融入半经验模型与失速模式的动态失速建模方法研究史子颉高传强张伟伟西北工业大学航空学院西安西北工业大学流体力学智能化国际联合研究所西安飞行器基础布局全国重点实验室西安融入半经验模型与失速模式的动态失速建模方法研究Data-knowledge-driven dynamic stall modeling guidedby stall patterns and semi-empirical model史子颉高传强∗张伟伟1.西北工业大学航空学院西安7100722.西北工业大学流体力学智能化国际联合研究所西安7100723.飞行器基础布局全国重点实验室西安710072引用格式Shi Z, Gao C, Zhang W. Data-knowledge-driven dynamic stall modeling guided by stall patterns and semi-empirical model[J]. Physics of Fluids, 2025, 37(4).编者按如何有效的融入物理知识以提升模型的可解释性和泛化性是机器学习建模的核心挑战也是助力其工程落地的有力途径。本研究针对分离流动态失速问题提出了一种知识-数据联合驱动建模方法既融入了经典的理论模型又从数据中挖掘新的物理并融入。两种知识共同赋能神经网络模型实现高精度的小样本建模。摘要:动态失速引起的载荷增强与气动力迟滞对飞行器气动性能产生负面影响。因此动态失速的精确建模对飞行器与风力机的设计至关重要。随着机器学习的发展纯数据驱动的动态失速模型往往依赖大量昂贵的训练数据且缺乏物理知识支撑限制了其泛化能力和可解释性。本文提出一种数据-知识驱动的动态失速建模方法基于已有的训练数据发现知识并指导模型架构的设计。首先通过分析气动阻尼与力矩系数演化规律识别出三种不同的失速模式并提出区别于深失速与浅失速的过渡失速状态以辅助神经网络建模随后构建融合Leishman-Beddoes动态失速理论的神经网络模型该模型集成上述失速模式特征并采用基于P参数的失速程度分类与力分量分解策略实现了不同动态失速程度的气动特性的统一预测。相比纯数据驱动的神经网络专家知识的引入使泛化精度提升50%且物理机理的融入显著降低了对高精度训练数据的依赖。动态失速是一种典型的非线性、非定常分离流流动。由于涉及显著的非线性流动分离与气动力迟滞且受多参数影响动态失速气动力的评估面临半经验理论模型算不准、精细化耦合仿真算不动、风洞缩比模拟难度大成本高、纯数据驱动方法缺乏物理且依赖海量数据是一种天然的小样本建模难题。因此在有限的训练数据下需要融入恰当的物理知识以为数据驱动模型提供强有力的先验指导。动态失速的模式及其分类准则是关于其几十年来理论研究的重要成果之一。在俯仰振荡下不同的振幅、平衡攻角以及振荡频率会诱发不同类型的动态失速现象。传统的研究包括小于静态攻角无失速模式以及失速攻角后的浅失速与深失速模式其漩涡脱离、气动阻尼、气动力幅值等均具有显著的差异。图1 经典机理研究给出的动态失速分类本文发展了先挖掘机理后指导建模的动态失速建模新流程。针对NACA0012已有的风洞实验数据从气动阻尼与力矩特性发现了有别于经典研究的深失速、浅失速及过渡状态。接着关注气动力矩迟滞环的交叉点对应的攻角发现了不同的组合下存在迟滞环交叉点的三种演化模式。这一发现再次证实了动态失速存在潜在的过渡状态并给出了区分深失速、浅失速与过渡状态的临界指标P。图2 三种动态失速模式及其对应的气动阻尼接着将经典的动态失速L-B模型的气动力分量与本文发现的三种动态失速模式及其临界指标融入神经网络的架构设计中。两种物理知识赋能神经网络高效高精度的预示了翼型的动态失速迟滞环。(a建模流程b模型架构图3 融入两种物理知识的神经网络建模框架在原数据库1/3的训练样本下实现了攻角、频率的外推泛化。建模结果表明小样本训练下随着物理知识融入的越多数据驱动模型的泛化精度越高且对于训练的数据依赖程度越小。图4 典型预测集下的升力、力矩系数预测结果结论:1本文发展了一种融入动态失速模式与半经验模型的建模架构实现了小样本下的气动力预测。仅使用数据库1/3的训练样本实现减缩频率与攻角的泛化预测。融入两种物理知识较纯数据驱动方法精度提升50%以上2对于知识与数据驱动的建模方法本文尝试了先验物理知识与挖掘物理知识同时融入神经网络中的建模新思路包括已有理论模型以及基于机理研究从数据中发现的物理见解。而对于数据驱动方法越多的物理指导可以产生越精确的结果且解释性于泛化性都更好。公众号原文链接文末附论文资源https://mp.weixin.qq.com/s/8h5L9SG4jWG3q1hSKBGhEg注文章由作者原创供稿并获得作者授权发布。更多精彩内容敬请关注微信公众号“力学与人工智能”
POF| 西工大史子颉、高传强等：融入半经验模型与失速模式的动态失速建模方法研究
