基于深度学习的非轴对称航空发动机短舱流场预测与优化研究学术报告
由浙江大学航空航天学院的陶国成、刘洋以及浙江大学ZJU-UIUC国际学院的崔家欢共同完成的研究成果，发表在国际期刊《Aerospace Science and Technology》2025年159卷。这篇题为《Flow field prediction and optimization of non-axisymmetric aero-engine nacelles based on deep learning》的论文，针对现代高涵道比航空发动机紧凑型短舱的设计挑战，提出了一种创新的深度学习方法，旨在高效、准确地预测和优化三维非轴对称短舱的复杂流场与气动性能。
在航空领域，发动机短舱是影响飞机气动性能、燃油效率和推力-阻力平衡的关键部件。当前发展趋势为提高涵道比以降低油耗和排放，但这导致短舱半径增大，进而增加阻力和重量。为此，短舱设计正朝着更短、更紧凑的构型演变。然而，紧凑型短舱的气动敏感性更高，使得通过传统计算流体力学（Computational Fluid Dynamics, CFD）进行设计与优化的过程面临计算成本高、耗时长的挑战。尽管机器学习技术已广泛应用于翼型、机翼等部件的气动优化，但对于三维非轴对称短舱这一复杂构型的应用仍显不足，尤其是在能够提供详细流场洞察的快速预测模型方面。现有研究多集中于二维或轴对称流场预测，而多层感知器（Multilayer Perceptron, MLP）模型在处理高维三维流场的复杂空间关系时存在局限性。
因此，本研究旨在开发一个深度神经网络（Deep Neural Network, DNN）模型，以建立三维非轴对称短舱的几何参数与其跨音速流场特性及气动性能（以阻力系数为主）之间的映射关系。研究的核心目标是：1) 验证DNN模型在预测三维非轴对称短舱流场和气动特性方面优于传统人工神经网络（Artificial Neural Network, ANN）模型；2) 将DNN模型与哈里斯鹰优化器（Harris Hawks Optimizer, HHO）算法结合，构建一个高效的设计优化框架，实现短舱的减阻优化；3) 探讨不同巡航状态边界条件和攻角对优化后短舱性能的影响。本研究的创新性在于首次将包含卷积等先进操作的深度学习技术系统性地应用于三维非轴对称短舱的流场预测与设计优化。
本研究的整体工作流程包括几何样本生成与CFD仿真、数据预处理、深度学习模型构建与验证、以及基于代理模型的优化四个主要阶段。
第一阶段：数据样本生成与计算设置 首先，研究者定义了三维非轴对称短舱的几何参数化方案。采用ICST方法对短舱三个方位角（φ=0°, 90°, 180°）的型线进行参数化，共计12个设计变量（每条型线包含初始前体半径、最大半径位置、最大半径因子和船尾角）。使用拉丁超立方抽样（Latin Hypercube Sampling, LHS）方法在设计空间内生成了1200个几何样本。针对每个样本，使用商业软件Ansys ICEM CFD生成结构化网格，并采用雷诺平均纳维-斯托克斯（Reynolds-Averaged Navier-Stokes, RANS）方程，结合k-ω SST湍流模型，在Ansys Fluent中进行CFD数值模拟。计算条件设定为巡航中期状态（马赫数0.85，海拔35000英尺，质量流捕获比0.7，攻角3°）。通过计算不同网格密度下的网格收敛指数，验证了模拟的网格无关性，并最终选用中等密度的网格进行所有样本的仿真。仿真输出包括短舱表面的等熵马赫数流场云图（通过插值处理为128x128的矩阵）和根据指定方法计算的短舱阻力系数。研究使用的CFD方法通过ARA Cowl 1标准算例进行了验证。
第二阶段：深度神经网络模型的构建与验证 研究者构建了一个新颖的混合架构DNN模型，该模型由两个相互关联的模块组成：流场预测模块和气动特性预测模块。 * 模型架构：流场预测模块首先将输入的12维几何参数通过多层全连接层进行编码，提取高层特征，然后将特征图重塑后通过一系列反卷积层逐步恢复空间信息，最终输出128x128的流场矩阵。气动特性预测模块则同时以原始几何参数和预测出的流场矩阵作为输入，通过多个卷积层提取流场的空间特征并融合几何信息，最终输出预测的阻力系数。模型中广泛使用了批标准化和Dropout技术以提高训练稳定性和泛化能力。 * 对比基准与验证：为了凸显所提DNN的优势，研究同时训练了一个传统的基于MLP的ANN模型作为对比基准。研究采用10折交叉验证对两个模型的超参数（如批大小、丢弃率等）进行系统调优。评价指标为预测结果与CFD“真实值”之间的平均绝对误差。优化后的DNN模型超参数为批大小1080，无丢弃。
第三阶段：基于代理模型的优化流程 将训练好的DNN模型作为高精度、低成本的代理模型，替代昂贵的CFD仿真。研究者采用哈里斯鹰优化算法对短舱几何进行优化设计，目标函数为最小化阻力系数。HHO算法种群规模设为100，最大迭代次数为500。为了增强优化的鲁棒性，并行运行了20次独立的HHO优化进程，每次均得到一组最优设计候选，然后从中选取预测误差最小的设计作为最终优化结果。同时，也使用了ANN模型作为代理模型进行了同样的优化流程以作对比。
