基于多任务学习的翼型结冰与气动特性预测

doi:10.7527/S1000-6893.2025.32983

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于多任务学习的翼型结冰与气动特性预测

辛惠竹¹^,², 李晨³, 桑为民¹^,²(), 侯靓¹^,²

^1.西北工业大学航空学院，西安 710072
^2.飞行器基础布局全国重点实验室，西安 710072
^3.上海卫星工程研究所，上海 201109

收稿日期:2025-10-28 修回日期:2025-11-17 接受日期:2025-12-15 出版日期:2025-12-29 发布日期:2025-12-29
通讯作者: 桑为民 E-mail:sangweimin@nwpu.edu.cn
基金资助:
结冰与防除冰重点实验室开放课题(IADL20230302);国家自然科学基金(12572270);西北工业大学“1-0”重大工程科学问题项目(G2024KY0613)

Airfoil icing and aerodynamic characteristics prediction based on multi-task learning

Huizhu XIN¹^,², Chen LI³, Weimin SANG¹^,²(), Liang HOU¹^,²

^1.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China
^2.National Key Laboratory of Aircraft Configuration Design，Xi’an 710072，China
^3.Shanghai Satellite Engineering Research Institute，Shanghai 201109，China

Received:2025-10-28 Revised:2025-11-17 Accepted:2025-12-15 Online:2025-12-29 Published:2025-12-29
Contact: Weimin SANG E-mail:sangweimin@nwpu.edu.cn
Supported by:
Open Fund of Key Laboratory of Icing and Anti/De-icing(IADL20230302);National Natural Science Foundation of China(12572270);The “1-0” Major Engineering Science Problem Project of Northwestern Polytechnical University(G2024KY0613)

摘要/Abstract

摘要：

针对翼型结冰预测中单任务学习精度有限且难以同时获得结冰形态和气动特性的问题，提出一种基于多任务学习的翼型结冰预测框架MTAF（Multi Task Airfoil Former）。该框架采用编码器-解码器架构，通过共享特征编码器提取翼型几何与飞行条件的深层表征，利用任务关联模块实现特征融合与任务交互，由专门的预测头分别完成结冰预测和气动系数预测。对比了Transformer和ConvNeXt两种骨干网络在该框架中的性能表现。基于625个NACA 2412翼型样本进行训练和测试，结果表明Transformer架构在结冰预测任务中达99.79%的像素准确率和0.990 6的决定系数，优于ConvNeXt的99.50%和0.977 2；在气动系数预测方面，Transformer的升力系数决定系数达0.975 4，阻力系数决定系数达0.987 4，与ConvNeXt的0.973 3和0.990 1相当，两种架构各有优势。在此基础上，进一步利用100组未参与训练的外部样本进行了泛化性验证，从像素和几何两个层面进行的对比分析表明MTAF框架在不同结冰类型和多种飞行工况下均保持较高精度和良好泛化能力，为翼型结冰工程应用提供了高效可靠的预测方法。

关键词: 飞机结冰, 图像预测, 气动特性, Transformer, 卷积神经网络

Abstract:

To address the problem of limited accuracy in single-task learning for airfoil icing prediction and the difficulty in simultane-ously obtaining icing morphology and aerodynamic characteristics， a multi-task learning based airfoil icing prediction framework called MTAF （Multi-Task Airfoil Former） is proposed. The framework employs an encoder-decoder architecture that extracts deep representations of airfoil geometry and flight conditions through a shared feature encoder， realizes feature fusion and task interaction via a task correlation module， and accomplishes icing prediction and aerodynamic coefficient prediction respectively through dedicated prediction heads. The performance of Transformer and ConvNeXt backbone net-works within this framework is comparatively studied. Based on training and testing with 625 NACA 2412 airfoil samples， results demonstrate that the Transformer architecture achieves pixel accuracy of 99.79% and coefficient of determination for 0.990 6 in icing prediction tasks， significantly outperforming 99.50% and 0.977 2 of ConvNeXt. For aerodynamic coefficient prediction， Transformer achieves coefficient of determination values of 0.975 4 for lift coefficient and 0.987 4 for drag coefficient， which are comparable to 0.973 3 and 0.990 1 of ConvNeXt， respectively， with each architecture showing distinct advantages. The MTAF framework maintains stable prediction performance across different icing types and various flight conditions， providing a high-precision prediction tool for airfoil icing engineering applications.

