《空气动力学学报》好文推荐丨来自西北工业大学张伟伟课题组的综述 航空气动噪声机器学习研究进展

降噪设计是发展绿色航空、推进航空强国的关键，而高效获取高精度气动噪声数据是降噪设计的基础。目前，气动噪声研究手段有理论模型、数值仿真和试验测量三种，却各有弊端，尤其在复杂流动中，如，理论模型受几何外形及流动条件限制，数值仿真难兼顾计算成本和计算效率，试验测量成本高，可视化不足等。这使得高精度气动噪声数据获取难、声学测量结果单一成为气动声学研究中的重点课题。而机器学习方法具有高效、快速、低成本、善于对高维数据建模及实时数据共享等优势，广泛用于湍流建模、加速收敛以及外形优化设计等多个方面。若将其拓展到气动噪声方面或可解决目前该领域研究中存在的问题。据此，本文调研了机器学习方法在航空气动噪声中的应用与发展，为深入解决气动噪声问题提供思路。

本文从气动噪声研究背景着手，分析了目前气动噪声研究手段的局限性，一是声学测量成本高，结果可视化不足；二是高精度气动噪声数据获取难。针对这两类问题，系统性地综述了机器学习方法在航空气动噪声中的研究，并于最后给出了本团队在此方面的贡献。

压缩感知算法可根据稀疏试验数据恢复/重构原信号，据此，科研人员将研究重点从昂贵的声学接收硬件设备转移到智能信号重构算法中，有效解决了声学测量结果呈现方式单一问题，如频谱、声压级、总声压级分布等。北京大学黄迅团队将压缩感知算法用于理想条件下圆形涵道内声模态识别中，并从传感器位置偏移、风洞背景噪声、声源相干性等方面验证了该算法的重构精度及鲁棒性，提出有效稀疏度的概念，解释了风洞背景噪声对声场重构精度的影响，开辟了国内外声场重构的先河。在此基础上，相关学者从测量点选取和改善稀疏度的角度进行算法改进，成功应用于声场重构和声源定位中。

机器学习方法可挖掘数据的内部关联，建立输入与输出之间的非线性映射，在解决高精度气动噪声预测难问题上已有一定应用。目前，机器学习方法预测气动噪声的方法主要有：前馈人工神经网络、随机森林算法、卷积神经网络等，并采用主动学习及迁移学习等算法改善建模精度。众多算法中，随机森林算法预测总声压级具有较高的精度，可有效捕捉低强度波瓣，但尚未应用于多尺度、强非线性的气动噪声频谱预测。

本团队在气动噪声预测和重构方面均有研究。气动噪声预测方面，本团队基于随机森林算法发展了单频模型，可高精度预测气动噪声频谱，具有较好的流动状态和空间位置泛化性及三维适用性；声场重构方面，本团队发展了基于随机森林的压缩感知算法，引入单频模型作为基函数打破了本征正交分解方法基于线性假设的局限，避免拐点失真及高频发散等现象，改善了建模精度。该算法可根据约10个传感器数据使全流动状态/空间位置的频谱及总声压级误差保持在2.0×10^-3以内，流动模态的最大误差小于5×10^-5。

图3 本团队预测及重构跨声速抖振气动噪声结果

压缩感知、卷积类算法重构声场和声传播，能有效改善试验测量结果单一，可视化不足等问题；人工神经网络、随机森林、迁移学习、主动学习等算法可高效、快速预测声压级和总声压级分布，并提高试验测量和数值仿真获取的气动噪声数据利用率，减少气动噪声数据获取成本。然而，机器学习方法预测气动噪声仍面临新的挑战，如泛化性弱、预测精度不足、缺乏物理解释性等。

针对泛化性弱问题，预期可从以下几方面着手：一是发展可表征高维复杂非线性气动声学特征的基函数；二是寻找与具有高维表征性基函数对应的基系数；三是发展新的机器学习方法重构复杂声场信息。针对预测精度不足问题，预期可从以下几方面着手：一是多源数据融合；二是发展混合模型；三是建立气动噪声预测大模型。针对物理解性不足问题，可从三方面着手：一是将表征流动特征的物理参数引入到机器学习建模过程中，使机器学习方法融合已有物理知识；二是采用关联参数等进行知识获取、知识学习、探索流动结构特征参数与气动噪声的内在联系；三是构建自解释模型或引入注意力机制、结构因果等可解释性模块增强机器学习的可解释性，兼顾理论意义和实践价值。

张伟伟^*，教授，教育部“长江学者”，研究方向为智能流体力学、气动弹性力学、新概念飞行器空气动力学、理论与计算流体力学、流动主动/被动控制等。