智能赋能流体力学展望

人工智能（AI）是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。     

基于POD和DMD方法的跨声速抖振模态分析

跨声速抖振现象是由于非定常跨声速流动中激波的自激振荡而引起的结构强迫振荡,这种现象在跨声速飞行器中普遍存在,对飞机的结构强度和疲劳寿命有不利影响。基于模态分解的分析方法是进一步发展抖振控制手段的有效工具。本文通过两类典型模态分析方法（本征正交分解（POD）和动态模态分解（DMD））对OAT15A翼型的跨声速抖振现象进行分析,通过对模态频率、翼面压力分布、流场重构误差等方面的研究,将两种模态分解方法进行对比。发现基于频率特征的DMD方法能够准确捕捉抖振的临界稳定特征和抖振主频的典型模态,同时能够更准确反映流场变量在激波间断附近随时间的变化过程;而POD方法尽管在流场重构时具有较小的总体误差,但对激波附近压强随时间的变化历程拟合较差。     

动力学模态分解及其在流体力学中的应用

随着计算流体力学和先进流动测试技术的发展,流动的刻画越来越精细,伴随而来的海量流场信息的模态提取与复杂动力学特征的模型化成为当前流体力学的研究热点。动力学模态分解(Dynamic Mode Decomposition,DMD)作为一个全新的时空耦合型动力学建模方法,得到迅速推广。DMD是一种数据驱动的非定常流场模态分析手段,可以准确捕捉各个流动模态的频率及增长特性,并建立流场演化的动力学降阶模型,以重构或预测流场动力学过程。本文针对DMD在流体力学研究的应用问题,重点综述了DMD算法自提出以来的一系列改进以及对不同流动现象的应用,并通过典型测试算例说明DMD的应用过程。在此基础上,讨论了DMD的研究现状及未来发展方向。     

机器学习在湍流模型构建中的应用进展

借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。     

基函数宽度对RBF神经网络气动力模型精度的影响研究

将带输出反馈的RBF（recursive radial basis function, RRBF）神经网络用于构建非定常气动力模型,能够得到一种动态非线性气动力降阶模型（reduced order model, ROM）。隐含层神经元的基函数宽度是该气动力模型的一个重要参数。为了研究基函数宽度对RRBF神经网络的影响,首先通过数学分析和计算仿真研究了训练过程中宽度与神经网络结构之间的关系,而后用NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态的情况进行测试。测试结果表明,基函数宽度对此类非定常气动力模型的稳定性及泛化能力都有较大影响;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。通过对随机俯仰运动样本的预测结果,验证了宽度的最优选择范围。     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

亚临界雷诺数圆柱涡致振动的实验研究

近年来，数值模拟结果表明圆柱涡致振动现象可在低至20的亚临界雷诺数下发生，但目前尚无相关实验证明该种现象的存在。本文首先研发了适用于低雷诺数流固耦合实验的旋转水槽，而后在此基础上开展了亚临界雷诺数下圆柱涡致振动实验，分别研究了支撑频率和雷诺数对涡致振动响应的影响。发现圆柱涡致振动存在的最低雷诺数为23，与数值模拟结果接近，证实了亚临界雷诺数涡致振动的存在；另外，发生亚临界涡致振动时，在尾迹区观测到了频率与圆柱振动频率一致的卡门涡脱，说明弹性支撑特性会使得流动稳定性降低，证实了相关数值模拟结果的正确性。