p}$的局部最大值。另一个峰值——称为后缘最大值——出现在$x/c\approx 0.8$附近,与分离后的剪切层与翼型表面的非稳态相互作用有关。这些波动较大的三个区域也在实验中得到了识别(Braud等人,参考文献Braud, Podvin和Deparday2024)针对单个弦长。然而,与实验相比发现了一些差异:实验中与ISP相关的波动水平更高,而在分离点以上的模拟中未观察到后缘的额外峰值。这些差异可以分别用模拟的2D特性和实验的相对较低分辨率来解释。
2.3.2. 壁面压力波动
在本节及后续工作中,变量$x$的频率自谱被定义为${S}_x(f)$,其中$f$表示频率。图2显示了在三个不同攻角下叶片吸力侧的压强信号${fS}_{C_p}$的预乘频率谱图,分别对应于附着流动($10{}^{\circ}$)、分离开始($14{}^{\circ}$)和完全分离($20{}^{\circ}$)。如图1b所预期的,能量水平随攻角的增加而增加。在分离之前,低频成分($f\le 10$ Hz)通常与前缘附近的强烈吸力峰值动态相关。在分离开始时,一个以100 Hz为中心的尖锐频率带从谱图中出现。随着攻角的增加,频率带宽度及其中心频率也增加,在$20{}^{\circ}$时达到约50 Hz。基于自由流速度${U}_{\infty}$和从弦分离点及攻角确定的剪切层高度$h$的Strouhal数得出一个几乎恒定的值${S}_t=\frac{fh}{U_{\infty }}\sim 0.26$,这与关于2D钝体的文献结果一致(Williamson,参考文献Williamson1996)。
图2. 对于AoA = $10{}^{\circ}$ (a)、AoA = $14{}^{\circ}$ (b)和AoA = $20{}^{\circ}$ (c)的${C}_p$的预乘时间谱图。黑色虚线对应于ISP的位置。
2.4. 尾流特征
本节介绍了与速度场相关的翼型的关键性能指标,此后称为“真实值”。在整篇文章中,重建的重点将是瞬时顺流速度分量,尽管也可以对横向分量采用类似的方法。下面还介绍了时间平均和湍流特征。时间平均尾流
为了表征尾流速度亏损的平均特征,定义了 $\Delta u(x,y)=\left({U}_{\infty }-\overline{u}(x,y)\right)$,其中 $\overline{.}$ 表示时间平均值,引入了以下两个量:
• 尾流宽度 $\delta$ 定义为时间平均速度亏损 $\Delta u(x,y)$ 达到局部最大速度亏损的 $\theta$ 分数的横向距离,即 $\Delta u(x,y=\delta )=\theta \Delta {u}_{\mathrm{max}}(x)$。尽管在风力涡轮机尾流建模中常用的标准是 $\theta =0.1$,但使用了更保守的阈值 $\theta =0.5$,因为发现它对周围流动中的小尺度扰动提供了更稳健的估计(Duda等人,参考文献Duda, Uruba和Yanovych2021)。
• 尾流偏转角 $\alpha$ 定义为最大速度亏损位置线与弦线之间的角度。其计算公式为 $\alpha =\arctan \left(\frac{y_{\mathrm{max}}-{y}_0}{x_{\mathrm{max}}-{x}_0}\right)$,其中 $(x_{\mathrm{max},y_{\mathrm{max}})$ 是最大速度亏损的坐标,$(x}_0,y_0)$ 是尾缘的坐标。图3展示了所有攻角下尾流宽度和尾流偏转角的流向演变。关于尾流宽度,观察到的一个普遍趋势是 $\delta$ 和 $\frac{d\delta}{dx}$ 随着攻角的增加而增加。在分离流动区域($x/c\in [1;2]$),可以在近尾流区域识别出特定的尾缘效应,因为宽度 $\delta(x)$ 首先经历一个局部最小值,然后是一个局部最大值,而 $\frac{d\delta}{dx}$ 跳升至更高值。在每个攻角下,远尾流区域的流向演变($x>4c$)可以表现为几乎恒定的增长率,该增长率随攻角的增加而增加。图3还显示偏转角 $\alpha$ 随着攻角的增加而增加,在近尾流区域有较大的变化,在远尾流区域则呈现准线性增长(需要注意的是,那里观察到的小振荡是计算网格的伪影)。因此,存在单调关系使得可以从偏转角 $\alpha$ 推断出攻角。在远尾流剖面中观察到的 $\delta$ 和 $\alpha$ 的噪声行为可以归因于网格从翼型处变粗。

图3. 时间平均尾流宽度 $\delta (x)/c$ 的流向演变(a)和时间平均尾流偏转角 $\alpha$ 的流向演变(b)。这些剖面显示的是 $x/c\in [1;7]$ 的情况,其中 $x/c=1$ 对应于尾缘的流向位置。

2.4.2. 尾流流动波动
由于重建方法旨在恢复瞬时速度场,现在将注意力转向尾流的时间依赖特性。图4顶部行显示了在任意时间 $t=5$ s 的瞬时流向速度场的快照,这些快照的攻角与图2中的相同。需要提醒的是,论文中显示的所有场都是通过将翼型置于 $0{}^{\circ}$ 入射角并使流动与攻角对齐来旋转的。在 $x/c=2$(近尾流区域)的垂直白色虚线对应于提取并显示在图4底部行的预乘速度谱的截面。

