基于卷积神经网络的结冰翼型气动特性建模

doi:10.7527/S10006893.2021.26434

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于卷积神经网络的结冰翼型气动特性建模

何磊¹^,², 钱炜祺¹^,², 董康生², 易贤¹(), 柴聪聪¹

^1.中国空气动力研究与发展中心空气动力学国家重点实验室，绵阳　621000
^2.中国空气动力研究与发展中心计算空气动力研究所，绵阳　621000

收稿日期:2021-09-24 修回日期:2021-10-15 接受日期:2021-11-08 出版日期:2023-03-15 发布日期:2021-11-12
通讯作者: 易贤 E-mail:yixian_2000@163.com
基金资助:
国家级项目

Aerodynamic characteristics modeling of iced airfoil based on convolution neural networks

Lei HE¹^,², Weiqi QIAN¹^,², Kangsheng DONG², Xian YI¹(), Congcong CHAI¹

^1.State Key Laboratory of Aerodynamics，China Aerodynamics Research and Development Center，Mianyang 　621000，China
^2.Computational Aerodynamics Research Institute，China Aerodynamics Research and Development Center，Mianyang 　621000，China

Received:2021-09-24 Revised:2021-10-15 Accepted:2021-11-08 Online:2023-03-15 Published:2021-11-12
Contact: Xian YI E-mail:yixian_2000@163.com
Supported by:
National Level Project

摘要/Abstract

摘要：

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。

关键词: 飞机结冰, 气动特性, 机器学习, 深度学习, 卷积神经网络

Abstract:

A prediction method for iced airfoil aerodynamic characteristics is proposed based on the Convolutional Neural Networks （CNN）. This new method is able to solve the multiple-value problem of the complex ice shape along the wall-normal direction at a specific location of the airfoils. The CNN prediction model can directly predict the lift and drag coefficient at multiple angles of attacks via a rapid process from the iced airfoil image to aerodynamics characteristics. The relative mean errors of the resulting lift coefficient and drag coefficient are smaller than 8%. By comparison， the influence of the convolutional layer number， filter number， and filter size on the model performance is investigated. The features of different layers in the CNN correspond to different filter frequencies， and increasing the number of convolutional layers will capture more features of high frequency. With the increase in the number of filters， more features of the ice shape will be extracted， promoting the model performance. However， more redundant features will appear if the number of filters exceeds a critical value， resulting in degradation of the generalization performance. The required number of filters for drag coefficient prediction is larger than that for lift coefficient， because drag coefficient is affected by both the pressure difference on the airfoil and friction， leading to a larger number of key features required for drag coefficient prediction than that for lift coefficient. Moreover， a larger size of filters will widen the field of view of convolution operation， enhancing the capability of extracting global features， and promoting the generalization performance of the model. The current new method can be applied to real-time prediction and monitor of aerodynamic characteristics of aircraft icing.

Key words: aircraft icing, aerodynamic characteristics, machine learning, deep learning, convolutional neural networks

中图分类号:

V211.3

何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 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): 126434-126434.

Lei HE, Weiqi QIAN, Kangsheng DONG, Xian YI, Congcong CHAI. Aerodynamic characteristics modeling of iced airfoil based on convolution neural networks[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(5): 126434-126434.

