深度学习（Deep learning）与航空动力学（Aerodynamics）的交叉研究
文一：
风力涡轮机叶片气动特性预测的最佳自动编程方法研究
摘要：
自动编程(AP)是人工智能(AI)的一个分支，它可以自动生成计算机程序并解决复杂的工程问题。本文介绍了四种不同的 AP 方法在不同雷诺数和攻角下对 AH-93-W-145风力机叶片气动系数和功率效率的预测精度。在文献中，遗传规划(GP)和人工蜂群规划(ABCP)方法首次被用于这样的预测。此外，翼型工具和 Java箔利用翼型选择和数据集生成。风力机翼型的雷诺数和迎角是输入参数，CL、 CD 和功率效率系数是输出参数。研究结果表明，当四种测试方法准确预测空气动力系数时，多基因 GP (MGGP)方法对 R2Train 和 R2Test (CD Train 中的 R2值: 0.997-Test: 0.994，CL Train: 0.991-Test: 0.990，P E Train:0.990-测试: 0.970)。本文的创新性和综合性研究为准确预测高弯度风力机翼型的气动性能提供了最精确的模型，填补了研究的空白。这将为人工智能和空气动力学领域的研究做出重大贡献，而不需要实验成本、人力和额外的时间。
图：AH 93-W-145风力涡轮机翼型上的空气动力示意图。
图：提出的AP方法的结构。
图：GP/ABCP中的信息共享机制中的交叉示例。（a） 候选解（b）邻域解（c）从邻域解（d）接收子树生成候选解。
图：最佳模型的预测点与实际数据点之间的关系。
文二：
基于神经网络的气动数据建模综述
摘要：
本文综述了神经网络在气动数据建模中的研究进展。本文分析了计算流体力学（CFD）和传统降阶模型（ROM）的不足。随后，介绍了神经网络的历史和基本方法。此外，我们对基于神经网络的气动数据建模研究进行了分类，并举例说明了它们之间的比较。这些研究表明，神经网络是空气动力学数据建模的有效方法。最后，我们确定了未来气动数据建模研究的三个重要趋势：a）将变换方法和物理模型相结合来求解高维偏微分方程；b） 在稳态气动响应预测研究领域，面向模型的研究和面向数据集成的研究将成为未来的研究方向，而在非稳态气动反应预测中，径向基函数神经网络（RBFNN）是捕捉流量数据非线性特性的最佳工具，卷积神经网络（CNNs）有望取代长短期记忆（LSTM）来捕捉流量数据的时间特征；以及c）在稳态或非稳态流场重建领域，基于CNN的条件生成对抗性网络（cGAN）将是发现流场数据时空分布的最佳框架。
图：本文讨论了空气动力学数据建模的领域。
图：一个四层 MLP。因为输入层不参与计算，这是一个四层概念控制器。
图：具有两个簇的簇网络的结构。红色网络是功能网络，深蓝色网络是上下文网络。一个功能网络和一个上下文网络构成一个集群。此外，多个集群构成一个集群网络。
文三：
一种用于小型无人机气动分析和深度学习建模的新型非线性升力线方法
摘要：
针对小型无人机的设计优化和数学建模问题，提出了一种计算效率高、精度高的非线性气动外形分析方法。首先，我们开发了一种新的非线性升力线方法，它(a)与实验和计算密集型工具相比，为失速前和失速后的空气动力学行为提供了非常好的匹配，(b)与计算密集型方法(如计算流体力学)相比，以更少的时间量产生这些结果。这种方法进一步扩展到一个完整的配置分析工具，包括基本的机身几何形状的影响。此外，利用新型气动工具生成的数据，建立了基于深度学习的代理模型，用于描述无人机的非线性气动性能。这个模型的主要新颖之处在于，它可以只使用几何参数来预测无人航空载具的气动特性，而不需要任何特殊的输入数据或其他计算气动分析工具所需的预处理阶段。所获得的黑盒函数可以计算出一个无人航空载具在大角度攻击范围内的性能(毫秒级) ，而计算流体力学解决方案在类似的计算环境下需要几天/几周的时间。气动模型预报结果与数值计算结果基本吻合，即使是在模型训练中没有使用的不同翼型配置的气动模型预报结果与数值计算结果基本吻合。该模型为设计优化研究提供了一个高性能的气动求解器，通过一个说明性的外形设计实例进行了验证。