图4. 归一化瞬时流向速度场 $u/{U}_{\infty }$ 的快照(顶部)以及预乘速度谱 ${fS}_u$ 的频谱图,对于攻角 $=10{}^{\circ}$(a)、$=14{}^{\circ}$(b)和 $=20{}^{\circ}$(c)的情况。快照中的垂直白色虚线表示计算频谱图的 $x/c=2$ 截面。频谱图中的水平黄色虚线表示尾流宽度。与压力场观察到的情况一样,波动的总能量随攻角的增加而增加。图2中压力谱中观察到的主导频率也存在于预乘速度谱 ${fS}_u$ 中(对于攻角 $=14{}^{\circ}$ 和 $=20{}^{\circ}$ 为100和50 Hz),并且可以发现这些频率与涡脱落动力学相对应。然而,压力谱和速度谱之间存在一些差异,这反映了模型需要处理的压力和速度之间的非线性关系。在本节中,我们描述了稍后将描述的模型的输入和输出,即表面压力和流向速度场。时间平均和时间依赖的流动特性,如特征尾流宽度和方向,以及其频谱特征,将用于评估模型性能。

3. 方法论
我们现在详细说明从有限数量的压力测量数据重建流向速度场的方法。首先描述如何定义传感器数量和位置。

3.1. 传感器布置和数量
由于成本和实际限制,在实际应用中需要保持传感器数量较少。因此,传感器位置至关重要,因为信息内容在叶片表面并不是均匀分布的:例如前缘、尾缘或间歇性分离区携带了更多关于周围流动的信息。通过最小化与传感器相关的不确定性(可以通过信息熵来衡量,参考文献Papadimitriou2004)来进行最佳传感器布置。计算这个最小值是一个挑战,可以通过不同的近似方法来解决。Papadimitriou和Papadimitriou(参考文献Papadimitriou和Papadimitriou2013)对于CFD应用表明,熵可以用流动变量相对于流动参数的梯度来近似。Yoko和Juniper(参考文献Yoko和Juniper2024)使用基于伴随优化的方法高效地计算了熵的最小值。Bidar等人(参考文献Bidar, Anderson和Qin2024)没有直接解决最小化问题,而是根据选定的预测变量的方差来确定传感器的位置。然而,需要实施一个特定的标准来避免传感器聚集。另一种避免聚集的方法是使用稀疏性约束来进行传感器布置优化(例如,参见Manohar等人,参考文献Manohar, Brunton, Kutz和Brunton2018;Carter等人,参考文献Carter, De Voogt, Soares和Ganapathisubramani2021;Hollenbeck等人,参考文献Hollenbeck, Grandhi, Hansen和Pankonien2024;Bukowski等人,参考文献Bukowski, Rennie和Gordeyev2025)。在这里考虑的物理问题中,要重建的湍流动力学受到近壁剪切层和下游尾流发展的影响,这些受到叶片上分离点位置的影响很大。由于不同的动力学与叶片的不同区域相关,我们将叶片划分为几何簇,并实施了一种基于方差、促进稀疏性的方法。为了考虑不同攻角之间的波动水平差异,首先对每个攻角进行了优化。然后将传感器位置汇总到一个列表中。接着对这个列表进行简化以避免传感器聚集:如果两个传感器之间的距离小于给定的阈值,则只保留与最大(绝对)方差相关的传感器。该过程可以分为三个步骤:
• 第一步是根据位置将叶片表面点聚类为 ${n}_c$ 个簇。使用k-means聚类方法(MacQueen,参考文献MacQueen1967),并使用肘部方法(Thorndike,参考文献Thorndike1953)确定簇的数量 ${n}_c=25$。
• 第二步,为每个攻角确定最佳传感器位置:计算每个簇内的壁压方差,并根据它们对该攻角总方差的相对贡献对簇进行排序。给定一个方差阈值 ${\sigma}_{\mathrm{thres}}^2$(表示为总方差的百分比),确定捕获这一比例所需的最小簇数 ${p}_i$,并选择相应的簇。在这些 ${p}_i$ 个簇中,保留与最大方差相关的传感器,假设该点的波动代表了整个簇的波动。如果发现两个候选传感器之间的距离小于 ${d}_{min}$,则保留与最大方差相关的传感器,而另一个传感器在其簇内移动 ${d}_{min}$ 的距离。最小距离 ${d}_{min}$ 取为 $0.01c$,大致对应于Neunaber等人(参考文献Neunaber, Danbon, Soulier, Voisin, Guilmineau, Delpech, Courtine, Taymans和Braud2022)实验中的压力传感器间距。
• 第三步是将为所有攻角 ${N}_{\mathrm{AoA}}$ 获得的传感器位置列表连接起来。在这最后一步,如果发现两个传感器之间的距离小于 ${d}_{min}$,则只保留与最大方差相关的传感器——无论攻角如何。该过程产生的传感器总数为 $p\le {p}_i{N}_{\mathrm{AoA}}$。传感器选择过程总结在表1中。

表1. 基于最大化表示方差来选择壁压传感器的方法论

表2 报告了要捕获的目标方差阈值 ${\sigma}_{\mathrm{thres}}^2$ 与所需传感器数量 $p$ 之间的对应关系。方差阈值与选定传感器数量之间的关系是非线性的。在低阈值水平($\le 30\%$)下,传感器数量几乎保持不变或仅略有增加。这可以归因于前缘最大值和尾缘最大值的主导作用,它们的强烈波动单独占到了总方差的 ${\sigma}_{\mathrm{thres}}^2=30\%$。随着阈值的增加,会创建额外的传感器位置——首先是在前缘和尾缘区域,然后是在分离区域,与ISP相关,最后覆盖翼型表面,如图5所示。基于重建精度和传感器数量之间的权衡,确定了最佳传感器数量 $p=7$(因此代表了 $55\%$ 的壁压方差),这将在下面的大多数结果中使用。这一选择将在4.2.1节中进一步详细说明。