Key words: aircraft icing, image prediction, aerodynamic characteristics, Transformer, convolutional neural network

中图分类号:

V211.3

辛惠竹, 李晨, 桑为民, 侯靓. 基于多任务学习的翼型结冰与气动特性预测[J]. 航空学报, 2026, 47(16): 132983.

Huizhu XIN, Chen LI, Weimin SANG, Liang HOU. Airfoil icing and aerodynamic characteristics prediction based on multi-task learning[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(16): 132983.

图/表 20

图 1

图 2

表1

图 3

图 4

图 5

表2

图 6

图 7

表3

图 8

图 9

图 10

表4

表5

图 11

图 12

图 13

图 14

表6

参考文献 47

[1]	张强，高正红. 基于神经网络的翼型积冰预测［J］. 飞行力学， 2011， 29（2）： 6-9.
	ZHANG Q， GAO Z H. Prediction of ice accretions based on the neural net［J］. Flight Dynamics， 2011， 29（2）： 6-9 （in Chinese）.
[2]	REEHORST A， ADDY H， COLANTONIO R. Examination of icing induced loss of control and its mitigations［C］∥ AIAA Guidance， Navigation， and Control Conference. Reston： AIAA， 2010.
[3]	李哲，徐浩军，薛源，等. 结冰对飞机飞行安全的影响机理与防护研究［J］. 飞行力学， 2016， 34（4）： 10-14.
	LI Z， XU H J， XUE Y， et al. Research on flight safety effect mechanism and protection for aircraft icing［J］. Flight Dynamics， 2016， 34（4）： 10-14 （in Chinese）.
[4]	孙瑞山，吴迪. 机翼结霜和薄冰的危险性分析［J］. 航空计算技术， 2017， 47（4）： 10-13.
	SUN R S， WU D. Risk analysis of frost and ice on wing［J］. Aeronautical Computing Technique， 2017， 47（4）： 10-13 （in Chinese）.
[5]	何磊，钱炜祺，易贤，等. 基于转置卷积神经网络的翼型结冰冰形图像化预测方法［J］. 国防科技大学学报， 2021， 43（3）： 98-106.
	HE L， QIAN W Q， YI X， et al. Graphical prediction method of airfoil ice shape based on transposed convolution neural networks［J］. Journal of National University of Defense Technology， 2021， 43（3）： 98-106 （in Chinese）.
[6]	LYNCH F T， KHODADOUST A. Effects of ice accretions on aircraft aerodynamics［J］. Progress in Aerospace Sciences， 2001， 37（8）： 669-767.
[7]	BRAGG M. Aircraft aerodynamic effects due to large droplet ice accretions［C］∥ 34th Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 1996.
[8]	易贤，朱国林，王开春，等. 翼型积冰的数值模拟［J］. 空气动力学学报， 2002， 20（4）： 428-433.
	YI X， ZHU G L， WANG K C， et al. Numerically simulating of ice accretion on airfoil［J］. Acta Aerodynamica Sinica， 2002， 20（4）： 428-433 （in Chinese）.
[9]	HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks［J］. Science， 2006， 313（5786）： 504-507.
[10]	柴聪聪. 基于深度学习的翼型结冰及其气动特性预测［D］. 成都：电子科技大学， 2021： 23-41.
	CHAI C C. Prediction of airfoil ice accretion and aerodynamic characteristics based on deep learning［D］. Chengdu： University of Electronic Science and Technology of China， 2021： 23-41 （in Chinese）.
[11]	何磊，钱炜祺，董康生，等. 基于卷积神经网络的结冰翼型气动特性建模［J］. 航空学报， 2023， 44（5）： 126434.
	HE L， QIAN W Q， DONG K S， et al. Aerodynamic characteristics modeling of iced airfoil based on convolution neural networks［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 126434 （in Chinese）.
[12]	李小龙，洪冠新. 一种基于神经网络的机翼结冰冰型预测方法［C］∥ 中国航空学会飞行力学学术交流会论文集. 北京：国防工业出版社， 2006： 98-103.
	LI X L， HONG G X. A neural network-based prediction method for wing icing shape［C］∥ Proceedings of the Annual Conference of Academic Exchanges on Flight Mechanics and Flight Tests. Beijing： National Defense Industry Press， 2006： 98-103 （in Chinese）.