图：方法论的基本投入产出关系。
图：测试用例 I: 升力、总阻力和俯仰力矩系数。
图：ARC无人机几何结构
图：目标系数的测试集性能。
文四：
基于人工智能技术的非细长三角翼地面效应气动系数估算
摘要：
这项工作提出了机器学习技术来估计地面效应下40后掠三角翼的空气动力学系数。为此，已经使用了三种不同的方法，包括前馈神经网络（FNN）、埃尔曼神经网络（ENN）和自适应神经模糊干扰系统（ANFIS）。对这些模型的最优配置进行了比较，确定了最准确的预测模型。在生成的机器学习模型中，通过使用三角翼在地面接近度为h/c=1、0.7、0.55、0.25和0.1时的实际CL和CD数据，预测了在地面接近率为h/c=0.4时三角翼的升力CL和阻力系数CD。在FNN、ENN和ANFIS模型中，攻角a和离地距离h/c分别用作输入参数，CL和CD分别用作输出参数。尽管这三个模型都以非常高的精度估计了h/c=0.4下三角翼的CL和CD，但ENN方法预测CL和CD的精度远高于FNN和ANFIS模型。对于CL的估计，当ENN的最佳配置产生1.0709%的MAPE、0.00595的RMSE和0.00504的MAE时，FNN和ANFIS的最佳配置最终产生1.172%和1.1028%的MAPE，0.00786和0.0071 RMSE，0.00593和0.0054 MAE。因此，结果表明，所开发的FNN、ENN和ANFIS模型可以准确地用于预测地面效应下三角翼的空气动力学系数，而不需要进行大量的实验测量，这会导致额外的时间、劳动力和实验成本。
图：a机翼模型。b空气动力测量系统示意图
图：本研究中采用的前馈神经网络（FNN）结构
图：一个具有两个规则和输入的一阶Takagi-Sugeno模糊模型。b相应的ANFIS结构
图：非细长三角翼在训练阶段的实际和预测阻力系数与地面距离情况下的最佳准确模型ENN的比较
文五：
基于CNN的气动翼型fow控制装置建模
摘要：
风能已成为重要的发电来源，其目的是实现更清洁、更可持续的能源模式。然而，为了与传统能源竞争，需要提高风力涡轮机的性能。为了实现这一改进，机翼上安装了fow控制装置。计算流体动力学（CFD）模拟是分析这类设备最流行的方法，但近年来，随着人工智能的发展，使用神经网络预测流体特性变得越来越流行。在这项工作中，对DU91W（2）250翼型进行了158次不同的CFD模拟，在其后缘（TE）上添加了两个不同的fow控制装置，即旋转微控制器和格尼叶片。这些fow控制装置是通过使用单元集网格技术来实现的。这些模拟用于训练和测试用于速度和压力场预测的卷积神经网络（CNN）和用于空气动力学系数预测的另一个CNN。结果表明，所提出的用于场预测的CNN能够准确地预测fow控制装置周围fow的主要特性，显示出非常小的误差。关于空气动力学系数，所提出的CNN也能够可靠地预测它们，能够正确地预测趋势和值。与CFD模拟相比，细胞神经网络的使用将计算时间减少了四个数量级。
图：围绕机翼生成的结构网格: (a)一般视图; (b)详细视图。
图：分析了流量控制装置及其配置
图：Gurney fap 的域表示层: (a)由每一层表示的区域的草图(机翼概览层标记为蓝色，流量控制装置特写层标记为绿色) ; (b)机翼概览层; (c)流量控制装置层的特写视图。
图：用于速度和压力场预测的细胞神经网络的示意图
图：所有测试案例的空气动力学系数比较。