表2. 传感器数量 $p$ 作为方差分数 ${\sigma}_{\mathrm{thres}}^2$ 的函数

图5. 使用方差最大化策略为不同阈值水平选择的传感器布局

3.2. SNN-POD模型
SNN-POD模型结合了适当的正交分解(Proper Orthogonal Decomposition)和Erichson等人(参考文献Erichson, Mathelin, Yao, Brunton, Mahoney和Kutz2020)的浅层解码器框架,从稀疏的壁压测量数据中重建完整的速度场,这些测量数据是在一系列攻角下获得的。该模型使用对应于攻角集合 ${I}_{train}$(大小为 ${N}_{\mathrm{AoA}}=7$)的快照进行训练。对于每个攻角,选择一系列 ${N}_t$ 个快照来构成训练集,因此训练集由 ${N}_t\times {N}_{\mathrm{AoA}}$ 个输入/输出对组成,其中每个输入是一个大小为 $p$ 的压力测量向量,每个输出由大小为 ${N}_s$ 的速度场快照组成,且只有一个速度分量(流向)。由于第 $m$ 个快照(其中 $1\le m\le {N}_t{N}_{\mathrm{AoA}}$)可以与时间 ${t}_k$ 和攻角 ${\mathrm{AoA}}_i$ 关联,因此可以用索引 $m$ 或元组 $\left(k,i\right)$ 来表示。快照之间的采集时间分辨率为0.05对流时间单位(约1.1毫秒)。我们使用了 $ {N}_t=150 $ 个快照,因此训练集的长度约为 $ 0.16 $ 秒,这相当于 $ 8-16 $ 个涡脱落周期(根据图 4 中观察到的涡脱落频率定义),具体周期数取决于攻角。为了训练模型,对模型的输入和输出进行了标准化处理,其中均值和标准差是通过对整个训练数据集(由集合 $ {I}_{train} $ 中的快照组成)进行计算得出的。该方法可以总结如下(见图 8):首先使用 POD 将信息压缩到一个低阶流形中,这是一种降维过程,将在第 3.2.1 节中介绍。由于数据集的结构,低阶流形可以进一步分解为时间独立和时间依赖的组成部分。然后训练一个基于两个浅层神经网络的模型,以学习压力测量值与潜在子空间的两个组成部分(POD 速度幅度)之间的非线性映射,具体细节将在第 3.2.2 节中给出。接着,根据模型估计的时间幅度和训练集的空间统计信息来重建瞬时流场。

3.2.1 降维
由于需要重建的全阶状态维度很高(见第 2 节),首先使用适当正交分解(POD,参考文献 Lumley, Iaglom 和 Tatarski1967)将训练集中的每个速度场投影到一个低维线性子空间。由于 $ {N}_t{N}_{\mathrm{AoA}}<{N}_s $,因此应用快照方法(Sirovich,参考文献 Sirovich1987)来处理相对于平均值 $ \left\langle u\right\rangle $ 定义的速度波动,其中 $ \left\langle .\right\rangle $ 表示对所有时间和攻角的平均值。该方法依赖于构建一个快照矩阵 $ \mathbf{X} $:
$$ \mathbf{X}=\left[\begin{array}{cccc}\mid & \mid & & \mid \\ {}{\mathbf{u}}^1& {\mathbf{u}}^2& \dots & {\mathbf{u}}^{N_t{N}_{\mathrm{AoA}}}\\ {}\mid & \mid & & \mid \end{array}\right] $
其中 $ \mathbf{X}\in {\mathrm{\mathbb{R}}}^{N_s\times {N}_t{N}_{\mathrm{AoA}} $ 的每一列代表一个速度快照。需要注意的是,$ {\mathbf{u}}^1 $ 和 $ u\left(\mathbf{x},{t}_1,{\mathrm{AoA}}_1\right) $ 可以视为等效的表示方法。每个快照(列)都是相对于整个数据集进行标准化的,即针对所有攻角进行标准化。对快照矩阵 $ \mathbf{X} $ 进行奇异值分解(SVD)得到:
$$ \mathbf{X}=\boldsymbol{\Phi} {\mathbf{SA}}^T $
其中
$$ \boldsymbol{\Phi} =\left[{\phi}_1\hskip0.5em \dots \hskip0.5em {\phi}_{N_t{N}_{\mathrm{AoA}}}\right]\in {\mathrm{\mathbb{R}}}^{N_s\times {N}_t{N}_{\mathrm{AoA}},\mathbf{A}=\left[\begin{array}{ccc}{\mathbf{a}}_1& \dots & {\mathbf{a}}_{N_t{N}_{\mathrm{AoA}}}\end{array}\right]\in {\mathrm{\mathbb{R}}}^{N_t{N}_{\mathrm{AoA}}\times {N}_t{N}_{\mathrm{AoA}}, $$
$$ \mathbf{S}=\operatorname{diag}\left({\lambda}_1^{1/2},\dots, {\lambda}_{N_t{N}_{\mathrm{AoA}}}^{1/2}\right)\in {\mathrm{\mathbb{R}}}^{N_t{N}_{\mathrm{AoA}}\times {N}_t{N}_{\mathrm{AoA}} $$
其中 $ \mathbf{S} $ 是按大小排序的奇异值对角矩阵,$ \boldsymbol{\Phi} $ 是线性 POD 模式的矩阵,$ \mathbf{A} $ 是 POD 时间系数的矩阵。每个 POD 模式 $ {\phi}_n\left(\mathbf{x}\right) $,$ n=1,\dots {N}_t{N}_{\mathrm{AoA}} $,都满足正交条件,每个幅度向量 $ {\mathbf{a}}_n $ 也是如此。值 $ {\lambda}_n $ 表示第 $ n $ 个模式对速度场方差的贡献,因此奇异值 $ {\lambda}_n^{1/2} $ 表示物理空间中的全局模式强度。因此,训练集中的每个顺流向速度场都可以在任何攻角 $ {\mathrm{AoA}}_i $ 下用唯一的 POD 基表示为:
(1)
$$ u\left(\mathbf{x},{t}_k,{\mathrm{AoA}}_i\right)=\left\langle u\left(\mathbf{x}\right)\right\rangle +{u}^{\prime}\left(\mathbf{x},{t}_k,{\mathrm{AoA}}_i\right)\hskip0.22em \mathrm{where}\hskip0.22em {u}^{\prime}\left(\mathbf{x},{t}_k,{\mathrm{AoA}}_i\right)=\sum \limits_{n=1}^{N_t{N}_{\mathrm{AoA}}}{\lambda}_n^{1/2}{a}_n^{k,i}{\phi}_n\left(\mathbf{x}\right) $$
图 6 显示了不同长度训练集 $ {N}_t{N}_{\mathrm{AoA}} $ 的奇异值 $ {\lambda}_i^{1/2} $。可以看出,当训练集长度 $ {N}_t\ge 50 $ 时可以达到收敛,并且前 50 个 POD 模式捕获了超过 99% 的总方差。图 7 显示了前六个能量最大的 POD 空间模式 $ {\phi}_n\left(\mathbf{x}\right) $,$ n=1,\dots 6 $ 及其幅度 $ {a}_n $,这些模式分别针对每个攻角绘制。这六个空间模式可以分为两组:一方面,模式 1、2、3 和 5 在剪切层和分离区很重要;另一方面,模式 4 和 6 在尾流中占主导地位。后者的能量水平相似,其形状与一对涡脱落模式一致。进一步观察到,第一组模式的幅度具有非零的时间平均值,这些平均值对于每个攻角都是不同的,表明它们对应于由于攻角引起的时间独立场变形。相比之下,第二组幅度的时间平均值为零,其幅度特征是随着分离的增加而增大。因此,可以通过比较每个攻角 $ {\overline{a}}_n\left(\mathrm{AoA}\right) $ 的时间平均值与其变化幅度 $ {\overline{a}}_n\left(\mathrm{AoA}\right) $ 来确定 POD 模式 $ {a}_n $ 是稳定的还是不稳定的。具体来说,如果满足以下条件,则认为模式是稳定的(分别是不稳定的):
(2)
$$ \underset{\mathrm{AoA}}{\max}\mid \underset{N_t}{\max}\;{\mathbf{a}}_n-\underset{N_t}{\min}\;{\mathbf{a}}_n\mid >\underset{\mathrm{AoA}}{\max}\mid \overline{{\mathbf{a}}_n}\mid $$
这使得可以将 POD 模式分为稳定模式和不稳定模式,分别用后缀 $ st $ 和 $ un $ 标记。关于这种划分的相关性和稳健性的讨论在第 4.2.2 节中提供。