图/表 22

图 1

图 2

图 3

图 4

图 5

图 6

表 1

图 7

图 8

图 9

表 2

表 3

图 10

图 11

图 12

表 4

表 5

图 13

图 14

图 15

表 6

图 16

参考文献 43

1	郭向东，柳庆林，刘森云，等. 结冰风洞中过冷大水滴云雾演化特性数值研究［J］. 航空学报， 2020， 41（8）： 123655.
	GUO X D， LIU Q L， LIU S Y， et al. Numerical study of supercooled large droplet cloud evolution characteristics in icing wind tunnel［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（8）： 123655 （in Chinese）.
2	易贤，王斌，李伟斌，等. 飞机结冰冰形测量方法研究进展［J］. 航空学报， 2017， 38（2）： 520711.
	YI X， WANG B， LI W B， et al. Research progress on ice shape measurement approaches for aircraft icing［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（2）： 520711 （in Chinese）.
3	桂业伟，周志宏，李颖晖，等. 关于飞机结冰的多重安全边界问题［J］. 航空学报， 2017， 38（2）： 520734.
	GUI Y W， ZHOU Z H， LI Y H， et al. Multiple safety boundaries protection on aircraft icing［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（2）： 520734 （in Chinese）.
4	KIM H， BRAGG M. Effects of leading-edge ice accretion geometry on airfoil performance［C］∥ 17th Applied Aerodynamics Conference. Reston： AIAA， 1999.
5	BRAGG M， HUTCHISON T， MERRET J. Effect of ice accretion on aircraft flight dynamics［C］∥ 38th Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 2000.
6	钟长生，王立新. 结冰对飞机动力学特性影响的分析方法及其进展［J］. 飞行力学， 2004， 22（4）： 22-24， 84.
	ZHONG C S， WANG L X. Analysis methods and its development about effect of ice accretion on aircraft flight dynamics characteristics［J］. Flight Dynamics， 2004， 22（4）： 22-24， 84 （in Chinese）.
7	POKHARIYAL D， BRAGG M， HUTCHISON T， et al. Aircraft flight dynamics with simulated ice accretion［C］∥ 39th Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 2001.
8	袁坤刚，曹义华. 积冰几何特性对翼型性能影响的神经网络预测［J］. 北京航空航天大学学报， 2008， 34（8）： 900-903.
	YUAN K G， CAO Y H. Effect of ice geometry to airfoil performance using neural networks prediction［J］. Journal of Beijing University of Aeronautics and Astronautics， 2008， 34（8）： 900-903 （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	吴正文. 卷积神经网络在图像分类中的应用研究［D］. 成都：电子科技大学， 2015.
	WU Z W. Application research of convolution neural network in image classification［D］. Chengdu： University of Electronic Science and Technology of China， 2015 （in Chinese）.
11	RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks［EB/OL］. 2015： arXiv： 1511.06434. .
12	GATYS L A， ECKER A S， BETHGE M. A neural algorithm of artistic style［EB/OL］. 2015： arXiv： 1508.06576. .
13	KARPATHY A， TODERICI G， SHETTY S， et al. Large-scale video classification with convolutional neural networks［C］∥2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2014： 1725-1732.
14	SEIDE F， LI G， YU D. Conversational speech transcription using context-dependent deep neural networks［C］∥ Interspeech 2011. ISCA： ISCA， 2011： 437-440.
15	王怡星，韩仁坤，刘子扬，等. 流体力学深度学习建模技术研究进展［J］. 航空学报， 2021， 42（4）： 524779.
	WANG Y X， HAN R K， LIU Z Y， et al. Progress of deep learning modeling technology for fluid mechanics［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524779 （in Chinese）.
16	张伟伟，寇家庆，刘溢浪. 智能赋能流体力学展望［J］. 航空学报， 2021， 42（4）： 524689.
	ZHANG W W， KOU J Q， LIU Y L. Prospect of artificial intelligence empowered fluid mechanics［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524689 （in Chinese）.
17	KUTZ J N. Deep learning in fluid dynamics［J］. Journal of Fluid Mechanics， 2017， 814： 1-4.
18	YILMAZ E， GERMAN B. A convolutional neural network approach to training predictors for airfoil performance［C］∥ 18th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference. Reston： AIAA， 2017.
19	ZHANG Y， SUNG W J， MAVRIS D. Application of convolutional neural network to predict airfoil lift coefficient［DB/OL］. arXiv preprint： 1712.10082，2017.
20	WU J L， WANG J X， XIAO H， et al. Physics-informed machine learning for predictive turbulence modeling： a priori assessment of prediction confidence［DB/OL］. arXiv preprint： 1607.04563， 2016.
