一种可用于预测超燃冲压发动机燃烧室内燃烧流动特征的解读型范式
《International Communications in Heat and Mass Transfer》:An interpretable paradigm for predictive sensing of combustion flow features in a scramjet combustor
【字体:
大
中
小
】
时间:2026年10月21日
来源:International Communications in Heat and Mass Transfer 6.2
编辑推荐:
• 级联架构实现实时传感器故障补偿和燃烧流预测。
• 壁面压力信号作为非稳态热量释放特性的物理代理。
• 可解释地识别最佳传感器布置,以监测燃烧不稳定性。
• 为恶劣推进环境设计的容错框架,适用于嵌入式系统。
**引言**
人类对快速、稳定且可重复使用的洲际
• 级联架构实现实时传感器故障补偿和燃烧流预测。
• 壁面压力信号作为非稳态热量释放特性的物理代理。
• 可解释地识别最佳传感器布置,以监测燃烧不稳定性。
• 为恶劣推进环境设计的容错框架,适用于嵌入式系统。
**引言**
人类对快速、稳定且可重复使用的洲际运输系统的追求一直是航空航天领域发展的核心驱动力之一。在当前全球一体化背景下,现有的亚音速民用航空系统几乎无法满足洲际旅行一小时级的要求[1]、[2]。新一代的高速大气运输工具,由于其飞行能力超过5马赫数和可重复使用的技术特性,正成为全球航空航天领域的研究重点。同时,高效、稳定且可控的吸气式推进系统是决定这一颠覆性运输系统能否实现工程应用的关键。作为此类飞机最具前景的推进装置,超燃冲压发动机在超音速气流和燃烧室内的热量释放之间存在强烈的耦合效应,形成了一个具有多尺度、高度非稳态和高非线性特性的复杂燃烧流体系[3]。
在典型的7.0马赫数巡航条件下,燃料在燃烧室中的有效停留时间仅为毫秒级。燃料喷射与混合、火焰传播与稳定、流场的激波振荡以及边界层分离等核心物理和化学过程都在这一时间尺度内完成,它们的动态演变特性直接决定了动力系统的推力性能、运行稳定性和飞行安全性[4]、[5]。非稳态燃烧现象不仅会导致发动机推力振荡和燃烧效率下降,还可能引发熄火、结构热负荷过载,甚至在极端情况下造成结构疲劳损伤,这是限制高速民用运输动力系统工程应用的核心瓶颈[6]、[7]、[8]、[9]。因此,要实现对这种复杂燃烧系统的闭环主动控制,首要前提是实现燃烧室内整个流场关键特性的实时精确感知与预测。只有提前掌握流场的非稳态演变趋势,才能为调整燃料喷射策略和优化燃烧组织预留足够的控制响应时间,并从根本上避免超燃冲压发动机在极端运行条件(如意外发动机振荡和熄火)下的风险[10]。
在现有的燃烧流场特性感知技术体系中,以瑞利场成像、平面激光诱导荧光(PLIF)和粒子图像测速(PIV)为代表的非侵入式光学测量方法是地面风洞测试中燃烧流场诊断的核心方法,能够高分辨率地捕捉流场结构和燃烧状态[11]、[12]。然而,这类光学测量系统存在体积大、光学路径布局复杂、对测试环境要求严格以及数据处理延迟时间长的缺点,无法满足空中应用中的实时控制需求。相比之下,壁面压力传感器因其轻量、高响应频率和易于工程部署的优势,成为高空测量高速动力系统的唯一可行解决方案[13]。现有研究证实,可以通过离散的壁面压力信号分析和大致估计燃烧室内的流场状态。然而,离散的压力信息无法全面表征燃烧热量释放的程度、激波振荡的强度以及整个空间域内的湍流-燃烧相互作用。此外,过多的传感器部署会显著增加系统功耗和测控复杂性,无法满足工程应用的轻量化要求[14]。如何基于稀疏的壁面压力信号实现发动机高维全局流信息的准确映射和非稳态燃烧过程的实时捕捉,是先进吸气式发动机设计、运行和调控的核心基础问题。