图 6. 从不同大小的训练数据集中获得的奇异值 $ {\lambda}_i^{1/2} $,红色垂直虚线表示在 $ r=50 $ 处的 POD 截断。
图 7. POD 模式集合 $ {\boldsymbol{\Phi}}_{\mathbf{i}} $(顶部)及其相关的 POD 系数 $ {\mathbf{a}}_{\mathbf{i}} $(底部),$ i=1,\dots, 6 $(a,…,f)。它们对总方差的贡献在标题中用括号表示。
图 8. SNN-POD 重建框架的示意图。稳定模式(用 $ st $ 下标表示)和不稳定模式(用 $ un $ 下标表示)分别由 SNN-POD 处理。两个浅层神经网络(SNN)学习稀疏壁压测量值与稳定和不稳定 POD 系数之间的映射,使用能量加权损失函数。然后从 POD 训练基 $ \mathtt{\varPhi} $ 和估计的模型幅度中恢复高维流场。

3.2.2 模型的构建
给定一个大小为 $ p $ 的压力测量输入向量,模型通过估计 $ r $ 个能量最大的 POD 系数 $ {\hat{a}}_n $ 来学习到 POD 基上的投影,然后结合这些系数来重建大小为 $ {N}_s $ 的流场:
(3)
$$ \hat{u}\left(\mathbf{x}\right)=\left\langle u\left(\mathbf{x}\right)\right\rangle +\sum \limits_{1\le n\le r}{\lambda}_n^{1/2}{\hat{a}}_n{\phi}_n\left(\mathbf{x}\right) $$
其中 $ \left\langle u\left(\mathbf{x}\right)\right\rangle $、$ {\lambda}_n $ 和 $ {\phi}_n $ 是从训练集中确定的。在对单个攻角配置进行的初步分析(未显示)表明,增加 POD 模式的数量通常可以提高重建精度;然而,对于保留的 $ r\ge 50 $ 个模式,改进效果变得微不足道。因此,本研究选择了 $ r=50 $ 个 POD 模式,对应的压缩比为 $ 96.75\% $。要学习的幅度 $ {\hat{a}}_n $ 被分成两个输出向量,分别包含稳定模式和不稳定模式——根据前一节的内容——这两个模式由基于 Erichson 等人(参考文献 Erichson, Mathelin, Yao, Brunton, Mahoney 和 Kutz2020)概述的浅层解码器架构的两个网络独立学习。浅层神经网络(SNN)是一个由 $ L $ 个全连接隐藏层组成的神经网络(通常 $ L\le 3 $)。给定一个输入 $ \mathbf{s} $,模型的输出定义为:
$$ \mathcal{F}\left(\mathbf{s};\mathbf{w}\right)={\mathbf{w}}^{\mathbf{L}}g\left({\mathbf{w}}^{\mathbf{L}-\mathbf{1}}\dots g\left({\mathbf{w}}^{\mathbf{1}}\mathbf{s}\right)\right), $$
其中 $ g $ 是一个非线性激活函数,$ \mathbf{w } $ 是权重矩阵集。这里 $ L=3 $,$ g $ 是 ReLu 函数。本研究中使用的模型依赖于两个具有相同架构的 SNN。通过添加 $ 10\% $ 的丢弃率来提高每个网络的稳健性。使用自适应矩估计(ADAM)优化器以及正则化方法(权重衰减)来防止过拟合。训练批次是随机洗牌的,小批量大小设置为 $ 128 $。两个网络都训练了 4000 个周期,但可以通过提前停止来缩短训练时间,提前停止作为一种正则化手段以避免过拟合(Goodfellow 等人,参考文献 Goodfellow, Bengio 和 Courville2016)。实际上,如果测试数据集上的误差在 100 个周期内没有减少,则应用提前停止。最优超参数集的选择(即学习过程中外部直接学习的参数)是通过使用基于贝叶斯优化的 Optuna 超参数优化软件框架来确定的(Akiba 等人,参考文献 Akiba, Sano, Yanase, Ohta 和 Koyama2019)。表 3 给出了调整后的超参数及其最优值列表。
表 3. 每个 SNN 的超参数及其最优值列表。$ p $ 表示传感器的数量或输入数量(显示的结果对应于 $ p=7 $),$ r $ 是要由 SNN 重建的 POD 模式数量(输出)(显示的结果分别对应于稳定模式的 $ {r}_{st}=6 $ 和不稳定模式的 $ {r}_{un}=544 $)。
每个 SNN 都被训练来最小化简化状态与其估计之间的 $ {L}_2 $-范数,该范数按相关特征值(模式对方差的贡献)加权,因此损失函数为:
(4)