[13]	OGRETIM E， HUEBSCH W， SHINN A. Aircraft ice accretion prediction based on neural networks［J］. Journal of Aircraft， 2006， 43（1）： 233-240.
[14]	CHANG S N， LENG M Y， WU H W， et al. Aircraft ice accretion prediction using neural network and wavelet packet transform［J］. Aircraft Engineering and Aerospace Technology， 2016， 88（1）： 128-136.
[15]	YI X， WANG Q， CHAI C C， et al. Prediction model of aircraft icing based on deep neural network［J］. Transactions of Nanjing University of Aeronautics and Astronautics， 2021， 38（4）： 535-544.
[16]	STRIJHAK S， RYAZANOV D， KOSHELEV K， et al. Neural network prediction for ice shapes on airfoils using iceFoam simulations［J］. Aerospace， 2022， 9（2）： 96.
[17]	屈经国，王强，彭博，等. 基于多模态融合的任意对称翼型结冰预测方法［J］. 航空动力学报， 2024， 39（1）： 49-56.
	QU J G， WANG Q， PENG B， et al. Icing prediction method for arbitrary symmetric airfoil using multimodal fusion［J］. Journal of Aerospace Power， 2024， 39（1）： 49-56 （in Chinese）.
[18]	屈经国，彭博，易贤，等. 基于深度神经网络的任意翼型结冰预测方法［J］. 空气动力学学报， 2023， 41（7）： 48-55.
	QU J G， PENG B， YI X， et al. Icing prediction method for arbitrary airfoil using deep neural networks［J］. Acta Aerodynamica Sinica， 2023， 41（7）： 48-55 （in Chinese）.
[19]	柴聪聪，易贤，郭磊，等. 基于BP神经网络的冰形特征参数预测［J］. 实验流体力学， 2021， 35（3）： 16-21.
	CHAI C C， YI X， GUO L， et al. Prediction of ice shape characteristic parameters based on BP nerual network［J］. Journal of Experiments in Fluid Mechanics， 2021， 35（3）： 16-21 （in Chinese）.
[20]	YU D H， HAN Z R， ZHANG B， et al. A fused super-resolution network and a vision transformer for airfoil ice accretion image prediction［J］. Aerospace Science and Technology， 2024， 144： 108811.
[21]	YU D H， HAN Z R， ZHANG B， et al. A multi-autoencoder fusion network for fast image prediction of aircraft ice accretion［J］. Physics of Fluids， 2022， 34（7）： 076107.
[22]	YU J， DAI Y T， LIU X K， et al. Unleashing the power of multi-task learning： A comprehensive survey spanning traditional， deep， and pretrained foundation model eras［EB/OL］. arXiv preprint： 2404.18961， 2024.
[23]	CRAWSHAW M. Multi-task learning with deep neural networks： A survey［EB/OL］. arXiv preprint： 2009.09796， 2020.
[24]	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM， 2017： 6000-6010.
[25]	LIU Z， MAO H Z， WU C Y， et al. A ConvNet for the 2020s［C］∥ 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022： 11966-11976.
[26]	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale［C］∥ 9th International Conference on Learning Representations. Appleton： ICLR， 2021.
[27]	LIU Z， LIN Y T， CAO Y， et al. Swin Transformer： Hierarchical vision transformer using shifted windows［C］∥ 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 9992-10002.
[28]	XIE E Z， WANG W H， YU Z D， et al. SegFormer： Simple and efficient design for semantic segmentation with transformers［C］∥ 35th Annual Conference on Neural Information Processing Systems （NeurIPS）. 2021： 12077-12090.
