《通过深度学习实现快速航空分析：22 财年工程研究技术投资计划》林肯实验室2023最新45页报告

问题陈述

麻省理工学院林肯实验室经常设计和制造最先进的机载传感器，并将其安装在飞行试验设施的飞机上。在这些传感器的设计过程中，必须对空气动力性能进行评估，以确定最佳设计，并确定飞机改装的适航性。关注的量通常来自飞行中的空气动力，如：升力、阻力、力矩、脱落频率和振动曲线。其中，气动阻力是常用的设计评估指标，因为它对燃料消耗、驻留时间和飞行速度都有影响，而且与不良的涡流脱落相关。如图 1 所示，采用目前的方法进行高保真分析需要三个主要步骤：将几何模型简化为近似外模形状、构建计算网格以及运行高保真流体流动模拟以提取相关流动量。整个过程需要分析人员花费数天或数周的时间，并需要细致的专业知识。在概念设计阶段，设计参数瞬息万变，对设计产生影响的机会最大，因此这些时间和资源的投入是一个重大障碍。我们的目标是将机器学习的现代进步应用于空气动力学预测，以加快繁重的分析过程。

图 1. 传统的空气动力学分析工作流程耗时耗力。

技术路径

通过深度学习进行空气动力学快速分析（RAADL）技术计划采用深度学习（机器学习的一个子类别）预测空气动力学量，特别是作为初步概念验证的空气阻力。任意几何形状被离散化为机器可读的体积分数张量。对卷积神经网络进行训练，以识别几何图形的空间特征，并将这些特征与给定飞行条件下的空气动力学结果联系起来，如图 2 所示。该工具可在几秒钟内估算出任意几何形状的气动阻力，为设计人员提供了评估众多概念的气动性能的能力。尽管如此，作为概念验证，RAADL 工具仅限于对吊舱类形状进行阻力预测，而且估算结果的不确定性适中，因此计划在未来的工作中扩大该工具的范围，以解决这些局限性。

图 2. 说明高保真流体动力学数据如何训练 RAADL 网络预测任意吊舱形状的空气阻力。

任务影响力

该工具增强了林肯实验室评估机载传感器、飞机改装和其他飞机概念的能力。对任务的影响见表 1。通过将高保真分析能力扩展到多学科设计优化领域，可以确定和构建更高效的设计，从而提高运行性能。低阻力设计可缩短传感器平台的驻留时间，节省燃料，提高最大速度，同时最大限度地减少不良的涡流脱落。此外，这一特定工具仅仅是更大拼图中的一块。这种方法可以扩展到评估升力、力矩、稳定性导数和振动频谱等其他气动量，甚至是结构和热分析等其他学科。只需一条命令，就能从林肯实验室的 GitHub 上轻松安装 RAADL 工具。