$$ {\displaystyle \begin{array}{c}{\mathrm{\mathcal{L}}}_{POD}=\sum \limits_{1\le n\le r}{\lambda}_n\sum \limits_{1\le m\le {N}_t{N}_{\mathrm{AoA}}}\parallel {a}_n^m-{\hat{a}}_n^m{\parallel}^2={\left\Vert \mathbf{S}\left[{\mathbf{A}}^k-\mathcal{F}\left({\mathbf{s}}^k;\mathbf{w}\right)\right]\right\Vert}_2^2\end{array}} $$
应用 $ S $ 表示模式 $ n $ 的标准化幅度与其预测之间的误差按模式强度 $ {\lambda}_n^{1/2} $ 进行缩放,因此损失对应于物理空间中的全局误差。模式强度 $ {\lambda}_n^{1/2 } $ 不是由模型预测的,而是直接从训练数据的 POD 分解中提取的。测试集包括 $ {I}_{train} $ 内外的未见快照的攻角。具体来说,考虑了三个新的角度:$ 15.5{}^{\circ},17{}^{\circ},19{}^{\circ} $,因此测试集中的总角度数为 $ {N}_{\mathrm{AoA}}^{test}=10 $。对于每个攻角 $ \in {I}_{test} $,选择了 $ {N}_t^{test}=50 $ 个快照来构成论文中呈现的测试集。对于更多的快照数量或随机选择,结果没有显著变化。为了评估模型在测试集上的准确性,使用了以下指标:
• 标准化均方误差(MSE)$ {E}_{test} $,定义为:
(5)
$$ {E}_{test}=\frac{1}{N_{\mathrm{AoA}}^{test}{N}_t^{test}}\sum \limits_{\begin{array}{c}1\le i\le {N}_{\mathrm{AoA}}^{test}\\ {}1\le k\le {N}_t^{test}\end{array}}\frac{{\left\Vert {\mathbf{u}}^{k,i}-{\hat{\mathbf{u}}}^{k,i}\right\Vert}_2}{{\left\Vert {\mathbf{u}}^{k,i}\right\Vert}_2} $$
• 波动误差 $ {\varepsilon}_{test} $,基于速度场 $ {u}^{\prime } $ 的波动部分(相对于训练集的平均值),定义为:
(6)
$$ {\varepsilon}_{test}=\frac{1}{N_{\mathrm{AoA}}^{test}{N}_t^{test}}\sum \limits_{\begin{array}{c}1\le i\le {N}_{\mathrm{AoA}}^{test}\\ {}1\le k\le {N}_t^{test}\end{array}}\frac{{\left\Vert {{\mathbf{u}}^{\prime}}^{k,i}-{\hat{{\mathbf{u}}^{\prime}}}^{k,i}\right\Vert}_2}{{\left\Vert {{\mathbf{u}}^{\prime}}^{k,i}\right\Vert}_2} $$
根据构造,波动误差大于 MSE。它也独立于波动与平均值的比率,后者可能会使 MSE 发生偏差。
• 投影误差 $ {\varepsilon}_{test}^{\boldsymbol{\Phi}} $ 测量重建结果与将真实速度场投影到 $ r $ 个模式的 POD 基之间的相对差异:
(7)
$$ {\varepsilon}_{test}^{\boldsymbol{\Phi}}=\frac{1}{N_{\mathrm{AoA}}^{test}{N}_t^{test}}\sum \limits_{\begin{array}{c}1\le i\le {N}_{\mathrm{AoA}}^{test}\\ {}1\le k\le {N}_t^{test}\end{array}}\frac{{\left\Vert {{\mathbf{u}}^{\prime}}_{\boldsymbol{\Phi}}^{k,i}-{\hat{{\mathbf{u}}^{\prime}}}^{k,i}\right\Vert}_2}{{\left\Vert {{\mathbf{u}}^{\prime}}^{k,i}\right\Vert}_2} $$
其中 $ {{\mathbf{u}}^{\prime}}_{\boldsymbol{\Phi}}^{k,i}={\sum}_{1\le n\le r}{a}_n^{k,i}{\Phi}_n $ 是真实场在训练集的 POD 基上的投影,代表了 SNN-POD 可以实现的最佳近似。因此,比较波动误差和投影误差可以衡量 POD 训练基础的适用性。

4. 结果
在本节中,评估了在完整攻角范围内训练的 SNN-POD 模型在测试集上的性能。模型的鲁棒性通过第3.1节描述的传感器布置策略的敏感性分析(第4.2.1节)进行了检验,随后研究了模态分割方法(第4.2.2节)对模型性能的影响。最后,第4.3节描述了如何结合在不同攻角子集上训练的SNN-POD模型来局部改进重建效果。

