融合气动面积律的超声爆预测深度学习方法：SectionAwareNet

《Chinese Journal of Aeronautics》：SectionAwareNet: An area rule informed deep learning method for sonic boom prediction

　　

本文提出SectionAwareNet，一种融合气动面积律（aerodynamic area rule）的超声爆预测深度学习方法。该方法通过开发显式考虑飞行器横截面分布的点云神经网络，解决了基于计算流体力学（Computational Fluid Dynamics, CFD）的传统超声爆预测计算效率低下的问题。SectionAwareNet通过四个关键模块处理飞行器几何点云：点特征提取、径向融合（radial fusion）、带注意力机制的截面池化（section pooling）与全局特征聚合。该模型展现出卓越的训练效率，在一分钟内快速收敛，每样本推理时间为毫秒级，同时保持较高精度。实验结果验证了点云输入的必要性，并表明引入截面感知显著提升泛化能力，包括在分布内样本上的可靠插值、有限分布偏移下对未见几何体的近外推能力，以及相对传统点云网络更强的鲁棒性。所提方法为需要重复建模和大量评估的设计优化场景提供了一种高效的超声爆预测替代方案。关键创新包括增强截面感知的径向融合模块和改善特征表示的基于注意力的截面池化。该架构以相对较少的参数量实现上述优势，尤其适用于计算效率至关重要的应用场景。

本文围绕超声爆（sonic boom）预测展开。超声速飞行器激波传至地面会产生强烈噪声，危害公共生理与心理健康，并可能损坏建筑和财产，因此多数国家禁止民航客机在陆地上空进行超声速飞行，这制约了超声速运输机发展。下一代超声速运输机设计迫切需要高效的超声爆预测与低声爆设计手段。

当前高保真超声爆数值预测采用“近场+远场”分离策略：近场基于欧拉方程或Navier-Stokes方程的CFD方法需要精细网格和巨大计算量；远场采用增广Burgers方程求解激波传播至地面，并最终计算感知噪声级（perceived level of loudness, PLdB）。该流程精度高但建模复杂、成本高昂。基于修正线性理论的简化方法虽可快速估算近/中场过压，但精度有限，仍依赖数值模拟获得升力分布，计算资源节省有限。数据驱动代理模型可以替代CFD，但传统代理模型如Kriging、高斯过程回归、支持向量机等在高维输入下存在“维数灾难”。点云深度学习方法虽然能直接处理高维几何数据，例如PointNet、PointNet++、DGCNN等，但这些通用模型面向分类、分割和配准任务，未引入流体力学规律，尤其无法保持或重建与超声爆直接相关的截面面积分布S(x)，其聚合机制会破坏轴向几何结构，因而泛化性、训练效率和可解释性不足。为此，研究人员提出SectionAwareNet。

研究人员以Whitham修正线性理论中的气动面积律为物理先验，设计了包含点特征提取、径向融合（radial fusion）、注意力截面池化（section pooling）和全局特征聚合四个主要模块的SectionAwareNet。该模型将飞行器几何点云作为输入，显式将截面面积分布嵌入网络结构。实验与结论表明：点云输入是必要的；截面感知机制显著提升泛化与鲁棒性；模型参数仅约0.75×10⁶，可在单块GPU上数分钟内收敛，每样本推理时间为0.0012 s，较PointNet++快300倍以上；注意力可视化显示模型可聚焦于机头和翼面等关键气动区域。该模型为需重复建模和大规模评估的低声爆设计优化提供了高效、物理一致的替代方案。

关键技术方法：基于某10–15座超声速公务机基线构型，采用参数化建模建立18维设计空间，用拉丁超立方采样生成400个外形样本；每个表面均匀采样10000个点作为点云输入；标签由近场欧拉方程求解、远场增广Burgers方程传播以及Stevens Mark VII法计算PLdB得到，并用第1/2届AIAA超声爆预测研讨会（SBPW-1/2）的LM1021构型验证数值流程；按0.7:0.15:0.15随机划分训练/验证/测试集。模型中点特征提取和径向融合采用多层感知机（MLP），沿x轴将点云分为128个截面并进行注意力池化，再经全局聚合解码输出。

5.1 消融实验（Ablation）：通过对比完整SectionAwareNet、去掉径向融合的变体、用平均池化替代注意力池化的变体、PointNet++以及直接学习S(x)的1D CNN，验证了各关键模块的有效性。完整模型测试集平均相对误差（Mean Relative Error, MRE）为5.00%±0.42%，低于无径向融合（5.26%±0.68%）、平均池化（5.20%±0.50%）和PointNet++（5.63%±0.77%）；1D CNN误差高达17.70%±5.15%，证明点云输入保留了关键的局部三维几何信息。

5.2 泛化性能（Generalization）：在保留测试集上，SectionAwareNet预测与CFD标签的Pearson相关系数r=0.807，决定系数R²=0.646，平均绝对误差（MAE）=2.89 PLdB，均方根误差（RMSE）=3.77 PLdB，偏差为+0.45 PLdB；修正线性理论虽线性相关更高（r=0.944），但存在?3.11 PLdB的系统性低估。零样本测试中，模型对69DWB、LM1021、JWB、C608四个未见SBPW构型的总MAE为7.57±3.45 PLdB，误差大小与测试样本S″(x)到训练样本的L₂距离负相关；对JWB和C608的变形构型测试表明，SectionAwareNet能捕捉超声爆随几何变化的趋势，而PointNet++几乎无法跟随。

5.3 鲁棒性（Robustness）：将每样本点云中10%的点替换为高斯随机噪声后，SectionAwareNet的MRE由5.00%±0.42%变为5.88%±0.62%，PointNet++则变为7.13%±0.79%，说明前者对噪声具有更强抵抗能力。原因在于截面池化的局部性限制了噪声影响范围，注意力权重可抑制离群噪声点，且轴向分区的结构先验使模型更关注整体物理特征。

5.4 可解释性（Interpretability）：注意力可视化显示，有噪声时飞机表面平均注意力权重为0.55、方差0.0016，噪声点平均权重为0.44、方差0.0220，模型能区分物理上有意义区域；无噪声时高权重集中于机头和多个翼面。所有测试样本中右侧平均注意力权重更高，表明模型学到了飞机的对称布局。

5.5 效率（Efficiency）：SectionAwareNet参数量为748418，PointNet++为1465665；每轮训练时间分别为0.31±0.04 s和5.87±0.62 s；每样本推理时间为0.0012±0.0002 s和0.3626±0.0017 s。虽然PointNet++收敛轮数更少，但SectionAwareNet总训练时间仍缩短一个数量级以上，推理速度提高约300倍。这得益于截面池化在网络早期将N规模计算降为K截面的局部可并行运算。

讨论部分指出，SectionAwareNet的零样本误差与测试构型和训练样本之间S″(x)的L₂距离相关，说明模型外推能力受训练数据对截面曲率代表性的影响；变形实验证实模型学到了由面积律支配的几何—物理迁移关系，而非简单记忆训练外形。研究结论可概括为：点云输入是必要的，能保留比截面面积曲线更丰富的几何信息；径向融合和基于注意力的截面池化作为两项物理引导创新，带来了更高精度、训练与推理效率、鲁棒性和内建可解释性；模型可修正修正线性理论的系统性低估（平均误差从?3.11 PLdB改善到0.45 PLdB），并在有限分布偏移下对未见几何体具有近外推能力。未来工作将扩展数据集多样性，特别是加入更多低声爆设计和非常规构型；同时将SectionAwareNet扩展到全压力波形预测，并将截面池化思想推广至波阻、升力等其他气动参数预测。