138 / 2023-07-20 10:24:32

智能赋能飞行器复杂气动建模问题研究

函数发现,人工智能,气动数据,注意力机制,强化学习

大数据与复杂系统 > 3.数据驱动非线性关系挖掘

气动数据是反映飞行器气动性能的重要载体，根据已有气动数据，建立描述气动规律的模型，能为掌握飞行器气动特性，辅助飞行器设计提供支撑。传统的基于物理机理的气动模型虽然具备可解释性，但受空气动力学理论发展不充分，许多物理现象难以解释的影响，对于复杂气动问题的建模依然存在困难。而基于浅层机器学习的建模方法虽然能绕开复杂的物理机理，依赖数据建立模型，但仍然存在诸多不足，例如，需要人工干预提取数据特征，面对大规模数据和高维问题时训练效率低、模型性能差，参数化技术带入拟合误差，难以直接处理图像类型数据等。围绕解决以上复杂气动建模问题，充分发挥人工智能技术优势，发展了基于注意力机制的飞行器翼型设计方法、基于深度可组合神经网络的气动数据融合方法、基于强化学习的自适应高可解释性气动规律函数发现方法，并在典型飞行器气动数据验证实验上表现出良好的性能。具体包括：①基于注意力机制的飞行器翼型设计方法。简化翼型反设计的过程，基于注意力机制设计了一个端到端的，应用于翼型反设计的深度学习模型，该模型可以学习到翼型曲线和压力分布之间的联系，直接输入压力分布图像就可以得到与之对应的翼型图像。生成了6561组样本，其中6000组样本用于训练，561组样本用于验证。实验结果表明，该模型在验证集上的方均根误差为0.0023，平均相对偏差为2.53%，训练耗时743.4秒，验证耗时12.18秒，预测一个翼型曲线平均耗时0.0217秒，结果表明，该模型能够避免传统飞行器翼型设计方法中繁琐耗时的数值计算过程，能在保证精度的情况下大幅降低计算时间，提高设计效率，且具有较高预测精度和较强鲁棒性。②基于深度可组合神经网络的气动数据融合方法。为解决飞行试验、数值模拟、风洞试验等三类气动数据的融合问题，建立了基于深度神经网络的多保真度气动数据融合模型，通过3个子网络结构，分别学习低保真度数据映射关系、高保真度与低保真度气动数据之间的线性和非线性映射关系，并利用超参数ρ调整线性和非线性部分的融合贡献度，从而为以较低成本生成更多高质量的气动数据提供了一条有效技术途径。同时，为处理包含不确定度的气动数据融合问题，建立了组合贝叶斯深度网络模型。该网络由一个普通全连接网络和一个贝叶斯深度网络组成。其中，贝叶斯深度网络的参数和输出都是一个分布，而不是一个数值，利用这一特性可以对数据中的不确定性进行建模和描述。对组合贝叶斯深度网络，采取训练策略为先用普通梯度下降法训练低保真度数据同化网络，然后在第一个网络训练好的前提下，对高保真度贝叶斯网络参数的后验概率进行计算。相较于传统融合建模方法，所建模型预测精度大幅提升，且不受样本规模限制，可利用更多低保真度数据信息。典型气动数据融合算例表明模型对升力系数和阻力预测精度比传统的VCM模型提高约64%、76%，比标准coKriging模型提高约84%、77%。采用组合贝叶斯网络，不仅预测能力更好，还能将几乎所有的带有不确定度的高保真度数据包含在误差带中。③基于强化学习的自适应高可解释性气动规律函数发现方法。为发现气动数据背后隐藏的规律和知识，将强化学习引入气动规律函数发现过程，建立了基于进化算法与强化学习的分布式多节点函数发现模型。在演化策略指导下，函数智能优化方法通过参数自动选取、符合自动组合，实现自动化公式推演，挖掘出反映气动数据一般规律的函数表达式模型。在建立的深度强化学习网络中将进化算法个体重组变异视为智能体的动作、个体的基因视为状态、评估的适应度值对应奖励、用动作价值函数提供非随机的策略，网络以个体编码串为输入，输出动作位置和变异后符号的标号编码，并将状态作为文本序列进行编码。标准函数发现数据集测试实验表明，所提出的方法较基于改进前的函数发现方法有8倍以上的速度提升，种群中最优误差值减少到3.27×10^-2，改进前后相同进化代数的数据平均误差值极大减少，表明强化学习指导种群使用之前历史演化中获得的经验，提高了非随机探索的效率。将方法用于典型气动数据的规律挖掘，发现的函数表达式能够对测试数据实现高度拟合。