[论文解读] Improving aircraft performance using machine learning: a review

Soledad Le Clainche, Esteban Ferrer+4 more|arXiv (Cornell University)|Oct 20, 2022

Aerodynamics and Acoustics in Jet Flows被引用 8

一句话总结

本综述总结了机器学习（ML）在提升飞机性能方面最近的进展，涵盖流体动力学、空气动力学、气动声学、燃烧以及结构健康监测等领域。研究表明，机器学习可提升仿真效率，实现降阶建模，并支持设计优化——尤其通过物理信息神经网络和数据融合技术，显著降低排放、燃油消耗和研发周期。

ABSTRACT

This review covers the new developments in machine learning (ML) that are impacting the multi-disciplinary area of aerospace engineering, including fundamental fluid dynamics (experimental and numerical), aerodynamics, acoustics, combustion and structural health monitoring. We review the state of the art, gathering the advantages and challenges of ML methods across different aerospace disciplines and provide our view on future opportunities. The basic concepts and the most relevant strategies for ML are presented together with the most relevant applications in aerospace engineering, revealing that ML is improving aircraft performance and that these techniques will have a large impact in the near future.

研究动机与目标

• 通过先进科技减少二氧化碳、氮氧化物和噪音排放，应对可持续航空的紧迫需求。
• 通过将机器学习整合到多学科航空航天工程中，克服传统飞机设计与仿真技术的局限性。
• 利用机器学习技术提升计算流体动力学（CFD）、降阶模型（ROMs）和实验数据分析的效率与准确性。
• 实现更快、更准确的设计优化和实时结构健康监测，以降低维护成本并提升安全性。
• 推进物理信息驱动的机器学习模型发展，结合数据驱动学习与物理约束，以增强模型的泛化能力和鲁棒性。

提出的方法

• 采用神经网络（包括自编码器和物理信息神经网络）学习高保真流体与结构数据的低维表示。
• 应用主成分分析（POD）、核主成分分析（Kernel PCA）和自编码器等降维技术，从CFD和实验数据中提取主导流场结构。
• 利用回归、分类和半监督学习方法，从稀疏或噪声数据中预测气动系数、燃烧行为和结构退化情况。
• 通过数据融合技术整合多保真度数据（高保真与低保真仿真、实验数据），以提升模型泛化能力并降低数据生成成本。
• 实施深度强化学习和高斯过程回归，以实时发现最优主动流动控制策略。
• 将机器学习与降阶建模（ROMs）结合，加速CFD求解器，尤其适用于大涡模拟（LES）和雷诺平均纳维-斯托克斯（RANS）模型。

实验结果

研究问题

• RQ1 机器学习在航空航天应用中如何提升计算流体动力学（CFD）仿真的精度与效率？
• RQ2 物理信息神经网络在提升流体动力学和结构监测领域机器学习模型泛化能力与可解释性方面发挥何种作用？
• RQ3 多保真度（实验与数值）数据融合在提升机器学习模型性能和降低训练成本方面有哪些方式？
• RQ4 基于机器学习的降阶模型如何加速下一代低阻力、低排放飞机的设计与优化？
• RQ5 在实时控制中，哪些最有效的机器学习技术可用于发现减少阻力和噪音的最优流动控制策略？

主要发现

• 根据ACARE飞行路径2050规划，到2050年，机器学习可实现氮氧化物排放减少90%、每乘客公里二氧化碳排放减少75%，以及噪音排放减少65%。
• 物理信息神经网络和自编码器在捕捉主导流场结构以及降低流体动力学与燃烧系统模型复杂度方面表现出优越性能。
• 高保真与低保真仿真及实验数据的融合可提升模型泛化能力，并减少对昂贵高保真数据采集的依赖。
• 基于自编码器的降阶模型可保持模态正交性，并按重构贡献对模态进行排序，从而实现高效且精确的流场近似。
• 深度强化学习与高斯过程回归在发现可有效降低阻力并抑制流动分离的实时流动控制策略方面展现出巨大潜力。
• 基于机器学习的结构健康监测系统可更准确地检测疲劳与损伤的早期征兆，实现预测性维护并降低全生命周期成本。