基于CFD的循环神经网络模型，用于研究在阶梯状NACA4412翼型上利用LSTM和GRU实现等离子体辅助流动控制的过程

《Scientific Reports》：CFD-based recurrent neural network modeling of plasma-assisted flow control over a stepped NACA4412 airfoil using LSTM and GRU

　　

摘要

本研究探讨了一种混合计算数据驱动框架，用于分析和预测带有后向台阶（BFS）改进措施及双交流介质阻挡放电（AC-DBD）等离子体驱动器的NACA4412翼型上的非稳态空气动力流动行为。在雷诺数为\(3.1 \times 10^{6}\)的条件下，对攻角（AOA）从\(0^\circ\)到\(20^\circ\)的范围进行了高保真数值模拟，使用SST k–\(\omega\)湍流模型生成了时间分辨的流场数据。系统地研究了位于压力面靠近后缘处的BFS配置，其台阶长度分别为\(10\%c\)、\(20\%c\)和\(30\%c\)，并比较了基线状态和等离子体驱动状态下的性能。通过升力系数、阻力系数、升阻比以及涡度大小来量化空气动力性能和流动特性，以评估分离特性和湍流发展情况。结果表明，虽然单独的BFS结构通过激活近壁流动提高了升力，但也导致了空气动力阻力的适度增加。引入双AC-DBD等离子体驱动机制显著改善了流动控制性能，具体表现为延缓了边界层分离、减弱了大尺度涡流结构并稳定了剪切层。组合配置在\(30\%c\)的BFS情况下实现了最大83.07%的升力提升，在\(10\%c\)的BFS情况下实现了44.43%的升阻比提升。为了加速流场预测，使用基于长短期记忆（LSTM）和门控循环单元（GRU）的神经网络对计算流体动力学生成的速度数据进行了训练。训练出的模型能够准确预测未来的速度场分布，与数值模拟结果高度吻合，并有效捕捉到了主要的非稳态流动特征。这些发现突显了基于机器学习的替代模型的能力，能够高效再现与混合流动控制策略相关的复杂空气动力响应，为加速空气动力学分析和控制应用提供了有前景的途径。