21	HUANG J J， DUAN L， WANG J X， et al. High-mach-number turbulence modeling using machine learning and direct numerical simulation database［C］∥ 55th AIAA Aerospace Sciences Meeting. Reston： AIAA， 2017.
22	LING J L， KURZAWSKI A， TEMPLETON J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance［J］. Journal of Fluid Mechanics， 2016， 807： 155-166.
23	张伟伟，朱林阳，刘溢浪，等. 机器学习在湍流模型构建中的应用进展［J］. 空气动力学学报， 2019， 37（3）： 444-454.
	ZHANG W W， ZHU L Y， LIU Y L， et al. Progresses in the application of machine learning in turbulence modeling［J］. Acta Aerodynamica Sinica， 2019， 37（3）： 444-454 （in Chinese）.
24	廖鹏，姚磊江，白国栋，等. 基于深度学习的混合翼型前缘压力分布预测［J］. 航空动力学报， 2019， 34（8）： 1751-1758.
	LIAO P， YAO L J， BAI G D， et al. Prediction of hybrid airfoil leading edge pressure distribution based on deep learning［J］. Journal of Aerospace Power， 2019， 34（8）： 1751-1758 （in Chinese）.
25	RAISSI M， YAZDANI A， KARNIADAKIS G E. Hidden fluid mechanics： Learning velocity and pressure fields from flow visualizations［J］. Science， 2020， 367（6481）： 1026-1030.
26	GUO X X， LI W， IORIO F. Convolutional neural networks for steady flow approximation［C］∥ Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 481-490.
27	LEE S， YOU D. Data-driven prediction of unsteady flow over a circular cylinder using deep learning［J］. Journal of Fluid Mechanics， 2019， 879： 217-254.
28	叶舒然，张珍，王一伟，等. 基于卷积神经网络的深度学习流场特征识别及应用进展［J］. 航空学报， 2021， 42（4）： 524736.
	YE S R， ZHANG Z， WANG Y W， et al. Progress in deep convolutional neural network based flow field recognition and its applications［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524736 （in Chinese）.
29	LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
30	LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.
31	陈海，钱炜祺，何磊. 基于深度学习的翼型气动系数预测［J］. 空气动力学学报， 2018， 36（2）： 294-299.
	CHEN H， QIAN W Q， HE L. Aerodynamic coefficient prediction of airfoils based on deep learning［J］. Acta Aerodynamica Sinica， 2018， 36（2）： 294-299 （in Chinese）.
32	GLOROT X， BENGIO Y. Understanding the difficulty of training deep feedforward neural networks［C］∥ International Conference on Artificial Intelligence and Statistics， 2010： 249-256.
33	NAIR V， HINTON G E. Rectified linear units improve restricted Boltzmann machines［C］∥ Proceedings of the 27th International Conference on Machine Learning， 2010： 807-814.
34	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［C］∥ The Advances in Neural Information Processing Systems， 2012： 1097-1105.
35	何磊，钱炜祺，汪清，等. 机器学习方法在气动特性建模中的应用［J］. 空气动力学学报， 2019， 37（3）： 470-479.
	HE L， QIAN W Q， WANG Q， et al. Applications of machine learning for aerodynamic characteristics modeling［J］. Acta Aerodynamica Sinica， 2019， 37（3）： 470-479 （in Chinese）.
36	CHEN H， HE L， QIAN W Q， et al. Multiple aerodynamic coefficient prediction of airfoils using a convolutional neural network［J］. Symmetry， 2020， 12（4）： 544.
37	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）.
38	BRAGG M B. An experimental study of the aerodynamics of a NACA 0012 airfoil with a simulated glaze ice accretion： NASA-CR-179897［R］. Washington， D.C.： NASA， 1986.
39	BRAGG M B， et al. Iced-airfoil aerodynamics［J］. Progress in Aerospace Sciences， 2005， 41（5）： 323-362.
40	BRAGG M B， KHODADOUST A， SPRING S A. Measurements in a leading-edge separation bubble due to a simulated airfoil ice accretion［J］. AIAA Journal， 1992， 30（6）： 1462-1467.
41	CARL O G. GRUMMP version 0.2.1 user's guide［R］. Columbia： University of British Columbia， 1997.
42	张耀冰，邓有奇，吴晓军，等. DLR-F6翼身组合体数值计算［J］. 空气动力学学报， 2011， 29（2）： 163-169.
	ZHANG Y B， DENG Y Q， WU X J， et al. Drag prediction of DLR-F6 using MFlow unstructured mesh solver［J］. Acta Aerodynamica Sinica， 2011， 29（2）： 163-169 （in Chinese）.
43	KINGMA D P， BA J. Adam： A method for stochastic optimization［DB/OL］.arXiv preprint： 1412.6980， 2014.

