NASA-JPL火星2020任务中用于估算火星环境动力学分析仪风传感器所处自由流风速与风向的模型。第二部分：基于计算流体动力学数据的深度学习算法

《Acta Astronautica》：A model for the estimation of freestream wind speeds and directions for Mars Environmental Dynamics Analyzer wind sensors in NASA-JPL Mars 2020 mission. Part II: A deep learning algorithm based on Computational Fluid Dynamics data

　　G. Martínez-Esteve|J. Torres|S. Navarro|C. Martín-Rubio|J. Gómez-Elvira|M. Marín|J.A. Rodríguez-Manfredi 西班牙马德里国家航空航天技术研究院（INTA）

摘要
“火星2020”任务中的火星环境动态分析仪（MEDA）气象站配备了两个非冗余的风速传感器，以确保至少有一个传感器位于探测器的气动尾流之外，这两个传感器分别为风速传感器1（WS1）和风速传感器2（WS2）。然而，由于“毅力号”探测器的复杂几何结构，其测量数据会受到轻微的气动干扰，尤其是在风力撞击探测器后部、与多任务放射性同位素热电发电机及天线发生相互作用时，该区域会出现较强的干扰。尽管这些风速传感器已满足局部技术要求，我们仍提出了一种基于计算流体动力学（CFD）数据训练的深度学习算法，用于估算来流风速和方向。该方法能够从火星数据中推断出未受干扰的来流风况，尤其是那些来自高干扰区域的风况，因为这些区域的测量数据存在较大偏差。该算法的架构由15个神经网络组成，分为两个阶段：三个分类器组成的集成组以及十二个专家回归器。在第一阶段，这些分类器将水平入射面划分为12个区域，预测风的来源方向。其中两个是独立的分类器，分别仅处理单个传感器（WS1或WS2）的风速和风向数据，而第三个组合分类器则结合两个传感器的数据及其相关特征。每个分类器都会为12个区域输出一个概率向量，最终通过集成组的加权平均来确定风的来向。基于这一预测结果，再通过投票策略选择并加权其中一个或多个专家回归器，从而估算出来流风速和方向。我们评估了不同的投票策略（最大概率法、前2名法、前3名法以及阈值法），以及两种分类器配置方案，最终选用表现最佳的配置——即基于三个分类器集成决策的阈值投票法，利用在火星上采集的MEDA WS1和WS2数据成功估算出了风速信息。实验结果验证了现有CFD模型所预测的来流风场趋势。

引言
风是火星大气研究中最重要的变量之一，因为它影响着大气动力学、表面侵蚀以及尘埃的全球传输与沉积过程。此外，风对于未来人类在火星上的探索任务也具有重要意义。正因如此，人们一直在努力测量火星表面的风速。美国宇航局最近三次火星表面任务都配备了气象站，其中西班牙负责了其中一站的研制工作。最新且最先进的便是2021年作为“火星2020”任务的一部分，随“毅力号”探测器一同登陆火星的MEDA（火星环境动态分析仪）。MEDA用于研究杰泽罗陨石坑的气候状况，它配备了一系列传感器，可监测地面和空气温度、气压、相对湿度、辐射强度以及风速和风向[1]。为了测量风速，MEDA配备了两个非冗余传感器，其工作原理基于热膜风速计技术[2]。它的设计借鉴了之前两款类似仪器——NASA“火星科学实验室”任务中的REMS[3]以及“洞察号”任务中的TWINS[4]的设计理念。

对地表风速的测量对于深入理解大气动力学至关重要。因此，MEDA在火星上记录的每日风速数据对于解释各种大气现象、完善诸如MarsWRF和MRAMS之类的火星大气模型具有极其重要的价值，这些模型已被Newman等人[5]以及Pla-García等人[6]所采用。由于火星的季节变化以及“毅力号”探测器的位置特点，这些测量数据显得尤为重要，因为火星大气状况存在显著差异；Manfredi等人[7]已经对最初的250个火星日的数据进行了详细研究。该任务在火星年第36年获取了数据，这一年的沙尘活动极为频繁且强度很高，相较于以往年份更为严重。正如Martín-Rubio等人[8]所报道的，在MEDA第300个火星日时，杰泽罗地区就出现了异常活跃现象，随后在传统沙尘季节到来之前便爆发了一场Z型沙尘暴，Lemmon等人[9]记录显示，此时风速甚至达到了20米/秒的峰值。本研究中所开发的模型可用于推断此次沙尘暴发生前的前300个火星日的风速数据，旨在提供一种利用MEDA本地传感器数据估算来流风速的工具。

