基于自编码器代理模型的机翼压力分布预测

《Technologies》:Prediction of Wing Pressure Distribution Using an Autoencoder-Based Surrogate Model

【字体: 大 中 小 】 时间:2026年08月27日 来源:Technologies 5.2

编辑推荐:

  在本研究中,开发了一种替代方法,用于快速预测低速飞机机翼上的压力分布。提出了一种名为“MARTHA”(使用训练混合架构的气动载荷重构模型)的混合神经网络架构,该架构由多层感知器(Multilayer Perceptron, MLP)和自编码器(Autoenco

  
在本研究中,开发了一种替代方法,用于快速预测低速飞机机翼上的压力分布。提出了一种名为“MARTHA”(使用训练混合架构的气动载荷重构模型)的混合神经网络架构,该架构由多层感知器(Multilayer Perceptron, MLP)和自编码器(Autoencoder, AE)的解码器组成。系统评估了三种紧凑表示模型——主成分分析(Principal Component Analysis, PCA)、自编码器(AE)和变分自编码器(Variational Autoencoder, VAE)——以确定最优的降维架构;基于其优异的重构精度和训练稳定性,最终选择了AE。MARTHA的主要特点是能够以单色图像的形式提供差压系数场预测,其中像素强度直接代表归一化压力值。开发MARTHA的主要目标之一是创建一个快速代理模型,以在初步设计和优化任务中近似涡格法(Vortex Lattice Method, VLM)仿真,特别是在需要评估数千种机翼构型的情况下。该模型的关键特性在于其预测不同几何形状梯形机翼压力分布的速度比数值模型快101–104倍,同时保持精度(R2 = 0.9998)。所获得的数据以方便的形式呈现,便于后续在强度分析的CAE系统中使用。为评估所提出模型的实际效用,研究人员使用有限元软件ANSYS 18.2对三种不在训练数据集中的机翼构型进行了实施案例。将MARTHA预测的压力场映射到机翼网格上,并进行了线性静力结构分析。所获得的Von Mises应力分布与使用数值模型获得的相应分布表现出良好的一致性。
**基于自编码器代理模型的机翼压力分布预测:一种快速气动载荷重构方法**

**1. 研究背景与问题**

在飞机设计中,多学科设计优化(Multidisciplinary Design Optimization, MDO)已成为早期概念和初步设计阶段的核心方法,其目标是在保持高计算精度的同时高效确定最优几何构型。MDO过程涉及几何参数化、约束处理、数据离散化、优化算法及物理特性预测模型等多个关键环节。然而,在梯度自由优化算法(如元启发式算法)需要评估数万个构型的场景下,即使简化后的计算流体力学(Computational Fluid Dynamics, CFD)、涡格法(Vortex Lattice Method, VLM)和格子玻尔兹曼方法(Lattice Boltzmann method, LB)等传统数值方法,其计算时间仍然过长,无法满足快速探索设计空间的需求。尽管克里金法、径向基函数等代理模型在预测积分系数(如升力系数CL、阻力系数CD)方面表现良好,但其逐点预测特性和立方级计算复杂度使其难以直接预测压力场等全场分布。近年来,基于深度学习的代理模型被广泛探索,但现有研究多局限于固定几何特征,难以在实际飞机设计中应用。此外,在代理模型中,如何选择最佳的降维与重构机制(即紧凑表示模型)是决定重构保真度、计算成本和泛化能力的关键设计决策。因此,本研究旨在开发一种能够快速预测机翼压力场,并可直接与结构分析耦合的混合代理模型,同时系统评估不同降维架构,以确定最优方案。

