[Paper] 优化嵌入式主动多保真代理学习用于多工况翼型形状优化

发布: 3天前 (2026年3月18日 GMT+8 02:43)

8 分钟阅读

原文: arXiv

Source: arXiv - 2603.17057v1

请提供您希望翻译的具体文本内容，我将按照要求保留来源链接并将其余部分翻译成简体中文。

概述

本文提出了一种新的 主动多保真度代理学习框架，用于在多种飞行条件下优化翼型形状。通过将廉价的低保真度分析（XFOIL）与选择性的高保真度 CFD（RANS）计算紧密耦合，作者实现了 RANS 级别的精度，同时将昂贵仿真的次数减少了超过 85 %。

混合代理模型：将低保真信息的高斯过程（GP）迁移模型与基于不确定性的采样策略相结合。
同步精英规则：嵌入混合遗传算法（HGA）中，强制对精英候选进行高保真 CFD 验证，防止优化器因过时的代理预测而漂移。
多工况处理：为每个飞行工况（巡航和起飞）分别构建独立的代理模型，实现解耦细化，同时仍对单一翼型几何进行整体优化。
展示了 41 % 的巡航效率提升和 21 % 的起飞升力增加，在 12 参数 CST 翼型上，仅使用约 15 % 的 CFD 预算，相较于单纯的 RANS 计算方案。
可推广框架：可嵌入现有进化优化器，并扩展到其他基于 CFD 的设计问题。

设计参数化 – 气动剖面形状使用 12 参数的 Class‑Shape Transformation (CST) 模型描述，提供紧凑而富有表现力的设计空间。
低保真层 – XFOIL，一个快速的面板法求解器，对每个候选方案进行低成本评估，并提供特征（例如升力、阻力、压力分布），这些特征用于 GP 代理模型。
迁移学习 GP – 在低保真数据上训练高斯过程回归模型，然后使用稀疏的高保真 RANS 仿真进行校正。GP 同时预测性能指标及其 不确定性。
主动采样 – 当 GP 对某个候选的预测不确定性超过预设阈值时，会自动触发一次高保真 CFD 计算。
混合遗传算法 (HGA) – 优化器进化一组气动剖面设计。
- 同步精英策略：每一代都强制对当前的精英（最佳）个体进行 RANS 评估，确保“迄今最佳”始终基于真实物理。
- 在任何高保真评估之后，使用更新后的代理模型 重新估计 整个人口的适应度，防止基于陈旧预测的选择。
多工况处理 – 维护两个独立的 GP 代理模型，一个用于巡航（α = 2°，最大化 E = L/D），一个用于起飞（α = 10°，最大化 Cₗ）。优化器同时使用加权或帕累托方法优化这两个目标。
停止准则 – 当改进趋于平稳或达到预算限制（CFD 运行次数）时，结束整个实验。

Metric	Baseline (first‑gen elite)	Optimized design	Improvement
Cruise efficiency (E = L/D)	–	+41.05 %	41 %
Take‑off lift coefficient (Cₗ)	–	+20.75 %	21 %
Fraction of designs evaluated with RANS (cruise)	100 % (naïve)	14.78 %	↓85 %
Fraction of designs evaluated with RANS (take‑off)	100 %	9.5 %	↓90 %

基于代理模型的优化器收敛到一个同时满足两种飞行条件目标的设计，同时 主动采样 将 CFD 成本保持在低水平。同步精英机制防止算法因代理模型伪影而“卡住”，确保了稳健收敛。

成本效益高的翼型设计循环 – 航空团队现在可以在单台工作站或适度的云预算上进行多点形状优化，释放资源用于更广泛的设计探索（例如，叶片间的变化、控制面集成）。
无人机和 eVTOL 的快速原型制作 – 这些平台通常需要不同的巡航和起飞性能；所提出的框架直接支持此类多工况权衡。
即插即用的代理层 – GP‑transfer 模型可以替换为其他低保真工具（例如，面元法、势流求解器）或甚至数据驱动的代理模型，使该方法能够适配不同的 CFD 流程。
降低环境影响 – 减少高保真 CFD 运行次数意味着降低能耗，符合计算工程的可持续发展目标。
加速设计‑到‑测试周期 – 通过大幅缩短仿真预算，工程师可以更快迭代，将基于代理的优化集成到 CI/CD 式工作流中，甚至将该方法嵌入自动化实验设计平台。

对低保真模型的依赖 – 该方法假设 XFOIL 能捕获足够的物理信息以指导 GP；对于强跨声速或分离流动，低保真模型的可靠性可能下降。
向更高维设计空间的可扩展性 – 虽然 12 个 CST 参数表现良好，但扩展到完整的 3‑D 机翼几何或多学科约束时，代理模型的训练数据需求可能会成为瓶颈。
阈值选择 – 决定 CFD 调用的不确定性阈值是针对具体问题的；自动调优或自适应阈值有望提升鲁棒性。
多目标处理 – 本研究采用加权和方法；探索帕累托前沿生成或基于偏好的方法可能提供更丰富的权衡洞察。
实际验证 – 通过风洞实验或飞行测试对优化后的翼型进行验证，将进一步巩固对代理驱动预测的信心。

未来的研究方向包括集成 深度神经网络代理模型、将框架扩展至 整机或旋翼机优化，以及开发 在线学习 策略，以在新 CFD 数据流入时持续更新代理模型。