MEDA的两个风速传感器并非冗余设计，它们被安置在探测器传感桅杆（RSM）[1]周围，确保至少有一个传感器始终处于来流风的直接影响范围内。这种布局设计是在充分考虑探测器在存储状态下的结构限制以及在火星表面的实际环境条件后确定的。具体而言，WS1位于探测器水平面x轴方向6°的位置，而WS2则位于WS1方向120°处，如图1所示。虽然这样的布局已尽可能优化，但由于探测器复杂的几何结构，这些传感器仍可能受到轻微的气动干扰。不过，传感器所需的风速条件是在其所在位置单独定义的[1]，也就是说，风速是在每个传感器所在位置测得的。在设计过程中，这些传感器会被尽可能安置在远离气动干扰的位置，以确保至少有一个传感器能够接近真实的来流风速。根据设计要求，需在1米/秒至40米/秒的范围内测量整个入射平面内的水平风速[1]。在本研究中，我们将来流风速场定义为以偏航角β∞作用于探测器几何结构上的风速场，直至到达传感器位置时，风速则变为受干扰后的VWS1,βWS1和VWS2,βWS2。偏航角的范围为0°至360°，以探测器x轴为零点，顺时针方向递增，如图1所示。

由于各项参数都是在传感器所在位置单独定义的，因此科学家们需要相应的工具来识别和量化任何数据集中可能由气动效应引发的不确定性因素。例如，对于REMS传感器，相关研究文献中明确指出，数据采集的不确定性是在传感器位置确定的，而没有考虑探测器本体或附近热源可能带来的干扰，这些因素都可能改变来流风速[10]。尽管参数是局部定义的，但本文提出了一种全新的模型，首次实现了基于火星上实际测量数据来估算来流风速的目标。这种方法有助于更准确地解读受干扰的测量结果，同时帮助识别出存在显著气动干扰的时段。

MEDA的风速传感器是在能够模拟火星大气的线性运动生物地球学中心[1]进行校准的。然而，目前还不存在能够完整测试装有传感器的探测器桅杆、以评估气动干扰的测试设施。如果采用隧道测试方法，則需要进行大规模的缩比处理，这会导致许多重要的几何细节丢失，因此人们转而使用CFD模型来分析“毅力号”探测器的边界层及其对传感器测量数据的影响[11]。这项研究工作与MEPAG 2020年的第二个目标相契合，该目标聚焦于火星气候过程研究，特别强调了必须优先研究探测器结构对现场气象测量精度的影响[12]。

自2012年以来，CFD模型已被广泛用于解读“好奇号”探测器采集的数据，并将其结果与隧道测试结果进行对比[3]。此后，人们又利用“洞察号”任务中的TWINS传感器的CFD模型来分析风速数据，从而为每个入射区域选出受干扰最小的测量数据[4,13]。最近，针对MEDA传感器，人们又开发出了最为先进且详细的CFD模型。该模型最初被用于确定传感器的最佳安装位置，以及筛选出受干扰最小的传感器，同时分析了每个传感器的作用范围[1,14]。随后，Martínez-Esteve等人[11]提出了一个关于气动干扰的扩展工程CFD数据集，这也是本系列论文的第一部分。该数据集分析了每个传感器的覆盖范围，研究了每个传感器测得的风速（VWS）与探测器边界层外未受干扰的来流风速（V∞）之间的关系。研究人员利用CFD模型分析了不同风速入射角度和雷诺数条件下的风速及风向情况。根据分析结果，气动干扰被分为三类：低干扰，即两个传感器都能正常工作；中干扰，即两个传感器都会因雷诺数变化而出现数据偏差，或者只有一个传感器能正常工作；高干扰，即两个传感器都受到气动尾流的影响。研究还发现了一个面积较小的高干扰区域，在该区域内，两个传感器都会受到气动尾流的影响。WS1位于整个探测器后部结构的尾流区域内，而WS2则处于流场恢复区域，因此会受到MMRTG尾流带来的显著减速效应影响。