**2. 研究内容与结论**

研究人员开发了一种名为“MARTHA”(Model for Airloads Reconstruction using a Trained Hybrid Architecture)的混合神经网络代理模型,该模型由多层感知器(Multilayer Perceptron, MLP)和自编码器(Autoencoder, AE)的解码器组成。MARTHA能够根据机翼的四个几何参数(面积S、展弦比AR、根梢比λ、后掠角Λ)和攻角α,快速预测差压系数ΔCp场,并以灰度图像形式输出。研究系统比较了三种紧凑表示模型——主成分分析(PCA)、自编码器(AE)和变分自编码器(VAE)——在相同条件下的重构精度和训练稳定性,最终选择AE作为最优模型。训练数据库由OpenVSP软件基于VLM生成,包含5000种不同几何构型在三种攻角(2°、4°、6°)下的15000个压力场图像。经训练后,MARTHA预测压力分布的速度比VLM快101–104倍,且在测试集上的全局R2达到0.9998。通过将MARTHA预测的压力场映射到ANSYS 18.2有限元网格上,对三种未见过的机翼构型进行线性静力分析,所得的Von Mises应力分布与直接使用VLM载荷计算的结果高度一致(R2 > 0.99),验证了模型的实际工程应用价值。该研究发表于《Technologies》。

**3. 关键技术方法**

研究主要采用以下关键技术方法:(1)基于拉丁超立方采样(Latin Hypercube Sampling, LHS)和增强随机进化(ESE)准则生成5000种机翼构型的参数化设计空间;(2)使用NASA开源求解器OpenVSP中的VLM(VSPAERO)计算差压系数场;(3)将压力场归一化并转换为256×256像素的灰度图像,采用对数弦向映射以增强前缘梯度分辨率;(4)系统评估PCA、AE和VAE三种降维架构,选择AE作为紧凑表示模型;(5)使用整数编码差分进化(IEDE)算法优化MLP的隐藏层神经元数量和激活函数。训练数据集的样本来源为OpenVSP VLM模拟,非实验数据。

**4. 研究结果**

**4.1 紧凑表示模型的比较评估**

研究人员在相同条件下(相同训练集、相同潜在维度k=3、4、5、6)训练了PCA、AE和VAE。PCA在k=3时仅捕获约96.6%的方差;AE在k=3时重构测试集MAE最低(具体数值见表4),且训练稳定;VAE出现后验崩塌(KL散度消失),退化为确定性自编码器。基于重构精度和训练稳定性,AE被选为最终模型。

**4.2 神经网络架构消融实验**

MLP的层数通过测试2至6个隐藏层确定,以R2最大为标准选择3个隐藏层。随后使用IEDE优化每层神经元数量和激活函数,最终配置为3层,每层神经元数和激活函数经优化后(具体数值见表8),MLP在测试集上各潜在分量的R2均高于0.999,表明输入参数到潜在向量的映射成功。

**4.3 最终MARTHA组装与性能**

将优化后的MLP与AE解码器组合成完整MARTHA模型。在测试集上(1500个压力场,3750000个像素点)进行线性拟合分析,R2 = 0.9998。对完整MARTHA框架进行去归一化后的线性拟合分析(941736个点),R2同样为0.9998。误差分析表明,前缘区域(x/c ≤ 0.1)的MAE对设计变量更敏感,且高攻角与低展弦比组合时误差增大(r = ?0.72)。弦向和展向的z-score分析显示误差分布集中,压力分布对比图显示MARTHA预测与VLM结果在最佳、中位和最差MAE情况下均高度吻合。

**4.4 应用实例**

选取三种未见过的机翼构型(A、B、C),将其几何参数输入MARTHA生成压力场,映射到ANSYS有限元网格上进行线性静力分析。与OpenVSP直接载荷的结果对比,Von Mises应力分布高度一致,全局线性拟合R2 > 0.99,支持反力和最大位移的偏差在可接受范围内。

**5. 讨论与结论**

讨论部分指出,MARTHA的物理保真度受限于VLM本身的固有局限:VLM因忽略粘性边界层位移效应,会系统性地高估前缘吸力峰约10–20%,但MARTHA在复现VLM解时引入的额外误差可忽略不计,因此其与实验数据的偏差主要由VLM的物理近似主导。研究结论强调,MARTHA在初步设计阶段能以极快速度提供高精度的气动载荷,计算时间比传统VLM快101–104倍,且计算成本几乎不随评估构型数量增加而显著增长。模型输出的表格化压力分布数据便于直接用于其他CAE系统,无需额外插值。图像生成策略中对数弦向映射是准确学习前缘吸力峰的关键。尽管MARTHA目前仅适用于不可压缩附着流和简化梯形机翼,但这一范围符合初步MDO循环的实际需求。未来工作将扩展至考虑高亚音速可压缩效应的多种飞行模式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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