4.1. SNN-POD的评估
本节评估了SNN-POD模型从URANS模拟中估计POD系数和瞬时速度场$u$的能力,后者被称为“真实值”。如前所述,测试集包括训练期间采样的角度以及原始离散化中未包含的角度(插值角度)。图9-12比较了三个采样角度$\left(10{}^{\circ},15{}^{\circ},20{}^{\circ}\right)$和三个插值角度$\left(15.5{}^{\circ},17{}^{\circ},19{}^{\circ}\right)$的真实流场和重建流场的特征。每一列对应一个攻角。图9和图11分别展示了采样角度和插值角度的真实值快照(上排)与其重建结果(下排)的对比。在所有情况下,流场的主要特征都显示出非常好的一致性,尽管对于插值角度,特别是在远尾迹区域,可以观察到一些细微的差异。

图9. 在URANS获得的真实值快照$t_s=150$秒时,三个攻角$10{}^{\circ}$(左)、$15{}^{\circ}$(中)和$20{}^{\circ}$(右)的顺流向速度$u\left(\mathbf{x},{t}_s\right)/{U}_{\infty}$等值线的对比。叶片上$p=7$个压力传感器的位置用蓝色标记表示。

图10. 上图显示了三个攻角$10{}^{\circ}$(左)、$15{}^{\circ}$(中)和$20{}^{\circ}$(右)的真实值与估计值之间的尾迹宽度和尾迹偏转角度的对比。下图对应于$x/c=2$截面上真实值(蓝色阴影填充的等值线)和SNN-POD估计值(红色等值线)的预乘速度谱${fS}_u$的频谱图。两个频谱图都应用了相同对数颜色映射。

图11. 在URANS获得的真实值快照$t_s=150$秒时,三个插值攻角$15.5{}^{\circ}$(左)、$17{}^{\circ}$(中)和$19{}^{\circ}$(右)的顺流向速度$u\left(\mathbf{x},{t}_s\right)$等值线的对比。叶片上$p=7$个压力传感器的位置用蓝色标记表示。

图12. 三个未见过的攻角$15.5{}^{\circ}$(左)、$17{}^{\circ}$(中)和$19{}^{\circ}$(右)的真实值与估计值之间的尾迹宽度和尾迹偏转角度的对比。下图对应于$x/c=2$截面上真实值(蓝色阴影填充的等值线)和SNN-POD估计值(红色等值线)的预乘速度谱${fS}_u$的频谱图。两个频谱图都应用了相同对数颜色映射。通过检查图10和图12的上排数据,可以进行更定量的评估,这些数据展示了平均尾迹宽度和偏转角度。对于采样角度(图10),尾迹宽度得到了很好的恢复。对于插值角度(图12),当$x/c>1.5$时,尾迹宽度表现出小的波动,并且对于两个较高的角度,尾迹宽度倾向于被高估,尽管增长率$d\delta / dx$总体上看起来是正确的,观察到的最大误差小于15%。此外,对于采样和插值角度,偏转角度都得到了很好的恢复,这表明模型能够从一组压力测量数据中识别出攻角。这一结果在风能领域尤为重要,因为瞬时风荷载的估计直接关系到攻角的确定。

图10和图12的下排数据比较了采样和插值角度的真实速度场和估计速度场的时间谱。对于所有攻角,能量水平都被准确预测,与流动分离相关的特征频率也被很好地捕捉到了。在附着流动情况下($10{}^{\circ}$),频谱图中的最大差异最为明显,因为该情况下的尾迹湍流能量较低。模型能够预测采样和插值角度观察到的频率偏移,并再现了频谱的复杂性,尽管不出所料,采样角度的一致性更好。

图13提供了对模型性能的更直接评估,它将估计的POD系数与所有角度的真实值进行了比较。快照按照攻角的增加顺序和时间顺序组织,以便评估重建的动态,尽管模型中没有考虑时间依赖性。插值角度用绿色阴影区域表示。如图7所示,在攻角$=14{}^{\circ}$附近,前三个模式的振幅出现了强烈的非单调变化,而对于攻角$\ge 15{}^{\circ}$,演变似乎更为平缓。表4报告了每个模式和攻角的平均误差。对于几乎所有攻角,特别是前两个模式,振幅似乎都被正确预测。例外的是攻角$=15.5{}^{\circ}$,其中模式3到6的误差在250%到120%之间。有趣的是,这个角度下模式3的真实值并不对应于攻角$=15{}^{\circ}$和$=16{}^{\circ}$的直接插值,这一趋势模型虽然捕捉到了,但有所高估。

图13. 在测试数据集上,真实POD振幅${a}_i$(黑线)与模型估计值${\hat{a}}_i$(SNN-POD估计的红虚线)的比较,其中$i=\mathrm{1,2,3,4,5,6}$(分别对应a,b,c,d,e,f)。测试快照按时间顺序组织,并按训练期间看到的攻角排序——在白色背景上显示,未看到的攻角用浅绿色背景突出显示。

表4. 对于前六个模式,采样和插值角度的每个攻角,模式重建测试误差${e}_i=100\frac{{\left\Vert {a}_i-{\hat{a}}_i\right\Vert}_2}{{\left\Vert {a}_i\right\Vert}_2}$。平均误差、波动误差和预测波动误差在第3.2.2节中有定义,分别针对测试数据集的每个攻角计算并在图14中显示。正如预期的那样,插值攻角的误差高于采样攻角。尽管如此,平均重建误差仍保持在$6.6\%$以下(最大值为$17{}^{\circ}$),而最大波动误差${\varepsilon}_{\mathrm{test}}$约为$30\%$(对于$15.5{}^{\circ}$和$17{}^{\circ}$),对于$19{}^{\circ}$约为$23\%$。对于采样角度,预测误差基本上等于波动误差,但对于插值角度,预测误差大约低25%,并且随着攻角的增加而减少(对于$15.5{}^{\circ}$和$17{}^{\circ}$为$25\%$,对于$19{}^{\circ}$低于$20\%$)。总体而言,这表明POD基础对模型误差的影响适中。可以注意到,尽管在该范围内攻角分辨率更高,但$15.5{}^{\circ}$的预测误差最大。这表明在这个攻角范围内发生了显著的变化,这也与在$14{}^{\circ}$、$15{}^{\circ}$以及较小程度上的$16{}^{\circ}$观察到的较高误差一致。这一点将在第4.3节进一步讨论。

