王博、吴榕、招启军、周海峰和赵国庆来自南京航空航天大学航空学院直升机旋翼动力学国家级重点实验室，于2024年3月10日在《气动研究与试验》（Aerodynamic Research & Experiment）期刊上发表了题为《基于深度学习的直升机旋翼翼型流场预测》的研究论文。该研究属于航空工程领域，旨在通过深度学习技术提高直升机旋翼翼型流场预测的效率和精度，减少传统计算流体力学（CFD）方法的高计算成本和人工干预需求。
直升机旋翼是直升机气动力的主要来源，其气动性能的准确计算和提升一直是直升机空气动力学领域的重点和难点。与固定翼飞行器的机翼相比，直升机旋翼桨叶的运动更为复杂，包括旋转、变距、挥舞和摆振等。在前飞过程中，旋翼旋转速度与直升机前飞速度的叠加导致旋翼桨盘上出现严重的气流不对称现象，这使得旋翼及翼型的流场与气动特性十分复杂，精确分析较为困难。
翼型是旋翼的基本元素，其气动特性直接影响旋翼的气动特性和直升机的飞行性能。因此，准确预测旋翼翼型的流场，进而获得翼型的气动力特征，是研究旋翼流动机理、气动性能，并进一步开展旋翼及翼型设计的重要基础。
目前，旋翼翼型的气动特性研究通常采用试验和CFD方法。试验方法需要耗费大量的资金和时间，而CFD方法虽然精度较高且成本相对较低，但对网格的尺寸和质量要求高，需要较多的人工干预与较大的计算消耗。近年来，人工智能技术迅速发展，基于智能学习的预测方法在各个领域的应用越来越广泛。该方法主要以已知翼型设计参数与气动力系数为学习对象，通过神经网络模型建立气动特性与飞行状态之间的关系，从而对未知状态下翼型的流场进行预测。
本研究主要包括以下几个步骤：
建立样本数据库：首先，采用CFD方法对样本集内的NACA系列翼型在不同马赫数和迎角状态下的流场进行预测，建立旋翼翼型流场数据库。具体来说，使用基于雷诺平均Navier-Stokes（N-S）方程的CLORNS代码对NACA系列翼型流场进行数值模拟，生成包含翼型流场速度分布与压强分布的样本数据库。
训练卷积神经网络（CNN）：基于建立的样本数据库，训练卷积神经网络，建立旋翼翼型流场预测的人工智能方法。CNN模型的设计包括输入层、卷积层、池化层、全连接层和输出层。输入层为翼型的点背景网格数据，数据尺寸为88行×446列。卷积层通过卷积核函数对原始数据做卷积操作，提取原始数据的特征值。池化层对卷积层提取出的特征值进行池化操作，降低特征值的数据量，减少网络的训练时间。全连接层位于卷积神经网络的末端，将经过卷积神经网络后所形成的特征值互相连接在一起，从而根据分类的要求对输出结果进行分析。
测试与验证：针对测试集内翼型在不同马赫数和迎角状态下的流场进行预测，并与CFD计算结果对比。具体来说，使用建立的CNN模型对NACA0021翼型流场进行预测，并与CFD计算值进行对比，验证模型的预测精度。
研究结果表明，深度学习方法可以有效地预测不同状态下旋翼翼型的流场特征，快速获取翼型流场数据，大幅减少了人为操作与CFD计算代价，在保证翼型流场预测精度的同时有效地提高了计算效率。具体来说：
NACA0021翼型流场预测：基于建立的卷积神经网络模型，对NACA0021翼型在不同马赫数和迎角状态下的流场进行预测，并与CFD计算值进行对比。结果表明，预测能够有效捕捉翼型驻点位置以及流动加速区的流动特征，与CFD计算结果基本吻合。
OA209翼型流场预测：为了进一步研究建立的神经网络模型对非对称、厚度分布规律与NACA4位数字翼型不同的翼型流场的预测效果，以OA209翼型为对象，对其流场进行预测。结果表明，对OA209翼型下表面压强的预测精度较高，虽然上表面压强的预测结果与计算值相比有一定误差，但总体预测趋势相同。
本研究建立了基于深度学习的卷积神经网络翼型流场预测方法，采用CFD方法建立了NACA系列翼型数据库，搭建并训练卷积神经网络，开展了对旋翼翼型流场的气动特性预测研究。通过研究，可以得出以下结论：
本文建立的基于深度学习的旋翼翼型流场预测方法能够快速预测NACA0021翼型在不同工作状态下的流场，并通过与CFD计算值的对比，验证了方法的可靠性。
该模型在仅有NACA系列翼型数据库的情况下，可以较好地预测OA翼型的流场数据，进一步加入OA系列翼型训练集之后预测精度更高。说明基于深度学习建立的神经网络模型具有较好的扩展性，可进一步推广到其他不同种类翼型的流场预测。
该模型可以较为准确地预测不同翼型在不同马赫数和迎角状态下的压强和速度，为翼型气动外形优化以及气动噪声的预测打下了良好的基础。
本研究的重要发现和创新点包括：
高效预测：深度学习方法可以快速预测不同状态下旋翼翼型的流场特征，大幅减少计算时间和人工干预。
高精度：通过与CFD计算值的对比，验证了深度学习方法的预测精度，表明该方法在保证精度的同时提高了计算效率。
扩展性强：建立的神经网络模型不仅适用于NACA系列翼型，还可以推广到其他类型的翼型，具有较好的扩展性。
本研究具有重要的科学价值和应用价值。在科学价值方面，该研究为旋翼翼型流场预测提供了一种新的高效方法，推动了深度学习与空气动力学的交叉融合。在应用价值方面，该方法可以显著减少翼型气动外形优化过程中的计算时间，为先进旋翼的气动布局快速设计提供支撑，同时为智能化噪声计算提供了可能，减少了噪声计算的时间周期。
本研究通过深度学习技术，提出了一种高效、精确的旋翼翼型流场预测方法，具有重要的科学意义和实际应用价值。