如前所述，由于探测器的结构设计不可避免地会带来气动干扰，因此本研究提出了一种方法，即利用参考文献[11]中提供的CFD工程数据集，从火星上现场采集的测量数据中推断出来流风速信息。不过，CFD数据无法直接应用或生成，因为这类模拟属于正向分析，本身并不具备解决风速反演问题的能力。在CFD模拟中，需要以来流风速场（V∞,β∞）作为输入，才能确定每个传感器位置处的局部参数（VWS,βWS）。由于无法直接计算反演模型（即无法通过输入VWS,βWS来反推出V∞,β∞），因此要应用CFD模型的唯一方法，就是对现有数据集进行反演处理，从而确定与局部测量值VWS,βWS对应的来流风速场（V∞,β∞）。

近年来，深度学习已成为处理计算流体动力学数据的一种常用工具，它既可用于构建快速替代模型，以替代成本高昂的完整模拟，也可用于解决那些无法通过传统模拟直接解决的问题[15]。这些数据驱动的方法已被广泛应用于各种流体动力学和气动学问题，从利用深度强化学习实现绕钝体流动的主动控制[16]，到对风力涡轮机尾流的简化建模[17]等。这些研究结果表明，神经网络能够捕捉到复杂且非线性的气动行为，而这类行为通常需要针对每种新工况进行专门的模拟，这在解释受探测器气动结构影响的现场风速数据时尤为常见。