图14. 对于每个攻角配置,在测试数据集上的平均误差${E}_{test}$、波动误差${\varepsilon}_{test}$和预测波动误差${\varepsilon}_{test}^{\mathtt{\varPhi}}$的测试。三个插值攻角$\left\{15.5{}^{\circ};17{}^{\circ};19{}^{\circ}\right\}$用绿色突出显示。

4.2. 模型的鲁棒性
4.2.1. 传感器布置策略的评估
为了评估传感器布置的影响,进行了涉及三种传感器选择方法的比较分析:(i)第3.1节描述的方差最大化策略;(ii)完全随机布置,所有传感器都随机放置;(iii)集群随机布置,首先进行初步聚类,然后从每个集群中以均匀概率抽取一个传感器位置,这确保了比完全随机方法更均匀的传感器分布。在上述测试集上的评估是在30个模型实现上进行的,这些模型都是在具有不同初始条件的相同训练集上训练的。在所有情况下,传感器之间都施加了最小距离${d}_{min}$(${d}_{min}=c/100=1.25\times {10}^{-2}$米,与最大方差方法中使用的一致)。图15显示了三种方法的波动误差随传感器数量的变化。不出所料,随着传感器数量$p$的增加,重建误差趋于一个对所有策略都相同的值(在统计不确定性范围内)。然而,当传感器数量较少($3\le p\le 15$)时,最大方差策略的重建误差更低,变异性显著较小。这验证了研究中选择的$p=7$个传感器的合理性。

图15. 压力传感器数量的敏感性研究。

4.2.2. 模态分割敏感性研究
在本节中,评估了模型对分割策略的鲁棒性。基于浅层神经网络框架的不同架构在性能和训练成本方面进行了比较。对于每种架构,训练并评估了30个模型,并在表5中报告了平均值。

表5. 不同基于SNN的架构的平均训练成本和MSE。详见正文。考虑了以下模型:
- 第3节描述的SNN-POD模型,基于两个独立网络来处理POD振幅的稳态和非稳态分量;
- SNN模型,直接学习压力测量值和速度场之间的映射(没有潜在空间降维);
- SNN-POD-0模型,使用单个网络在POD空间中学习映射(所有POD振幅混合在一起);
- SNN-POD-50模型,使用一个网络为每个POD模式学习映射。SNN具有较高的训练成本和较高的重建误差,这说明了学习潜在特征的重要性。SNN-POD-50的重建误差最低,但训练成本也最高,这是由于网络数量多。不出所料,SNN-POD-0的训练成本最低,但其重建误差也最高。接下来检查了模型对模态分割的敏感性。评估了两种模态分割的不同选择,并与无分割情况SNN-POD-0进行了比较,如图16中的$\left\{\right\}$所示。研究了六种模态分割配置,其中选择一个到十个模式由一个浅层神经网络重建,而其余50个POD模式由另一个网络估计。在前四种配置中($\left\{1\right\}$、$\left\{1;2\right\}$、$\left\{1;2;3\right\}$、$\left\{1;2;3;5\right\}$),第一个网络的输出包含了根据标准方程(2)被认为是稳态的越来越多的模式。相比之下,在其他两种配置$\left\{1-6\right\}$和$\left\{1-10\right\}$中,第一个网络的输出分别包含了六个和十个最具能量的模式(基于能量的分割)。这意味着第一个网络同时重建了稳态和非稳态模式。

图16. 不同尺度分离下,前10个POD模式的重建误差${\varepsilon}_{test}$和模式级重建误差$e$。统计是在30次独立训练运行上计算的。图16表示了第4节描述的测试数据集中仅限于采样角度部分的每个配置的波动误差。观察到,用于分离稳定模式和非稳定模式的策略对全局重建误差有显著影响:如果至少有一个稳定模式是独立于其他模式进行训练的,误差会下降近40%。在这些配置中,误差在8.5%到9.1%之间变化,因此它对具体的分割方式依赖性较弱。相比之下,当在非稳定模式上训练SNN_st时,性能会下降到与不进行分割的模型(SNN-POD-0)相当的水平,例如在集合{1-6}和{1-10}中的情况。这些结果既说明了模式分割策略的重要性,也体现了其鲁棒性。图16还展示了前十个POD模式的模式重建误差,其中第i个POD模式的重建误差e_i定义为:(8) $$ e_i=\frac{{\left\Vert {a}_i-{\hat{a}}_i\right\Vert}_2}{{\left\Vert {a}_i\right\Vert}_2} $$ 对误差e_i的检查显示,在所有情况下,稳定模式(1、2、3和5)都被很好地恢复了。考虑到方程(4)中的损失公式,预计误差会随着POD模式索引的增加而增加。包括模式4(如图7所示是非稳定的)会显著降低其重建质量,特别是在集合{1-6}中,前六个模式是同时学习的。这进一步证实了基于稳定性分割的方法的相关性。

