数据驱动的转捩预测方法初探

【作者】 常雯惠； 郗有成； 符松； 任杰；

【机构】 北京理工大学临近空间环境特性国家重点实验室； 清华大学航天航空学院；

【摘要】 高精度预测层流-湍流转捩对飞行器气动设计具有重要工程意义,然而边界层扰动演化的强非线性特征及对外界条件敏感性导致传统预测方法面临严峻挑战。本研究构建了融合非线性抛物化稳定性方程(NPSE)与机器学习的混合智能预测框架,成功实现了转捩过程的高效精准预测。通过NPSE数值方法系统模拟了K型、H型及O型三类典型转捩路径的演化规律,建立包含960组高保真度数值实验的转捩数据库,覆盖了随机上游条件和非线性效应导致的宽域转捩过程。基于壁面压力脉动信号与表面摩擦系数的特征提取,评估了深度神经网络(DNN)、双向长短期记忆网络(BiLSTM)、一维卷积神经网络(CNN)、Transformer、随机森林、 XGBoost及Kolmogorov-Arnold网络(KAN)七类机器学习模型的预测性能。结果表明:集成学习算法在转捩起始位置预测中展现出显著优势,其中XGBoost模型表现出优异的预测性能,其平均绝对误差MAE=0.72(占转捩位置均值=680的0.1%),决定系数R=0.9996,表明模型预测结果与真实值的相关性达到≈0.9998(完全正相关为1)。分析进一步揭示:在y/δ99=0.2位置处的展向平均压力波动可作为转捩起始的强关联特征,且T-S波与三维扰动的非线性相互作用是转捩初期的主导失稳机制。本工作提出的NPSE-ML混合范式为边界层转捩预测提供了兼具物理解释性与工程实用性的新型工具,可为高超声速飞行器边界层转捩抑制、低雷诺数翼型气动优化等需求提供支撑更多还原