在这个反演问题中，探测器所带来的物理扰动会因不同传感器所在位置的几何结构而存在显著差异，某些区域还会因雷诺数不同而出现差异。因此，有必要找到一种算法，能够针对每个特定区域使用专门的模型来识别其风速来向，从而准确捕捉该区域的主要特征和非线性规律。鉴于风速数据在探测器不同区域的分布并不均匀，本研究提出了一种基于多层神经网络集成方法的算法，该方法分为两个阶段来推断来流风速。与传统的多任务分类和回归方法不同，第一阶段是由三个神经网络组成的集成组，用于识别不同的风速来向区域。之后，会分别为每个区域训练专家回归器，以便捕捉这些区域的特殊特征，并输出与CFD模型描述高度一致的预测结果。集成模型是一种机器学习概念，其核心思想是通过组合多个模型来解决同一预测问题。Dietterich等人[18]最早提出了这一概念，他们指出，集成算法是通过对多个模型的预测结果进行加权投票来实现分类的，而且某些集成模型的性能甚至优于单个模型。通过增加模型数量，可以更好地捕捉数据中的各种关联关系，而这些关联可能是单个模型难以充分表示的。集成模型已被广泛应用于多种识别任务中，比如入侵检测[19]和多标签图像分类[20]。具体而言，对各个基础模型的预测结果采用投票策略进行整合，是一种常见的模型组合方法，可通过多种方式实现。在模式识别任务中[21]，简单多数投票法被广泛使用，即从中选择一个最终的类别，就像在手写识别任务中那样[22]。另一方面，还有其他方法通过连续投票准则来汇总与各个类别相关的概率。在回归分析中最常见的方法之一是计算各模型生成的概率的加权平均值，其中每个模型会根据特定的权重为最终预测做出贡献[23]。这种加权组合方式已被广泛用于深度学习集成系统中，以整合多个模型的预测结果[24]。在所提出的架构中，由三个加权分类器组成的多类分类器阶段会生成一个概率向量，该向量表示属于各个影响区域的概率。这些概率随后被用作投票机制，通过应用不同的加权规则（投票策略），来选择或组合与各个类别相关的专用回归模型。这些投票准则遵循成熟的集成组合与选择策略，从固定的分类器输出组合规则[25,26]到基于置信度选择针对每个输入激活的专家模型[27,28]。对于这个问题，采用了最大概率投票法，即选择概率最高的两个或三个选项；或者采用阈值规则，给所有权重大于设定概率的回归器赋值，然后根据分配的置信度来执行这些回归器。总之，由于该问题的强非线性和区域依赖性，无法通过CFD结果进行解析反演，因此才需要采用这种集成方法。本研究提出的方法也为行星风传感器的研究开辟了新的方向，因为在平台上安装传感器不可避免地会干扰测量结果。在此背景下，所提出的系统为解读这些局部测量数据提供了工具，在高干扰区域，这些数据的离散度较大，否则可能难以用于科学分析。因此，它既有助于解读已获取的测量数据，也可作为未来任务或类似风传感器设计中推断来流风速的方法论基础。本研究的主要目标是基于现有的CFD工程数据库，开发一种用于火星实际数据的来流风速推断算法。具体目标如下：1. 基于多个区域分类器和专用回归器的共识，构建一种集成神经网络架构，从而根据MEDA星载风传感器获取的测量数据估算来流风速。该算法应能够识别风的来源区域，并预测来流风速和方向。2. 比较仅使用单个分类器（WS1-WS2）处理两种传感器的数据，与使用加权分类器的共识结果处理WS1数据、WS2数据以及WS1-WS2数据的情况。3. 比较四种回归投票策略（硬投票、前两名投票、前三名投票和阈值投票）在组合区域回归器预测结果时的效果，并给出所用方法的误差情况。4. 将该算法应用于在火星上采集的一小部分实际数据，对比实际识别和预测的数据趋势与CFD模拟的预期行为。数据集概览：训练、验证和测试数据的分割为了对模型进行训练和测试，数据集被分为两个主要部分：用于训练和验证的部分，以及用于测试的部分。首先，使用原始的CFD数据库对架构进行训练和验证。该数据库包含的CFD数据是通过模拟得到的，涵盖了火星上仪器技术要求范围内的所有速度对应的全部水平入射角度范围（0–360°），速度范围为0–40?m/s[2]。具体来说，是以15°为间隔进行的扫描。架构概览：一种深度学习投票系统用于推断来流中的速度场（V∞, β∞）的算法由一系列多层感知器（MLP）神经网络组成，这些网络分为两个主要阶段。首先进行分类，以预测风的来源区域，然后根据这一结果，启动该偏航角范围内的一个或多个专家回归器来推断速度场。该架构总共包含15个神经网络，其中3个是分类器，12个是……测试结果第3.1节中描述的所有投票策略均使用测试数据集进行了端到端的评估。同样，也比较了仅使用唯一的WS1-WS2分类器的情况，以及将WS1-WS2分类器与每个传感器的单独分类器结合使用的情况，且这些分类器都采用了上述提到的权重。在测试过程中，对于那些能够生成指示风源区域的概率向量（PD）的两种策略，其分类准确率达到了95%。结论本文首次提出了一种用于估算来流速度的模型。所采用的基于集成模型的深度学习方法成功地实现了本研究的主要目标，为科学界提供了一种能够基于在火星上获取的实际数据来表征空气动力相互作用的模型。这是将多年来积累的计算流体动力学（CFD）成果应用于实际问题的唯一可行途径。资金支持本研究得到了西班牙科学与创新部、MICIU/AEI/10.13039/501100011033项目以及欧盟和FEDER计划[PID2024-161247OB-C31]的支持。CRediT作者贡献声明G. Martínez-Esteve：概念构思、数据整理、形式分析、研究调查、方法设计、软件开发、验证、可视化、初稿撰写、审稿与编辑。J. Torres：概念构思、方法设计、监督指导、审稿与编辑。S. Navarro：概念构思、方法设计、监督指导、审稿与编辑。C. Martín-Rubio：方法设计、软件开发、审稿与编辑。J. Gómez-Elvira：监督指导、审稿与编辑。M. Marín：利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究是以MEDA风传感器为基础开展的。特别感谢所有参与MEDA项目的研究人员和合作者，以及为改进这篇研究论文做出贡献的审稿人。