基于数据同化(Data Assimilation, DA)的物理信息神经网络(Physics-Informed Neural Networks, PINN)模拟与分析振荡翼型流场

《Aerospace Science and Technology》:Simulating and Analyzing the Flow Field of an Oscillating Airfoil via Physics-Informed Neural Networks with Data Assimilation

【字体: 大 中 小 】 时间:2026年05月19日 来源:Aerospace Science and Technology 5.8

编辑推荐:

  研究人员针对振荡翼型非定常流场研究中存在的实验成本高、数值模拟难以兼顾精度与效率等问题,提出了一种基于数据同化的物理信息神经网络模型(DA-PINN),用于模拟与分析美国国家航空咨询委员会(NACA)0015翼型在俯仰振荡过程中的流场特性。该模型的构建过程分为

  
研究人员针对振荡翼型非定常流场研究中存在的实验成本高、数值模拟难以兼顾精度与效率等问题,提出了一种基于数据同化的物理信息神经网络模型(DA-PINN),用于模拟与分析美国国家航空咨询委员会(NACA)0015翼型在俯仰振荡过程中的流场特性。该模型的构建过程分为三步:首先,基于物理约束建立机器学习模型,训练数据为雷诺平均纳维-斯托克斯(RANS)数值模拟所得流场数据;其次,通过风洞实验获取实验条件下的振荡翼型流场数据;最后,在上述机器学习模型基础上,加入实验数据同化约束项进一步优化训练模型。对比结果表明,采用数据同化技术构建的模型精度更高,能够准确模拟振荡翼型流场,且该数据同化模型具有广泛的应用前景。
研究背景方面,航空航天飞行器、大型风力机、直升机旋翼及涡轮设备等工业场景中,翼型是核心部件,其运行工况差异显著,研究翼型流场对工程应用至关重要。此类研究可简化为对振荡翼型的分析,其运动模式通常表现为俯仰、升沉或二者耦合的正弦规律,这种模式不仅存在于自然生物飞行推进中,也为仿生飞行器与水翼设计提供了基础。早期研究依赖风洞或水槽实验,虽能获得直观的速度与压力数据,但成本高、测量区域有限且存在实验误差,同时数据类型单一、多物理量同步测量困难。随着计算机技术发展,数值模拟成为主流方法,包括直接数值模拟(DNS)、大涡模拟(LES)与雷诺平均纳维-斯托克斯(RANS)模型,其中DNS与LES计算成本极高,RANS则因基于半经验公式导致复杂流场模拟精度不足。为弥补实验与数值模拟的局限,数据同化(DA)技术近年被引入流体力学领域,其核心是通过实验数据调整与修正系统模型,优化预测性能,最初应用于气象学,后扩展至水文、海洋等领域。此外,基于机器学习的湍流模型逐渐兴起,其中物理信息神经网络(PINN)通过学习数据集本质特征有效描述非线性系统,在流体力学中得到广泛应用,但现有PINN在高雷诺数流动中因缺乏直接压力约束,压力场预测偏差超出工程可接受范围,这主要源于纳维-斯托克斯(N-S)方程中压力项以偏导形式存在,模型仅学习压力梯度而非实际压力值。该研究发表于《Aerospace Science and Technology》,旨在解决这一关键问题。
关键技术方法方面,研究人员以NACA0015翼型俯仰振荡流场为研究对象,首先采用SST k-ω湍流模型进行RANS数值模拟获取低精度计算流体力学(CFD)数据作为初始训练集;其次通过风洞实验测量获得真实流场压力数据;最终将实验压力数据作为同化约束项融入原始PINN架构,构建DA-PINN模型,实现对高雷诺数条件下压力场的精准重建。
研究结果部分,问题设置(Problem setup)中,研究人员明确二维不可压缩流体控制方程为纳维-斯托克斯(N-S)方程,包含动量方程与连续性方程,其中速度分量u、v分别沿水平与垂直方向,ρ为流体密度,ν为运动粘度,fx、fy为体积力分量。结果(Results)显示,DA-PINN模型以时空坐标为输入,输出对应流速分量、静压与涡粘性数据,与传统PINN相比,其压力场预测偏差显著降低,验证了数据同化约束对压力重建的有效性。结论(Conclusion)表明,DA-PINN模型训练数据来源于SST k-ω模型计算的翼型速度数据与风洞实验测量的压力数据,通过输入时空坐标可输出流场速度、压力及粘度信息,解决了传统PINN在高雷诺数条件下压力场预测不准的问题。
讨论与结论翻译部分,研究人员指出,本研究并非提出通用数据同化PINN框架,而是通过融入稀疏压力观测数据,解决了常规PINN在高雷诺数条件下重建压力场的根本局限。该模型对粒子图像测速(PIV)实验等应用场景具有实际意义——此类场景中速度场可全面测量但压力数据缺失,通过结合单点压力测量,DA-PINN可实现全流场压力重建,并能作为计算模块集成至PIV软件中。此外,该方法可迁移至其他工程问题中,适用于控制方程中潜变量以导数形式输出的场景。
相关新闻
生物通微信公众号
微信
新浪微博

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