面向气动流动的卷积因果学习

《Journal of Fluid Mechanics》：Convolutional causal learning for aerodynamic flows

　　

本研究旨在利用一种称为信息论机器学习（information-theoretic machine learning）的时变模态分解技术，从快照数据（snapshot data）中提取气动因果性。当前方法提取对未来气动系数演化具有贡献的时间相关有信息涡结构（time-dependent informative vortical structures）。该分解方法采用卷积神经网络（convolutional neural network, CNN），实现了空间连续模态的辨识。此外，通过考虑基于自编码器（autoencoder）的数据压缩，还可辨识表征有信息涡结构及其相应气动系数的低阶表示（low-order representation）。本技术应用于一系列气动实例，包括极端涡阵风-翼型相互作用、实验测量的横向射流-机翼相互作用，以及不同雷诺数（Reynolds number, Re）下的湍流分离尾流。对于阵风-机翼相互作用案例，阵风对升力响应的时变效应以可解释的方式被提取。在湍流尾流实例中，无需任何空间长度尺度信息即可辨识大尺度涡旋运动与升力之间的关系。所提出的方法可作为数据驱动因果建模和控制一系列非定常流动的基础。

**研究背景与动机**

气动流动中涡结构与所产生气动力之间的相互作用是流体力学领域的核心议题。理解这一因果机制——即涡结构作为"因"、气动力作为"果"——对于高效流动控制与气动建模至关重要。传统数据驱动模态分析方法，如本征正交分解（proper orthogonal decomposition, POD）和动态模态分解（dynamic mode decomposition, DMD），虽能有效提取流体中的主导相干结构，但主要针对统计定常流动设计，难以处理非定常、瞬态流动动力学。近年来，基于因果关系启发的分析方法逐渐兴起，旨在识别非定常流动的因果驱动因素。然而，现有信息论模态分解方法以逐点方式运行，导致空间不连续性且计算成本高昂。在此背景下，研究人员开发了基于卷积网络的信息论学习方法，以实现全局连续的气动因果性提取。

**研究内容、结论与意义**

研究人员提出了一种信息论卷积学习方法，用于实现基于信息学观点的模态分解，能够提取与气动升力相关的模态结构，并辨识涡流与气动力之间关系的低维子流形。该方法构建了信息模态提取器（informative mode extractor），将给定流场状态分解为有信息分量（informative component）q_I和残差分量（residual component）q_R，其中q_I定义为与未来目标变量（升力系数C_L）互信息最大的分量。该提取器采用卷积深度Sigmoid流（convolutional deep sigmoidal flow）实现，通过优化正则回归损失与互信息损失之间的平衡，确保提取的分量满足统计独立性条件I(q_R; q_I) = 0。研究采用了两种神经网络架构：卷积自编码器（用于低维嵌入情况）和纯卷积神经网络（用于湍流分析），并通过L-曲线分析确定平衡参数β。该方法应用于三个典型案例：(ⅰ) Re=100的极端涡阵风-翼型相互作用；(ⅱ) Re=20,000的实验测量大振幅横向阵风遭遇；以及(ⅲ) Re=20,000的NLF(1)-0115翼型分离湍流尾流。

研究主要结论包括：对于极端涡阵风-翼型相互作用，成功提取了阵风对升力响应的时变效应，辨识了直接作用于翼型的涡核结构与通过尾流相互作用间接贡献的两种升力生成机制；对于实验阵风数据，模型在去除实验噪声的同时保留了与升力相关的涡结构，并通过几何约束实现了物理可解释的低维表示；对于湍流尾流，模型无需任何空间长度尺度信息即可辨识大尺度涡旋运动与升力的关系，且基于贡献而非尺度进行结构区分，识别出以涡压缩为主的旋转主导结构为升力主要驱动因素。该论文发表于《Journal of Fluid Mechanics》，为数据驱动的非定常流动因果建模与控制奠定了基础。

**关键技术方法**

研究人员采用的核心技术方法包括：（1）信息论模态分解（IMD）框架，基于香农熵（Shannon entropy）和互信息（mutual information）量化涡结构对未来升力响应的信息贡献，将因果辨识转化为优化问题；（2）卷积深度Sigmoid流网络，利用非负权重和双射激活函数保证信息论条件的满足，实现全局空间连续模态提取；（3）卷积自编码器架构，用于低维潜空间表示的辨识，结合L-曲线分析进行正则化参数选择；（4）针对实验数据的几何约束潜空间正则化方法，确保低维轨迹的物理连续性；（5）基于二维高斯核的空间尺度分解分析，用于验证湍流中提取结构的长度尺度特性；以及（6）功率谱密度分析与Q-R不变量联合诊断，评估时间延迟窗口对辨识结果的影响。前两个案例采用卷积自编码器处理，第三个湍流案例则使用无压缩的纯卷积神经网络以避免细尺度结构在压缩过程中的丢失。

