news 2026/4/23 19:13:50

《TAML》好文推荐 | 来自北航杨超团队最新研究成果:基于双射循环生成式网络的超音速翼型气动优化

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
《TAML》好文推荐 | 来自北航杨超团队最新研究成果:基于双射循环生成式网络的超音速翼型气动优化

以下内容转载微信公众号“TAML力学快报英文”,仅作分享。

原文链接:https://mp.weixin.qq.com/s/XlT1kjGNRXkG-iPbBthdxw

Theoretical and Applied Mechanics Letters

近年来,基于生成式模型的翼型气动优化方法因其高效、灵活的特点得到了广泛应用。本研究建立了基于“编码-解码-编码”双射循环结构的生成式模型,循环训练框架提高了对有限数据集的利用率,而双向映射可增强对翼型细节的辨识度并改善均方根损失的不足,从多个方面提高了模型性能。采用薄翼理论和CFD仿真结果进行数据融合,降低了代理模型的构造成本,最终得到高效的超音速优化翼型。该方法拓展了翼型气动优化的框架,为生成式模型的设计和训练提供了新的思路。

图片来自 Elsevier

研究亮点

  • 构建基于双射循环网络的对抗生成式模型(Bicycle-GAN),实现超音速翼型低维表征与快速生成;

  • 评估了模型的参数化能力、生成质量、物理性等性能,均显著优于变分自编码器模型,并分析了影响因素;

  • 采用高低精度数据融合方法降低代理模型的构造成本,实现超音速翼型气动性能快速评估与优化。

研究进展

研究建立了基于双向映射循环结构的翼型生成式模型。通过“编码-解码”过程实现对训练集翼型的重构,通过“解码-编码”过程实现对随机噪声的重构。由于共享一套网络,两个循环过程相互嵌套,构建了翼型和低维潜在变量之间的双向映射。通过加入对抗训练过程来提高生成翼型的多样性,并引入翼型厚度标签以快速筛选出超音速翼型。

图 1 双射循环生成式模型框架

从参数化能力、粗糙度、交叉率、标签合格率和物理性五个角度评估了生成式模型的性能。相较于条件变分自编码器,由于更高效的数据利用率和更丰富的翼型评估指标,所提出的模型在这五个方面均具有明显的性能优势。

图2 生成式模型性能比较

采用数据融合方法建立翼型低维潜在变量和巡航升阻比之间的多保真度高斯过程回归代理模型,低保真度升阻比通过超音速薄翼理论计算,高保真度升阻比由CFD高精度仿真获得。分析了不同数据组合对模型预测精度的影响,在相同的CFD仿真成本下,采用多保真度模型可降低约60%的预测误差。

图3 单保真度和多保真度代理模型预测误差对比

针对典型超音速工况,基于生成翼型和多保真度代理模型开展气动优化设计。得益于更紧凑的设计空间和更高的生成质量,基于双射循环生成式模型的气动优化使用更低的CFD成本得到了性能更优异的翼型。

图4 超音速翼型优化设计收敛过程

优化后的超音速翼型具有更小的前缘半径,这不仅降低了波阻,还减少了上表面前缘的压强,进而提高了升力。除了更小的弯度和厚度外,平坦的翼型下表面也有助于降低波阻。翼型最大厚度位于50%弦长处可以减少阻力方向的压力分布积分,而通过优化表面曲线,超音速摩擦阻力系数也有所降低。

图4 优化翼型与典型超音速翼型外形对比

研究结论

1、通过引入对抗训练和双射循环的网络结构,所提出的生成式模型在参数表征、翼型生成质量和物理性方面均显著优于条件变分自编码器;

2、在相同的CFD计算成本下,多保真度代理模型的预测误差相较于单保真度模型降低约60%;

3、在两个超音速工况下,基于双射循环生成式模型的优化翼型分别提高了28%和31%的巡航升阻比,并分别降低21.5%和26.1%的CFD成本;

4、最优超音速翼型的前缘半径、弯度和厚度均更小,最大厚度位置在半弦长处,并具有更平坦的下表面,而改变形状以减少摩擦阻力也有效提高了升阻比。

研究的项目基金资助信息

本研究由国家自然科学基金和博士后创新人才支持计划资助。

全文下载:

Aerodynamic optimization of supersonic airfoils using bijective cycle generative adversarial networks

Chenfei Zhao, Yuting Dai, Xue Wang, Chao Yang, Guangjing Huang

https://www.sciencedirect.com/science/article/pii/S2095034925000236

BibTex:

