由于计算能力的显著提升和数据处理技术的快速发展,人工智能(AI)为解决传统超音速流动和燃烧中的强非线性和强耦合特性带来了新的工具和方法。本文章回顾了人工智能在超音速流动和燃烧领域应用的显著进展,涵盖了三个主要方面:智能湍流燃烧模拟、基于深度学习的超音速流场智能重构以及超音速发动机全流道的智能设计。近年来,湍流燃烧领域通过大量数据的应用与先进机器学习模型的实施,实现了对燃烧效率的精准预测和燃烧过程的优化。流场智能重构利用深度学习网络从有限的观测数据中精确重构整个流场的详细信息,增强了对超音速流动的分析和预测能力。超音速发动机全流道的智能设计通过集成先进的优化算法和AI技术,实现了复杂流动系统的高效设计与优化。这些进展推动了超音速流动与燃烧理论的发展,并为相关工程应用提供了创新的解决方案。最后,文章讨论了机器学习在燃烧研究中的挑战和未来应用前景。
1、绪论
2.人工智能算法简介
人工智能(AI)是一个涉及研究、方法和技术开发,以及模拟、扩展和拓展人类智能的应用系统的技术学科。英国数学家艾伦·图灵在人工智能的发展和进步中做出了重要贡献,他最初对人工智能机器的构想和推理为人工智能领域奠定了基础。他提出的图灵测试,至今仍被用来评估和衡量机器的智能水平,是评估人工智能的标准和方法之一。本节介绍并分析当前主流的人工智能算法,包括但不限于机器学习算法、深度学习算法、强化学习算法、进化算法和主动子空间算法。
3.人工智能在湍流燃烧建模中的研究
现有的湍流数值模拟方法可以分为三类:直接数值模拟(DNS)、大涡模拟(LES)、脱体涡模拟(DES)和雷诺平均纳维–斯托克斯(RANS)模拟。由于DNS和LES涉及到复杂的计算和高昂的计算成本,它们不适合在工程应用中使用。DES和RANS模拟已经成为工程应用中的研究热点,例如气动设计和优化,通常侧重于平均流量量。传统的RANS模型主要依赖于半经验的专业知识来提高数值模拟的准确性。然而,人工智能的发展为提高湍流模型的精度带来了新的机遇。在实际操作条件下,超音速发动机内部的燃烧过程非常复杂,表现出高度非线性的湍流燃烧现象。对发动机内部流场进行高精度的数值模拟对优化发动机设计和提升发动机效率至关重要。然而,由于高精度化学反应模型的复杂性和巨大的计算成本(占数值模拟总计算成本的85%以上),进行高精度、大规模、全尺寸的发动机燃烧数值模拟仍然在工程应用中面临巨大的挑战。因此,开发适用于超音速流动等复杂条件的化学反应动力学模型和数值模拟方法具有重要的实际意义。
图16. 基于实验火焰化学发光数据的超燃冲压发动机燃烧室中MCGA等离子体点火增强机制:
(a) MCGA等离子体增强点火机制;
(b) 案例4的瞬时火焰化学发光图像(全球等效比(GER)= 0.15);
(c) MCGA等离子体增强燃烧机制;
4.智能流场重建与预测
在高速流动条件下,飞机的静态和动态失速以及发动机内部的流动状态是非定常气动学中的关键问题。这涉及到复杂的流动现象,包括强烈的冲击波、激波和边界层干扰,导致流场的非线性分布特性,特别是在燃烧室中。这些流场包含了众多复杂的物理和化学反应及多尺度湍流燃烧耦合效应,使得燃烧流动分析更加复杂。通过地面风洞测试获取流场信息需要大量的人力和资源。尽管数值仿真算法的发展促进了超音速发动机和飞机的优化,但对于具有复杂非线性滞后特性的工程大规模项目,高精度数值仿真仍然需要极大的计算工作量。传统的流场分析方法,无论是接触式还是非接触式,包括粒子图像测速(PIV)和激光诱导荧光成像,在监测流场发展方面已证明其可行性。然而,这些方法复杂、成本高且耗时。此外,对于具有复杂结构的超音速燃烧流场,它们的预测能力显著降低。
5. 超音速飞机智能优化设计
超音速飞机主要由以超燃冲压发动机(scramjet)为核心的推进系统(包括进气道、燃烧室和喷管)和机身组成,通常采用乘波体(waverider)配置。各个结构组件的高性能设计以及整机的适应性决定了其性能、成本、应用场景和作战效能。然而,超音速飞机的设计是一个复杂的系统工程挑战。不同且相互冲突的设计要求需要综合考虑包括流体力学、燃烧和热传递在内的多学科耦合作用。传统的设计方法主要依赖于工程经验、风洞试验和大量的数值优化,导致设计周期长、成本高、设计灵活性受限,以及知识转移和积累方面的挑战。人工智能技术显著提高了快速预测和模式挖掘能力,促进了设计参数与性能指标之间精确映射关系的建立。因此,整个设计空间的智能优化能够有效生成满足性能标准的设计方案。在这种方法的应用中,已经在多个设计场景中取得了显著进展。目前,人工智能技术在超音速飞机设计周期中的集成主要分为两种方法,取决于飞机整个流动路径中气流分布的位置:超音速飞机的乘波体配置的外流设计;以及超燃冲压发动机的进气道、燃烧室和喷管的内流设计。
本研究全面回顾了人工智能算法在超音速流动和燃烧应用中的机遇,主要聚焦于新兴的“AI + 燃烧空气动力学 + 高性能计算”方法,该方法将传统理论模型与数据挖掘相结合。这种集成方法是吸气式高速度推进系统中最具活力的领域之一。本研究还简要概述了AI算法在湍流燃烧建模、多物理场重构、预测和优化设计中的应用。此外,还详细讨论了这些应用所涉及的优点和局限性。近年来,深度学习和数据科学的进展凸显了结合“数据 + 物理知识”的集成建模框架的重要性,从而推动了在数值仿真平台中提升吸气式高速度推进系统的数值智能化。
(1) 机器学习方法已被广泛应用于湍流模型的不确定性量化、参数识别以及代理模型的构建。然而,目前的研究主要集中在低马赫数和外流条件下。未来的研究需要关注高马赫数和内流条件,利用测试数据识别关键特征,进行信息融合,并结合数据驱动的方法,开发能够准确模拟冲击波/边界层干扰、横向喷流行为以及燃料混合过程的自适应统一湍流模型。这一改进将提高湍流模型在复杂分离流动中的适应性和预测准确性。
(5)现有的超音速流动和燃烧数值模拟平台基于大量来自地面风洞实验、数值模拟和飞行试验的数据应用。人工智能在湍流燃烧建模、多物理场快速预测、优化设计等方面的应用,已与开源人工智能软件和大规模异构并行CPU/GPU技术充分结合。构建高效模拟和优化设计空气动力高速推进系统的大规模AI产业模型具有重要的工程价值。