[29]	CHENG B W， SCHWING A G， KIRILLOV A. Per-pixel classification is not all you need for semantic segmentation［C］∥ Proceedings of the 35th International Conference on Neural Information Processing Systems. New York： ACM， 2021： 17864-17875.
[30]	JAIN J， LI J C， CHIU M， et al. OneFormer： One transformer to rule universal image segmentation［C］∥ 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2023： 2989-2998.
[31]	HENDRYCKS D， GIMPEL K. Gaussian error linear units （GELUs）［EB/OL］. arXiv preprint： 1606.08415， 2016.
[32]	XIONG R B， YANG Y C， HE D， et al. On layer normalization in the transformer architecture［C］∥ Proceedings of the 37th International Conference on Machine Learning. New York： ACM， 2020： 10524-10533.
[33]	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥ 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 770-778.
[34]	MURPHY K， SCHÖLKOPF B， SRIVASTAVA N， et al. Dropout： A simple way to prevent neural networks from overfitting［C］∥ New York： ACM， 2014： 1929-1958.
[35]	HOWARD A G， ZHU M L， CHEN B， et al. MobileNets： Efficient convolutional neural networks for mobile vision applications［EB/OL］. arXiv preprint： 1704.04861， 2017.
[36]	BA J L， KIROS J R， HINTON G E. Layer normalization［EB/OL］. arXiv preprint： 1607.06450， 2016.
[37]	LARSSON G， MAIRE M， SHAKHNAROVICH G. FractalNet： Ultra-deep neural networks without residuals［C］∥ 5th International Conference on Learning Representations. Toulon： ICLR， 2017.
[38]	CARION N， MASSA F， SYNNAEVE G， et al. End-to-end object detection with transformers［C］∥ Computer Vision—ECCV 2020. Cham： Springer， 2020： 213-229.
[39]	ZEILER M D， FERGUS R. Visualizing and understanding convolutional networks［M］∥ Computer Vision—ECCV 2014. Cham： Springer， 2014： 818-833.
[40]	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（2）： 318-327.
[41]	RASCHKA S， MIRJALILI V. Python machine learning： Machine learning and deep learning with Python， scikit-learn， and TensorFlow 2［M］. Birmingham： Packt Publishing Ltd， 2019： 20-23.
[42]	SHIN J， BOND T. Results of an icing test on a NACA 0012 airfoil in the NASA Lewis Icing Research Tunnel［C］∥ 30th Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 1992.
[43]	BROEREN A P， WHALEN E A， BUSCH G T， et al. Aerodynamic simulation of runback ice accretion［J］. Journal of Aircraft， 2010， 47（3）： 924-939.
[44]	FAA. Part 25—Airworthiness standards： Transport category airplanes Appendix C： 4080-29-FR-18291［R］. Washington， D.C.： Federal Aviation Administration， 1970.
[45]	LOSHCHILOV I， HUTTER F. SGDR： Stochastic gradient descent with warm restarts［C］∥ 5th International Conference on Learning Representations. Toulon： ICLR， 2017.
[46]	LOSHCHILOV I， HUTTER F. Decoupled weight decay regularization［C］∥ 7th International Conference on Learning Representations. New Orleans： ICLR， 2019.
[47]	Aircraft Icing Technology Committee. Icing wind tunnel interfacility comparison tests： AIR5666A ［S］. Warrendale： SAE International， 2018.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数	Case 1	Case 2
飞行速度/（m·s^-1）	67.05	67.05
环境温度/℃	-28.4	-6.1
液态水含量/（g·m^-3）	1.0	1.0
水滴平均直径/μm	20	20
结冰时长/s	360	360
飞行迎角/（°）	4	4

