《Aerospace Science and Technology》:Interpretable Law Discovery for RBCC Mixing Layer Characteristics via Physics-Staged Symbolic Regression
编辑推荐:
•基于物理分阶段的符号回归发现可解释的RBCC相关性。•GNN-PINN替代模型对三个重构流场的R2 ≥ 0.9959。•五个闭式表达式描述了混合与总压演化。•在50个独立CFD工况下,增长率误差保持在2%以下。•八项物理检验确保一致的趋势和有界的适用性。引言火箭基组合循环(
- •
基于物理分阶段的符号回归发现可解释的RBCC相关性。
- •
GNN-PINN替代模型对三个重构流场的R2 ≥ 0.9959。
- •
五个闭式表达式描述了混合与总压演化。
- •
在50个独立CFD工况下,增长率误差保持在2%以下。
- •
八项物理检验确保一致的趋势和有界的适用性。
引言
火箭基组合循环(RBCC)发动机作为一种有前景的推进架构,因其能够在广泛的飞行马赫数范围内高效运行,而成为未来可重复使用运载器的重要研究方向[1,2]。在关键的射流模式下(飞行速度较低,Ma?3),高速主火箭排气卷吸并加速周围次级气流,形成复杂的可压缩混合层,该混合层控制推力增强、燃烧稳定性及整体发动机性能[3,4]。因此,理解和准确预测该混合层的发展对RBCC的设计与优化至关重要[5,6]。
RBCC混合层表现出与经典自由剪切层构型根本不同的独特流动物理特征。高温、高速火箭排气(通常为超音速,Ma?>?2)与低温、低速被卷吸气(亚音速)之间的相互作用产生了极端的参数梯度:速度比 r?=?U2/U1 为0.1–0.25,密度比 s?=?ρ2/ρ1 为3.4–4.9,对流马赫数 Mc 为0.8–1.35,使流动处于从过渡到强可压缩的区间[7,8]。这些条件对现有的经验相关式构成了挑战,后者是在中等马赫数、接近1的密度比条件下标定的,在RBCC相关极端条件下会显著退化。
RBCC混合层中的总压分布对于性能评估至关重要。总压代表可用于下游次级气流加速和燃烧的有效机械能,直接影响推力增强比和运行稳定性[9,10]。非均匀的总压场——尤其是靠近管道壁面处背压向上游传播的区域——可能引发流动分离或模式转换[11,12]。尽管重要性如此,但关于亚音速—超音速混合层中总压演化的系统性闭式描述在文献中仍然缺乏,限制了定量设计能力。
符号回归(SR)最近作为一种强大的范式,用于从数据中发现可解释的闭式物理定律[13]。正如Dong和Zhong[14]所全面综述的那样,SR方法从遗传编程(GP)到强化学习(RL)以及基于神经网络的方法都有涵盖,并越来越重视嵌入领域知识以增强物理一致性和外推可靠性。在流体力学中,SR已成功应用于发现各类应用中的控制方程。Schmelzer等人[15]演示了用于代数雷诺应力模型发现的稀疏符号回归;Tang等人[16]开发了基于深度学习的SR用于具有伽利略不变张量基函数的显式RANS湍流封闭;Xiang和Chen[17]采用基于RL的SR框架,在嵌入量纲一致性的情况下重新发现并改进了经典的气-固流动相关式;An等人[18]结合场反演与SR改进了具有流线曲率的SST模型;Shan和Zhang[19]将湍流各向异性分析与SR相结合以增强二次本构关系;Ansari等人[20]推导了优于经典Baumann规则的改进湿蒸汽损失相关式。这些进展共同确立了SR作为从复杂流动数据中提取知识的严格、物理兼容的方法论。
然而,将SR应用于RBCC混合层面临若干独特挑战。首先,强可压缩性和极端热力学梯度产生了高度非线性的多参数相互作用,这超出了通用SR搜索策略的能力。其次,物理一致性要求十分严格:发现的表达式必须再现相对于所有控制参数的正确单调趋势,并满足量纲完整性。第三,该参数域内实验数据的稀缺性需要高保真计算数据集和鲁棒的泛化验证。之前流体力学中的SR应用已逐一解决了这些挑战中的若干项,但它们在可压缩混合层定律发现中的综合应用仍然有限;这促使了本文开发的集成分阶段框架。