@article{ZHAO2025100591,

title = {Aerodynamic optimization of supersonic airfoils using bijective cycle generative adversarial networks},

journal = {Theoretical and Applied Mechanics Letters},

volume = {15},

number = {4},

pages = {100591},

year = {2025},

issn = {2095-0349},

doi = {https://doi.org/10.1016/j.taml.2025.100591},

url = {https://www.sciencedirect.com/science/article/pii/S2095034925000236},

author = {Chenfei Zhao and Yuting Dai and Xue Wang and Chao Yang and Guangjing Huang}

}

作者介绍

杨超(团队负责人),北京航空航天大学航空科学与工程学院教授,国家级教学名师,“航空航天概论”国家级精品课/一流课程负责人,航空器先进设计技术工信部重点实验室主任。主要从事飞行器气动弹性与控制、新概念飞行器设计与验证、柔性飞行器飞行动力学等研究,主持基础加强重点、科技部重点研发计划、军民预研、重大/重点型号攻关等项目课题数十项,发表学术论文120余篇,获得省部级科技成果二等奖3项、三等奖5项。

戴玉婷,北京航空航天大学航空科学与工程学院飞机系系主任,教授,国家级青年人才。主要研究领域为飞行器设计、气动弹性、流固耦合与主动控制。在TAML、Physics of Fluids、AIAA Journal、Aerospace Science and Technology等国内外重要学术期刊发表论文40余篇。获省部级科学技术奖励4项,中国空气动力学会青年人才奖、青年人才托举工程支持。

赵辰飞(第一作者),北京航空航天大学攻读飞行器设计专业硕士研究生,主要研究方向为阵风载荷减缓和飞行器气动弹性设计。

黄广靖(通讯作者),北京航空航天大学航空科学与工程学院卓越师资博士后,主要从事非线性气动弹性力学与控制研究。主持国家自然科学基金青年基金1项,入选“国家博士后创新人才支持计划”,获中国航空学会优秀博士学位论文奖,以第一作者/通讯作者在TAML、Physics of Fluids、Aerospace Science and Technology等SCI/EI期刊发表论文13篇,授权/受理国家发明专利/计算机软件著作权9项。

研究课题组介绍

北京航空航天大学气动弹性研究室隶属于航空科学与工程学院飞机系,是专门从事气动弹性研究的实体,有50余年的科研与教学历史,为中国飞行器气动弹性设计培养和输送了大批专业人才。目前有专职教师8人,主要研究方向包括:飞行载荷与多学科优化、复合材料气动弹性剪裁、气动伺服弹性主动控制、非线性气动弹性、弹性飞行器飞行动力学、气动弹性试验新方法,以及新概念飞行器总体设计等。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/23 9:52:14

收藏!AI真能取代程序员?小白必看的大模型时代生存指南

还记得前几年AI狂欢热潮,各路自媒体疯狂渲染一个论调:“程序员最终会亲手干掉程序员”。 直到现在,这种炒作依然没有停歇——甚至有人直言,那些月入几万的资深程序员,很快就会被AI彻底取代,不少刚入门的小…

作者头像 李华
网站建设 2026/4/23 12:53:04

UART协议中的停止位与校验位:如何通过波形分析避免数据丢失

UART协议中的停止位与校验位:如何通过波形分析避免数据丢失 在嵌入式系统开发中,UART通信是最基础也是最常用的串行通信方式之一。作为一名嵌入式工程师,我经常遇到由于UART参数配置不当导致的通信故障问题。特别是在传感器数据采集、设备间通…

作者头像 李华
网站建设 2026/4/23 11:19:20

electron-egg vs 原生开发:跨平台桌面应用的技术选型指南

Electron-egg vs 原生开发:跨平台桌面应用的技术选型指南 在当今快速发展的软件开发领域,跨平台桌面应用开发已经成为许多企业和开发者的首选方案。面对众多技术选项,如何在Electron-egg框架和传统原生开发之间做出明智选择?本文将…

作者头像 李华
网站建设 2026/4/23 16:06:05

推荐系统(八)xDeepFM模型:从理论到实践的深度解析

1. xDeepFM模型的核心设计思想 第一次看到xDeepFM这个名字时,很多人会误以为它是DeepFM的改进版。但实际上,它是针对DCN(Deep & Cross Network)模型的升级方案。这个误会也情有可原,毕竟名字里带着"DeepFM&q…

作者头像 李华
网站建设 2026/4/23 14:30:10

必收藏!大模型知识蒸馏(KD)详解|小白程序员入门必备

知识蒸馏(Knowledge Distillation, 简称KD)是大模型落地过程中最实用的核心技术之一,专门解决“大模型性能强但耗资源,小模型轻便但能力弱”的痛点——简单说,就是让小型深度学习模型(学生模型)…

作者头像 李华