第四阶段：扩展分析与讨论 在获得优化设计后，研究者并未止步于单一工况。他们进一步利用CFD仿真，深入分析了飞行条件变化对优化短舱性能的影响： 1. 飞行条件影响：研究了巡航段内增加马赫数（0.85→0.87）和模拟巡航末期降低质量流捕获比（0.7→0.65）两种工况下的流场与阻力变化。 2. 攻角影响：在保持其他条件不变的情况下，分析了攻角从3°增大到6°对优化短舱性能的影响。 这些分析旨在评估优化设计的鲁棒性，并为未来多工况稳健优化提供见解。
1. 深度学习模型预测性能 交叉验证结果表明，所提出的DNN模型在预测精度上全面超越了传统的ANN模型。 * 流场预测：DNN模型的训练集和验证集平均绝对误差分别为0.0043和0.0092，而ANN模型的对应误差为0.0079和0.0115。从流场云图和关键方位角型线上的等熵马赫数分布对比图可以清晰看出，DNN模型在捕捉激波位置、强度以及高梯度区域的流动细节方面表现更优，其预测结果与CFD仿真的绝对误差图显示出的差异区域更小、更不明显。 * 气动特性预测：在阻力系数预测上，DNN同样表现出更低的误差（训练集MAE: 0.0017，验证集MAE: 0.0030），优于ANN（训练集MAE: 0.0024，验证集MAE: 0.0037）。这证明了DNN架构能更有效地关联几何、复杂流场与整体气动性能。
2. 优化结果与性能提升 基于代理模型的优化取得了显著的减阻效果。 * DNN-HHO优化框架得到的最终优化设计，其CFD验证阻力系数为0.0268，相比初始样本集中最优样本的阻力系数降低了8.53%。 * 相比之下，ANN-HHO优化框架得到的优化设计阻力系数为0.0287，仅比初始最优样本改善了2.05%。 * 这一对比强有力地证明了基于先进DNN的代理模型在引导优化算法寻找全局最优解方面更具优势。优化后的短舱几何在φ=90°方位角呈现出更厚的型线，这有助于降低该区域的峰值马赫数，从而减少激波强度。有趣的是，在φ=0°方位角，优化设计出现了一个独特的双激波结构，这体现了流场的强非线性和三维耦合效应。
3. 参数敏感性分析与条件影响 * 几何参数影响：针对DNN优化设计中较厚的φ=90°型线，研究者进行了参数研究，逐步减小该处的最大半径比。CFD结果表明，这一改变会导致激波结构变化、峰值马赫数升高，并最终导致阻力系数增加，从而反向验证了优化设计的合理性。同时，改变一个方位角的几何参数会显著影响其他方位角的流场，揭示了三维非轴对称短舱流场的强耦合性。 * 飞行条件影响：分析表明，马赫数增加主要影响激波的强度和位置；质量流捕获比降低则主要影响驻点位置，进而显著改变峰值等熵马赫数。在优化工况下，优化设计阻力系数为0.0268，而在马赫数增至0.87时，阻力大幅增加29.55%，在质量流捕获比降至0.65时，阻力增加6.73%。这表明马赫数变化对阻力影响更为敏感。 * 攻角影响：攻角增大会导致激波增强、位置移动以及峰值马赫数变化（在φ=0°增加，在φ=180°减小）。攻角从3°增加到6°，阻力系数急剧上升了63.8%，表明攻角是影响短舱性能的关键变量。
本研究成功开发并验证了一个用于三维非轴对称航空发动机短舱流场预测与优化的深度神经网络框架。主要结论如下： 1. 提出的DNN模型在预测复杂三维非轴对称短舱流场和气动特性方面，精度显著高于传统的ANN模型，证明了卷积和反卷积操作在处理空间相关流场数据上的优越性。 2. 将DNN模型与HHO优化算法结合，形成了一套高效的自动化设计流程。该流程能够在极低的计算成本下（DNN单次预测耗时仅为CFD仿真的约十万分之一），找到比传统方法更优的短舱构型，实现显著的减阻效果（8.53% vs 2.05%）。 3. 对优化设计的深入分析揭示了不同飞行参数（马赫数、质量流捕获比、攻角）对短舱流场特性和阻力影响的内在机理，为后续开展多工况、稳健性设计优化指明了方向。
本研究的科学价值在于，为处理高度非线性、强耦合的三维气动外形优化问题提供了一种融合先进深度学习与智能优化算法的新范式。其应用价值巨大，为航空发动机短舱，尤其是未来紧凑型高涵道比短舱的早期概念设计和快速性能评估，提供了一个极具潜力的高效工具，有望大幅缩短设计周期，降低研发成本。
研究团队已将本工作所使用的源代码和数据集在GitHub上开源，遵循MIT许可证。这为同行验证、复现以及进一步拓展该方法提供了便利，体现了开放科学的精神。此外，论文在讨论部分也指出了当前模型的局限性，例如在流场梯度陡峭区域仍存在微小预测误差，并建议未来工作可以探索更高保真度的数据、更先进的模型架构（如考虑物理约束的神经网络），以及将流场预测与气动特性预测进行联合优化，以进一步提升模型的准确性和一致性。同时，将马赫数、攻角等飞行条件作为模型的输入变量，以增强模型在不同工况下的泛化能力和鲁棒性，也是重要的未来研究方向。