本研究提出了一种物理分阶段符号回归(PS-SR)框架,用于发现控制RBCC可压缩混合层关键量的可解释数学定律。基于149个质量控制RANS案例构建了高保真物理信息图神经网络(GNN-PINN)替代模型,并用于生成约1,500个均匀分布的增强样本。在下游使用前,通过标准化的20案例全场聚合评估和覆盖所有60个验证和测试案例的原始输出分布漂移审计对替代模型进行了评估。PS-SR框架随后通过三个要素提取显式表达式:(i) 物理解耦的五因子乘积分解;(ii) 一个预处理阶段加上由物理信息token库引导的七个贪心搜索阶段;以及(iii) 带核心否决机制的八项物理一致性验证。所得相关式提供了用于设计空间分析的紧凑且经过定量验证的工具,同时保留了其已验证适用性的明确边界。
本文其余部分组织如下。第二节描述计算流场模型和验证。第三节介绍替代模型建模框架。第四节详述PS-SR框架。第五节展示发现的物理定律及其物理解释和对比验证。第六节讨论设计影响和更广泛的方法论意义。第七节给出结论。
各节摘要
物理构型
采用简化的二维平面几何构型,代表典型的RBCC射流模式混合配置。域由超音速主流(火箭排气)和亚音速次级流(被卷吸气)组成,中间由一块薄的分流板分隔(图1)。域长为 L?=?0.4 m,高为 H?=?0.1 m;初始混合发展区从分流板尾缘向下游延伸10 mm。两个入口均使用压力远场边界条件,
架构、图构建与数据集准备
开发了一种物理信息图神经网络(GNN-PINN)替代模型,用于重建后续符号回归分析所需的二维流场。在该公式中,GNN提供空间消息传递骨干,而数据、梯度、结构一致性和控制物理残差项则通过分阶段PINN训练目标引入。嵌入了几何描述符、32个傅里叶坐标特征和局部涡度相关特征
动机与概述
在高保真替代模型提供全面数据覆盖的情况下,本工作的核心贡献得到解决:发现控制RBCC混合层参数的可解释、闭式数学表达式。基于遗传编程[25,26]的经典SR方法经常生成过于复杂的表达式,模糊了物理意义,而未经约束的基于神经网络的SR[27]可能在缺乏显式领域
发现的物理定律
第五节的指标范围。除非另有明确说明,所有报告的 R2、RMSE、MAE和SMAPE值——以及可用的五折交叉验证值——均针对最终的闭式PS-SR表达式与其目标量进行评估;没有任何一个是GNN-PINN场重构指标。四个表达式报告了五折交叉验证结果;第五节V.C中的速度中心线斜率表达式仅报告了 R2、RMSE和MAE。处理了五个目标量:
RBCC设计影响
发现的表达式为RBCC发动机设计和优化提供了实用的定量工具。增长率表达式支持估算混合完成长度,这与燃烧室入口条件及燃烧启动前的充分混合相关。与Dimotakis相关式相比,其显著降低误差在RBCC火箭排气特征的高温比条件下尤为宝贵。
中心线斜率表达式
结论
提出了一种物理分阶段符号回归(PS-SR)框架,用于发现控制RBCC可压缩混合层关键参数的可解释闭式数学定律。主要贡献如下:
- 1.
GNN-PINN替代模型精度与数据生成。基于149个质量控制RANS案例构建的物理信息GNN-PINN替代模型,在标准化的20案例场重构中,速度、总压和马赫数的 R2 值分别为0.9995、0.9959和0.9993。
CRediT作者贡献声明
Rui Gu: 撰写—原稿,方法论。Zekai Lu: 软件。Hao Wang: 撰写—审阅与编辑,方法论。Mingbo Sun: 监督,获取资金。Zun Cai: 项目管理。Hongbo Wang: 资源。
Rui Gu|Zekai Lu|Hao Wang|Mingbo Sun|Zun Cai|Hongbo Wang