4.3 结合SNN-POD模型 如第4.1节所述,全局训练的模型通常能够恢复流动的时间平均特征,例如尾流偏转角(因此也是攻角),而时间依赖性动态的流动重建可能更具挑战性,特别是在分离开始时,此时波动相对较小。因此,一种改进重建的方法可能是将全局模型与针对特定流动状态训练的局部模型结合起来。首先使用全局模型来推断流动的稳定部分,特别是攻角配置,然后根据这个配置选择专门为该流动状态训练的模型。我们注意到,一种选择是为训练集中的每个攻角分别训练模型,使用依赖于攻角的POD基。然后可以通过在基之间插值来进行未见攻角的预测。作为另一种替代方案,我们考虑了通过在角度14°、15°、16°上训练SNN-POD模型来开发局部模型。需要强调的是,全局模型和局部模型的POD基和平均场通常是不同的,因为它们与不同的训练集相关联——局部模型将使用后缀l。这种方法在表6中进行了总结。然后将全局模型和局部模型的组合,称为SNN-POD-C,应用于测试数据集,范围为[14°,16°]。表6展示了基于全局和局部模型的组合模型SNN-POD-C。

图17比较了在具有挑战性的攻角AoA = 14°(对应于分离开始)时,SNN-POD和SNN-POD-C的重建结果与真实值。比较每行的左两列可以看出,组合模型更准确地捕捉到了尾流的瞬时特征。中间列显示的尾流的平均特性(宽度和偏转角)也被两种模型很好地恢复了。比较频谱图(最右两列)证实,SNN-POD-C模型提供了更准确的波动水平估计,而SNN-POD模型则低估了这一水平。

图17. 并排比较了在t_s=150秒时,从URANS获得的真实值(从左到右的第一个图)及其SNN-POD/SNN-POD-C估计(第二个图)的顺流向速度u(x,t_s)等值线。第三个子图中绘制了真实值和估计值之间的尾流宽度和偏转角比较。第四和第五个图对应于在x/c=2截面处,真实值(G.T.,左)和估计值(SNN-POD/SNN-POD-C,右)的预乘速度谱fS_u的频谱图。两种频谱图都使用了相同的对数颜色映射。图18展示了标准SNN-POD(阴影区域)和组合SNN-POD-C模型(用红色虚线条表示)在[14°,16°]范围内的三种重建误差。对于训练中观察到的角度14°、15°、16°,所有三种误差都减少了2倍。有趣的是,对于插值角度15.5°,没有观察到误差的减少,这表明特定训练带来的增益并不一定导致更好的泛化性能。

图18. 在没有(彩色条)和有(红色虚线条)使用局部模型的情况下,过渡攻角的平均误差E_test、波动误差ε_test和投影波动误差ε_test^Φ。插值攻角=15.5°用绿色突出显示。这种耦合框架的主要结果是,全局模型在重建完全附着和分离状态的瞬时场方面表现良好,而其在广泛攻角范围内的训练使得它可以插值到未见过的配置。此外,由于模式分割,全局模型可以推断出攻角状态,从而能够与在过渡攻角状态下实现更高精度的局部模型结合使用。

5. 结论 本文描述了一种高效的数据驱动方法,用于从稀疏的壁压测量中一次性重建厚二维机翼周围的瞬时速度场。数据集来自在10°到20°范围内进行的二维高雷诺数URANS模拟,涵盖了从附着流动到完全分离的各种流动状态。适当的正交分解提供了速度场的低维表示,可以将其分为主要取决于攻角的稳定模式和剩余的非稳定模式。该模型由两个浅层神经网络组成,它们独立地从有限的表面压力测量中预测POD振幅的非稳定和稳定部分。基于最大化方差标准的传感器放置策略被发现比随机放置具有更好的准确性,尤其是在传感器数量较少时。该模型在攻角范围的粗略离散化(1-2°)上进行了训练,以测试其泛化能力。最大重建误差(MSE)对于采样角度为2.9%,对于插值角度为6.6%。在所有情况下,给定攻角下的时间平均流动特征都能从单次瞬时压力测量中很好地恢复。通过将在整个攻角范围内训练的模型与在更局部范围内训练的模型结合起来,可以改进时间依赖性特征的重建。需要强调的是,这种提出的策略仅仅旨在突出SNN-POD框架提供的多种可能性之一。可以确定几个扩展研究的视角。首先,在当前的手稿中,只考虑了攻角的变化来定义不同的流动配置;然而,研究SNN-POD在其他参数变化(如湍流强度或雷诺数)下的性能将是相关的。其次,当前框架仅限于在2D URANS模拟上进行训练,这无法捕捉到三维效应,而在厚机翼的接近流动分离条件下,三维效应尤为重要。因此,一个自然的扩展是将SNN-POD应用于更高保真度的3D数据集,以重建完全非稳定的3D流场,最终使其成为实验人员的宝贵工具。最后,重建方法迄今为止仅在具有恒定攻角的静态模拟上进行了评估,从而忽略了动态失速特有的额外非线性和滞后效应。将模型扩展到动态攻角变化将是下一步,使得能够在更复杂和不稳定操作条件下评估模型。为此,可以探索更复杂的方法,例如那些结合时间历史来捕捉模型内的连贯湍流结构的方法。

数据可用性声明 包含所提模型的代码将在发布时在https://doi.org/10.5281/zenodo.17400099(Bucquet等人,参考文献Bucquet, Podvin, Braud和Guilmineau2025)上提供。

致谢 本研究获得了IDRIS的HPC资源,分配号为2025-AD012A16542,由GENCI提供。

作者贡献 构思:Q.B.、B.P.、C.B.和E.G.;方法论:Q.B.和B.P.;数据管理:Q.B.、C.B.和E.G.;数据可视化:Q.B.;写作-初稿:Q.B.;写作-审阅与编辑:Q.B.、B.P.、C.B.和E.G. 所有作者都批准了最终提交的草稿。

资金声明 本研究是在法国-瑞士项目MISTERY的框架下进行的,该项目由法国国家研究机构(ANR PRCI授权号266157)和瑞士国家科学基金会(授权号200021L 21271)资助。作者感谢匿名审稿人的有益建议。

利益冲突 作者声明没有利益冲突。

脚注 本研究文章因透明实践获得了开放数据和开放材料的徽章。详情请参见数据可用性声明。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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