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

功能层	net0	net1	net2	net3
Input	200×200	200×200	200×200	200×200
Conv1	32，3×3；2×2	32，3×3；2×2	32，3×3；2×2	32，3×3；2×2
Conv2		64， 3×3；2×2	64， 3×3；2×2	64， 3×3；2×2
Conv3			128， 3×3；2×2	128， 3×3；2×2
Conv4				128， 3×3；2×2
Output	21	21	21	21

系数	指标		net0	net1	net2	net3
C_L	ε_avg/%	训练	5.736	4.440	3.709	3.739
	ε_avg/%	测试	8.971	8.041	8.013	7.983
	训练耗时/s		3 970	9 454	20 753	33 939
C_D	ε_avg/%	训练	7.730	6.758	5.503	5.858
	ε_avg/%	测试	9.787	8.397	8.256	8.245
	训练耗时/s		3 947	10 743	20 616	34 308

功能层	net-fn8	net-fn16	net-fn32	net-fn64
Input	200×200	200×200	200×200	200×200
Conv1	8， 3×3；2×2	16， 3×3；2×2	32， 3×3；2×2	64， 3×3；2×2
Conv2	16， 3×3；2×2	32， 3×3；2×2	64， 3×3；2×2	128， 3×3；2×2
Output	21	21	21	21

系数	指标		net-fn8	net-fn16	net-fn32	net-fn64
C_L	ε_avg/%	训练	6.219	4.606	4.440	4.640
	ε_avg/%	测试	8.551	8.148	8.041	8.683
	训练耗时/s		2 720	4 830	9 454	20 291
C_D	ε_avg/%	训练	14.354	24.795	6.758	7.352
	ε_avg/%	测试	14.697	25.050	8.397	8.722
	训练耗时/s		2 995	5 419	10 743	22 411

功能层	net-fs3	net-fs5	net-fs7
Input	200×200	200×200	200×200
Conv1	32， 3×3；2×2	32， 5×5；2×2	32， 7×7；2×2
Conv2	64， 3×3；2×2	64， 5×5；2×2	64， 7×7；2×2
Conv3	128， 3×3；2×2	128， 5×5；2×2	128， 7×7；2×2
Output	21	21	21
Layer	200×200	200×200	200×200

基于卷积神经网络的结冰翼型气动特性建模

Aerodynamic characteristics modeling of iced airfoil based on convolution neural networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 43

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孙大智, 陈希, 鲍为成, 卞威, 招启军. 高速直升机机身干扰对推力桨气动与噪声源特性的影响[J]. 航空学报, 2024, 45(9): 529142-529142.
[2]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[3]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[4]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[5]	李海星, 周峰, 颜巍, 白峰, 赵克良. 砂纸冰对民机平尾气动特性的影响[J]. 航空学报, 2024, 45(2): 128657-128657.
[6]	杨映麟, 常士楠, 石奇玉, 齐海峰. 气流剪切作用下的水膜实验[J]. 航空学报, 2023, 44(S2): 729290-729290.
[7]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[8]	石达志, 桑为民, 李世杰, 安博. 基于LBM的结冰表面水滴撞击特性数值模拟[J]. 航空学报, 2023, 44(S2): 729192-729192.
[9]	陈立群, 邹旭, 张磊, 朱颖盼, 王港, 陈金勇. 基于国产商用器件的星载智能目标检测技术[J]. 航空学报, 2023, 44(S2): 728860-728860.
[10]	熊华杰, 安怡竞, 吴主龙, 周志宏. 欧拉壁膜模型在结冰模拟中的扩展[J]. 航空学报, 2023, 44(S2): 729287-729287.
[11]	马金毅, 王灿, 薛涛, 艾剑良, 董一群. 空战格斗飞行机动数据库建立及应用[J]. 航空学报, 2023, 44(S1): 727538-727538.
[12]	刘鹏宇, 朱雪耀. 基于深度学习的融合空域空管指令语义解析技术[J]. 航空学报, 2023, 44(S1): 727592-727592.
[13]	常思源, 肖尧, 李广利, 田中伟, 张凯凯, 崔凯. 翼反角对高压捕获翼构型高超气动特性的影响[J]. 航空学报, 2023, 44(8): 127349-127349.
[14]	陈唯实, 刘佳, 王青斌, 卢贤锋, 张洁, 陈小龙, 黄毅峰. 气象雷达探鸟技术综述[J]. 航空学报, 2023, 44(5): 26781-026781.
[15]	包文龙, 贾贺, 薛晓鹏, 黄雪姣, 高树义, 荣伟, 王奇, 吴壮志. 开“窗”结构对环帆伞开伞过程影响[J]. 航空学报, 2023, 44(5): 226936-226936.