**人工智能技术**
得益于其强大的特征提取能力,人工智能技术在数据驱动领域取得了显著成就,迅速发展成为一个具有众多实际应用场景和活跃研究课题的研究领域[15]、[16]、[17]、[18]。近年来,随着流体力学领域大量实验和数据的积累,人工智能技术被广泛应用于该领域。Le等人[19]系统回顾了人工智能在超音速流动和燃烧领域的应用进展,指出人工智能与燃烧空气动力学的深度耦合已成为该领域不可避免的发展趋势。Chen等人[20]、[21]在Kong等人[22]的研究基础上,首次基于燃烧室上下壁面的压力信号实现了超音速稳态燃烧流场的有效高精度重建,并验证了压力信号与燃烧流场特性之间的强相关性。针对非稳态燃烧检测问题,国内外学者相继提出了基于卷积神经网络(CNN)、CNN-长短期记忆(CNN-LSTM)和3D卷积神经网络(3D CNN)等网络架构的智能检测方法,实现了基于图像的非稳态燃烧状态的早期识别[23]、[24]、[25]。然而,现有研究中仍存在三个核心瓶颈,难以满足高速民用运输系统实际控制场景的严格要求:
首先,大多数现有模型仅专注于当前时刻流场状态的静态重建,无法实现大时间跨度的流场预测[26]、[27]。超音速燃烧流的毫秒级演变特性以及执行器的固有响应延迟对流场特性的高级感知能力提出了严峻挑战。
其次,现有模型对传感器故障条件的鲁棒性严重不足。在长时飞行过程中,极端的热环境和振动环境很容易导致压力传感器随机失效。输入信号的丢失直接导致流场预测模型的输出紊乱,无法保证系统运行的可靠性[28]。
第三,现有方法难以平衡流场特性的捕捉精度和模型推理效率。主流模型通常存在参数量多、计算成本高的问题,无法在 airborne 嵌入式平台上实现实时操作。同时,它们对控制核心关注的细微特征(如燃料雾化过程、激波结构、边界层分离和燃烧区域结构)的捕捉能力不足。此外,纯数据驱动模型具有明显的黑箱特性,缺乏模型可解释性,无法在工程设计阶段为传感器布局优化和系统轻量化提供定量支持[29]。
**研究内容**
针对上述挑战,本研究在脉冲燃烧风洞中进行了系统的高速燃烧测试,并模拟了7.0马赫数的典型巡航条件。通过对多源数据的耦合分析,系统揭示了流场中壁面压力振荡、火焰传播过程和火焰强度变化之间的内在关联,阐明了不同燃料喷射策略下非稳态流场特性的演变规律,并从物理上验证了使用低维壁面压力信号作为高维燃烧流场特性的代理变量的可行性。本研究提出了一种基于压力传感器故障补偿模型(ModelA)和跨时间流场关键特征捕捉模型(ModelB)的级联结构流场特征捕捉方法,并构建了全流程技术系统。其中,ModelB实现了大时间跨度的流场预测性能显著优于5个主流基准模型[20]、[30]、[31]、[32],单帧预测仅需5毫秒;ModelA能够快速处理无效压力信号,在测试集中的相对误差仅为1.57%,且两种模型级联运行时性能不受显著影响。同时,通过Shapley加性解释(SHAP)分析量化了关键压力测量点,为传感器阵列的优化提供了定量依据。上述框架的技术基础基于三项已建立的先进技术:注意力机制(通过并行表示子空间学习多通道信号之间的动态相关性[34])、通道分组策略(通过结构化稀疏计算实现高效的空间特征提取,计算成本低[35])以及可解释的人工智能分析(日益被认定为科学理解和工程设计的关键[36]。