发布时间：2026/7/6 17:57:43
融入半经验模型与失速模式的动态失速建模方法研究史子颉高传强张伟伟西北工业大学航空学院西安西北工业大学流体力学智能化国际联合研究所西安飞行器基础布局全国重点实验室西安融入半经验模型与失速模式的动态失速建模方法研究Data-knowledge-driven dynamic stall modeling guidedby stall patterns and semi-empirical model史子颉高传强∗张伟伟1.西北工业大学航空学院西安7100722.西北工业大学流体力学智能化国际联合研究所西安7100723.飞行器基础布局全国重点实验室西安710072引用格式Shi Z, Gao C, Zhang W. Data-knowledge-driven dynamic stall modeling guided by stall patterns and semi-empirical model[J]. Physics of Fluids, 2025, 37(4).编者按如何有效的融入物理知识以提升模型的可解释性和泛化性是机器学习建模的核心挑战也是助力其工程落地的有力途径。本研究针对分离流动态失速问题提出了一种知识-数据联合驱动建模方法既融入了经典的理论模型又从数据中挖掘新的物理并融入。两种知识共同赋能神经网络模型实现高精度的小样本建模。摘要:动态失速引起的载荷增强与气动力迟滞对飞行器气动性能产生负面影响。因此动态失速的精确建模对飞行器与风力机的设计至关重要。随着机器学习的发展纯数据驱动的动态失速模型往往依赖大量昂贵的训练数据且缺乏物理知识支撑限制了其泛化能力和可解释性。本文提出一种数据-知识驱动的动态失速建模方法基于已有的训练数据发现知识并指导模型架构的设计。首先通过分析气动阻尼与力矩系数演化规律识别出三种不同的失速模式并提出区别于深失速与浅失速的过渡失速状态以辅助神经网络建模随后构建融合Leishman-Beddoes动态失速理论的神经网络模型该模型集成上述失速模式特征并采用基于P参数的失速程度分类与力分量分解策略实现了不同动态失速程度的气动特性的统一预测。相比纯数据驱动的神经网络专家知识的引入使泛化精度提升50%且物理机理的融入显著降低了对高精度训练数据的依赖。动态失速是一种典型的非线性、非定常分离流流动。由于涉及显著的非线性流动分离与气动力迟滞且受多参数影响动态失速气动力的评估面临半经验理论模型算不准、精细化耦合仿真算不动、风洞缩比模拟难度大成本高、纯数据驱动方法缺乏物理且依赖海量数据是一种天然的小样本建模难题。因此在有限的训练数据下需要融入恰当的物理知识以为数据驱动模型提供强有力的先验指导。动态失速的模式及其分类准则是关于其几十年来理论研究的重要成果之一。在俯仰振荡下不同的振幅、平衡攻角以及振荡频率会诱发不同类型的动态失速现象。传统的研究包括小于静态攻角无失速模式以及失速攻角后的浅失速与深失速模式其漩涡脱离、气动阻尼、气动力幅值等均具有显著的差异。图1 经典机理研究给出的动态失速分类本文发展了先挖掘机理后指导建模的动态失速建模新流程。针对NACA0012已有的风洞实验数据从气动阻尼与力矩特性发现了有别于经典研究的深失速、浅失速及过渡状态。接着关注气动力矩迟滞环的交叉点对应的攻角发现了不同的组合下存在迟滞环交叉点的三种演化模式。这一发现再次证实了动态失速存在潜在的过渡状态并给出了区分深失速、浅失速与过渡状态的临界指标P。图2 三种动态失速模式及其对应的气动阻尼接着将经典的动态失速L-B模型的气动力分量与本文发现的三种动态失速模式及其临界指标融入神经网络的架构设计中。两种物理知识赋能神经网络高效高精度的预示了翼型的动态失速迟滞环。(a建模流程b模型架构图3 融入两种物理知识的神经网络建模框架在原数据库1/3的训练样本下实现了攻角、频率的外推泛化。建模结果表明小样本训练下随着物理知识融入的越多数据驱动模型的泛化精度越高且对于训练的数据依赖程度越小。图4 典型预测集下的升力、力矩系数预测结果结论:1本文发展了一种融入动态失速模式与半经验模型的建模架构实现了小样本下的气动力预测。仅使用数据库1/3的训练样本实现减缩频率与攻角的泛化预测。融入两种物理知识较纯数据驱动方法精度提升50%以上2对于知识与数据驱动的建模方法本文尝试了先验物理知识与挖掘物理知识同时融入神经网络中的建模新思路包括已有理论模型以及基于机理研究从数据中发现的物理见解。而对于数据驱动方法越多的物理指导可以产生越精确的结果且解释性于泛化性都更好。公众号原文链接文末附论文资源https://mp.weixin.qq.com/s/8h5L9SG4jWG3q1hSKBGhEg注文章由作者原创供稿并获得作者授权发布。更多精彩内容敬请关注微信公众号“力学与人工智能”
 获取与实战)