**研究结果**

*3.1 示例1：极端涡阵风-翼型相互作用*

通过对NACA0012翼型在攻角α=40°、Re=100条件下的涡阵风相互作用进行信息模态分解，研究人员考察了模型对高度非定常瞬态动力学的捕捉能力。当时间窗口Δt=0.0085时，模型提取了阵风对升力响应的瞬时影响：在阵风距前缘较远的t=-0.724时刻，阵风未出现在有信息模态中，表明瞬时升力变化由机翼周围流动而非阵风本身决定；当反时针涡在前缘附近强烈冲击产生升力峰值时（t=-0.299），阵风出现在提取模态中；而当升力波动趋于无扰动水平时（t=0.977），分离结构被认为不如翼型周围结构有信息。增大Δt至0.255时，涡核更早出现在有信息模态中，且在t=-0.299时刻分裂为左右两半，表明模型捕捉了直接作用于翼型和通过尾流相互作用两种升力生成过程。基于自编码器的三维潜空间分析显示，受扰轨迹在峰值时刻与升力系数峰值重合（Δt=0.0085），而较大Δt时峰值出现时间偏移，表明潜空间嵌入了基于目标变量信息的气动响应评估。

*3.2 示例2：实验测量的大振幅横向阵风遭遇*

针对Re=20,000的平板零攻角横向射流阵风实验数据，研究人员检验了模型对实验噪声的鲁棒性。参数设置为Δt=0.005、β=1。在t=0.250升力近乎为零时，模型忽略了包括来流阵风结构在内的大部分给定状态，表明升力与周围涡流统计独立；当0.5
*3.3 示例3：翼型分离湍流尾流*

针对Re=20,000的NLF(1)-0115翼型α=5°分离湍流尾流，采用无压缩的电影列卷积神经网络，以速度梯度张量第二不变量Q场为源状态。展向平均场的分解显示：Δt=0.05时，大尺度涡核和前缘附近结构被识别为主要贡献者；Δt=0.75时，模型选择性隔离了前缘和尾缘附近涡核对升力响应的贡献，同时辨识了涡核和对流剪切的对流过程并将其忽略。涡核在有信息模态中位于负Q结构之间，表明涡核对流产生的上下游剪切也被识别为有信息。三维扩展分析同样显示大尺度涡核被提取为有声结构，而细尺度结构因对升力贡献小而忽略。

Q准则场概率密度函数分析表明，有信息模态主要保留Q>0的结构，旋转主导结构被评估为升力生成的初级驱动因素；但极端正区的概率密度低于参考场，说明并非所有强旋转结构都信息丰富。尺度分解分析中，基于σ₁=σ_max的尺度分解场与当前方法结果定性相似，而σ₁=σ_max/6的分解场包含肋状结构，表明基于尺度的分解会混淆不同物理过程，而当前方法基于对未来升力的贡献而非长度尺度进行区分。Q-R平面评估显示，提取结构主要针对旋转主导结构，特别是经历涡压缩的结构，表明模型基于与未来升力的信息流关系选择性区分涡拉伸与压缩。

功率谱密度分析表明，有信息分量普遍低于参考场，冗余成分被去除；Δt对功率谱密度的影响集中于低波数区域，意味着未来升力贡献主要由大尺度结构主导。Q准则幅值的流向变化显示，随着Δt增大，下游区域指标降低，表明该处结构的对流过程使其贡献被识别为较不重要。

**讨论与结论**

研究讨论部分进一步阐述了方法的理论内涵与应用前景。研究人员指出，当前全局提取方法能够跨快照提取连续相干结构，因为卷积信息论机器学习模型能够获取涡结构的空间排列信息。空间相关性的纳入使该方法有望应用于壁湍流等具有更广泛结构尺度范围的流场。与常规局部分解的直接比较也将有助于深入理解空间排列耦合效应对模态提取的影响。

在气动学理层面，升力生成机制被诠释为因果关系——涡结构为因、气动力为果。研究人员建议，可将该方法与力元法（force elemental method）或涡力图方法（vortex force map approach）进行对比或融合，以深化对涡致升力生成的理解。同时，输入输出选择及优化设置对有信息辨识结果具有显著影响，值得进一步考察。尽管本研究基于先验气动知识考虑了升力与涡结构的时间关系，但基于因果推断新兴方法（如Rubin因果模型）的评估可能澄清当前涡致力生成问题中的因果概念模糊性。

在应用拓展方面，提取的"信息性"在基于强化学习的主动流动控制中具有应用潜力。虽然已有研究将信息分量用于湍流槽道流的瞬时反控制减阻，但将其扩展至增升策略将为气动流动控制提供新见解。

研究结论表明：本研究的信息论机器学习方法能够提供与未来升力系数相关的时变有信息涡结构，通过卷积网络实现全局连续模态提取，并辨识低阶表示。该方法仅基于流场数据和信息度量即可可视化力产生机制关系，为高度非定常气动环境下的力产生机制提供了关键洞察，可作为数据驱动非定常流因果建模与控制的基础。未来研究将拓展至更广泛结构尺度的流场，并探索与强化学习等控制策略的结合。