**研究目标**
本研究的靶向场景和范围如下:本研究构成了超燃冲压发动机闭环主动控制的传感层——其目标不是识别单一需要调节的量,而是从离散的壁面压力测量中准确捕捉完整的非稳态超音速燃烧流过程,为后续控制提供全场、前瞻性的状态信息。针对超燃冲压发动机的控制导向研究,包括分阶段燃料喷射地面演示[37]、基于壁面压力感知的激波列位置控制[38]、腔内火焰保持与爆燃监测[39]以及用于发动机控制的被动光学燃烧感知[40],均表明可靠且及时的状态感知是主动控制的共同前提。这类场景的一个具体例子是基于腔内超燃冲压发动机的燃烧振荡抑制和热窒息预防的分阶段燃料喷射闭环调节[23]、[24]、[37]、[38]、[39]、[40]:控制律必须在毫秒级别内决定如何在各喷射阶段重新分配燃料,这一决策依赖于激波系统、燃料射流尾迹和雾化状态、边界层分离以及燃烧区域的位置和形态的空间分辨和前瞻性演变——这些信息本质上是高维的,自然可以通过流场的瑞利场图像来表示。点式的压力或浓度测量可以触发此类控制动作,但无法提供优化所需的全场、前瞻性状态信息;本研究的预测性全场感知方法正是为这类控制场景而开发的。本研究重点关注流场的准确重建和高级预测;控制律的设计和执行超出了其研究范围。因此,从以下分析中提炼出复杂燃烧系统控制的三个关键传感要求:(1)使用适合 airborne 部署的最少传感器数量实现低维压力信息的高精度状态挖掘;(2)高效稳定的高级响应,为控制系统保留时间裕度;(3)传感器故障检测和自适应补偿,以确保在振动或热损伤引起的信号丢失下的鲁棒性。第4节将针对这三个要求验证所提方法的性能。
**实验设置**
本研究的所有实验均在3 kg/s脉冲燃烧风洞中进行。该测试的模拟条件对应于7.0马赫数的飞行速度、27公里的高度和7.2 MJ的总焓。直接连接发动机模型的进气马赫数为3,进气总温度为1920 K,总压力为2.7 MPa,气流中O2、N2和H2O的摩尔成分含量分别为21%、43%和36%。
**方法概述**
对上述多源数据的深入分析表明,压力信息包含了复杂燃烧系统的丰富非稳态特性,这为构建高维映射模型以实现关键流场特性的捕捉提供了可行性。与此同时,为了平衡复杂燃烧系统控制所需的时间冗余和系统的抗干扰能力,本文建立了一个高效的关键流动模型。该模型针对复杂控制场景的三个核心要求进行了设计和优化:一是“低维压力信息的高精度状态挖掘”,二是“控制模型的高效稳定高级响应能力”,三是“传感器故障检测与自适应补偿”。为此,本研究将专为复杂高维图像数据处理设计的组合模型结构与不稳定高速煤油燃烧过程的数据集相结合,从而实现了模型解释性分析和工程设计中的反馈应用。在解释性分析方面,采用了SHAP(Shapley Additive Explanations)方法对压力传感器故障建模(ModelA)进行了分析,以确定关键的压力测量点,为后续控制过程中的飞机减重、传感器布局和冗余优化提供重要参考。SHAP分析是一种基于合作博弈论的加性特征归因方法,能够解释模型对各种情况的预测结果。
本研究旨在满足新一代航空航天动力系统闭环主动燃烧控制的核心需求,突破了现有高速燃烧流场感知方法的关键瓶颈,并进行了系统的风洞实验、机制分析、模型构建和性能验证。主要研究结论如下:
1. 基于7.0马赫的典型巡航条件,设置了6组包含两种喷射模式的测试条件。
关于作者的贡献声明:
陈尔达:撰写——原始稿件。
田晔:撰写——审阅与编辑。
邓薛:数据收集。
邓家文:数据收集。
关于利益冲突的声明:
作者声明不存在可能影响本文研究工作的已知财务利益冲突或个人关系。
致谢:
本研究得到了志强基金优秀星计划(田晔)、西南科技大学研究生创新基金项目(25ycx3009)、国家冲压发动机重点实验室项目(2025-033-07)以及跨领域飞行交叉技术重点实验室项目(2025-JCJQ-LC-016-019)的支持。
作者名单:陈尔达 | 田晔 | 邓薛 | 董家文
生物通微信公众号
生物通新浪微博
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