参数	数值
水滴平均直径/μm	20， 25， 30， 35， 40
液态水含量/（g·m^-3）	0.2， 0.4， 0.5， 0.6， 0.8
环境温度/K	261， 264， 265， 266， 268
飞行速度/（m·s^-1）	30， 40， 50， 60， 70
飞行迎角/（°）	2
结冰时长/s	1 080

参数	Transformer	ConvNeXt
结冰任务PA/%	99.84	99.62
结冰任务R²	0.992 4	0.982 1
升力系数R²	0.930 7	0.937 0
阻力系数R²	0.993 8	0.993 6
训练时长/s	349.72	324.11

参数	Transformer	ConvNeXt
像素准确率/%	99.82	99.58
R²	0.986 7	0.972 9

几何参数	测试集	ConvNeXt		Transformer
几何参数	测试集	RMSE	R²	RMSE	R²
冰形面积S_ice	62	8.22×10^-5	0.891 4	2.24×10^-5	0.991 9
冰形面积S_ice	100	5.05×10^-5	0.895 5	1.95×10^-5	0.984 5
驻点冰形高度h_sp	62	8.75×10^-4	0.981 4	5.55×10^-4	0.992 5
驻点冰形高度h_sp	100	8.18×10^-4	0.978 6	6.24×10^-4	0.987 6
上冰角高度h_u	62	8.70×10^-4	0.968 9	3.09×10^-4	0.996 1
上冰角高度h_u	100	1.23×10^-3	0.934 1	6.46×10^-4	0.981 9
下冰角高度h_l	62	8.90×10^-4	0.978 6	5.46×10^-4	0.992 0
下冰角高度h_l	100	8.42×10^-4	0.975 5	6.69×10^-4	0.984 5

基于多任务学习的翼型结冰与气动特性预测

Airfoil icing and aerodynamic characteristics prediction based on multi-task learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 47

相关文章 15

编辑推荐

Metrics

本文评价

模型	C_L		C_D
模型	RMSE	R²	RMSE	R²
Transformer	0.004 1	0.958 1	0.001 3	0.970 1
ConvNext	0.003 9	0.961 6	0.001 2	0.973 4

[1]	汪翔宇, 陈显赟, 刘梦琪, 丰镇平. 机动载荷下振动对涡轮叶尖气热特性影响[J]. 航空学报, 2026, 47(8): 132710-132710.
[2]	李佳忆, 司海青, 董昊, 仇静轩, 夏天宇. 深度动态失速数值模拟方法验证与确认[J]. 航空学报, 2026, 47(6): 132671-132671.
[3]	郭天豪, 张磊, 段雪峰, 刘志涛, 刘钒, 朱任宇. 基于风洞试验的一种杆件气动-飞控特性评估[J]. 航空学报, 2026, 47(16): 132934-132934.
[4]	申晓斌, 叶泽坤, 赵静宇, 郭洁涛, 林贵平. 基于欧拉法流线的三维表面水滴撞击特性计算方法[J]. 航空学报, 2026, 47(11): 632751-632751.
[5]	曹恺强, 程盼, 景向嵘, 罗振兵, 高天翔, 冯文杰, 周岩, 彭文强. 斜射流等离子体激励器破除冰机理及实验[J]. 航空学报, 2026, 47(11): 633381-633381.
[6]	朱王清, 曹宸恺, 赵国庆, 朱清华, 胡浩宇. 剪刀尾桨气动干扰与非常规布局参数影响[J]. 航空学报, 2025, 46(S1): 732181-732181.
[7]	杨芃芊, 陈禹彤, 刘俊辉, 杨杰豪, 单家元, 孙士珺. 串列翼货运无人机大攻角气动与操稳特性[J]. 航空学报, 2025, 46(9): 131056-131056.
[8]	陈玲玲, 张杨, 施永强, 杨青真. 气膜冷却矢量喷管冷却/气动/红外辐射特性[J]. 航空学报, 2025, 46(8): 631139-631139.
[9]	王磊, 叶秋炫, 张劲. 联合小波变换与深度卷积神经网络的测距仪频谱感知方法[J]. 航空学报, 2025, 46(24): 332044-332044.
[10]	高栋, 赖普坚, 王世磊, 程塨. 基于特征协同重构的RGB-T无人机目标跟踪[J]. 航空学报, 2025, 46(23): 632017-632017.
[11]	李嘉欣, 吕帅帅, 王叶子, 杨宇, 李梓悦. 基于Transformer的航空结构表面裂纹智能追踪方法[J]. 航空学报, 2025, 46(21): 532355-532355.
[12]	樊佳坤, 艾俊强, 董宁娟, 徐家宽, 乔磊, 白俊强. 基于卷积神经网络的超声速后掠翼横流驻波转捩预测方法[J]. 航空学报, 2025, 46(20): 532012-532012.
[13]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[14]	鹿瑶, 李子豪, 刘准钆, 杨衍波. 基于Transformer的异类目标智能关联跟踪[J]. 航空学报, 2025, 46(17): 331643-331643.
[15]	贾贺, 蒋伟, 包文龙, 徐欣, 荣伟, 余莉. 行星探测用柔性降落伞跨/超声速气动特性及耦合机理[J]. 航空学报, 2025, 46(1): 630369-630369.