航空学院智能流体力学人工智能研究取得新进展

西工大新闻网5月15日电（左奎军)近日，西北工业大学航空学院张伟伟教授团队将Transformer网络架构运用到航空器翼型的流场快速预测研究中，极大提升了流场建模和设计效率。相关研究成果以《Fast aerodynamics prediction of laminar airfoils based on deep attention network》为题在线发表于国际流体力学知名期刊《Physicsof Fluids》。该论文被选为当期的主编推荐特色文章（Featured Articles），并被美国物理联合会《科学之光》（AIP Scilight）以《Simulating airflows with a deep attention network for physical interpretability》为题进行了专访报道。西北工业大学航空学院2021级博士生左奎军为该论文的第一作者，西北工业大学航空学院张伟伟教授和中国空气动力研究与发展中心的袁先旭研究员为该论文的共同通讯作者。 Scilight创办于2017年6月，致力于挑选AIP发表的物理领域最新的、最具有代表性的文章，简要总结其研究成果，并强调其在该领域的创新性和突破性。Scilight每年从AIP旗下30多个刊物一万余篇论文中仅挑选300余篇最值得关注的研究成果进行报道。 基于transformer网络架构的深度学习流场预测模型总体框图 航空器设计是一个复杂的工程领域，需要高度的创新性和实用性，同时也需要对相关技术和数据信息有着深入的了解和掌握。人工智能技术的飞跃发展，为设计师们提供了一个全新的工具和视角，能够更加智能地优化航空器设计方案，从而提升航空器设计的效率和质量。空气动力学是飞行器设计的先行官。 到目前为止，随着高性能计算机技术的发展，研究人员广泛利用CFD技术进行飞行器气动设计与分析。但伴随着CFD计算数据的逐步积累与计算成本的提高，如何利用现有CFD计算数据去加速或者指导未来飞行器设计迫在眉睫。近年来在数据科学领域飞速发展的机器学习（machinelearning, ML）或深度学习（deeplearning, DL）技术给我们提供了一个新的物理系统建模的范式，即数据驱动建模。通过机器学习技术并利用现有的科学数据库可以对空气动力学进行建模、分析与设计。论文围绕深度学习与空气动力学交叉融合进行研究，创造性的将在自然领域被广泛使用的transformer网络架构用于翼型的几何编码任务，发现了transformer网络架构针对不同的翼型均表现出较强的几何泛化性，且与卷积神经网络等模型相比几何可解释性更强；并进一步将几何特征、雷诺数、攻角等物理信息进行了融合编码，构建了融合特征与待预测流场之间的映射关系，为发展高效的基于数据驱动的深度学习流场预测方法提供了一个新颖的解决思路。 美国物理学联合会AIP Scilight的AveryThompson专访了博士生左奎军同学，并对相关成果进行了专题报道。该报道指出：“在空气动力学应用中，翼型流场仿真是一个重要的设计过程，该仿真通常需要进行多次来完成气动优化设计任务，但是重复的计算是昂贵的。机器学习方法可以用于快速获得仿真结果，但是现有的特征提取方法缺乏一定的几何可解释性且获得的结果有时是较差甚至是非物理的。左奎军等人应用数据驱动的深度注意力网络去高效的求解不同翼型的流场信息，他们的方法采用transformer编码器去提取可解释性的几何数据。对比现有的预测模型，深度注意力网络可以有效表征翼型近壁区的流场数据，提取的翼型几何信息具有较强的可解释性，且翼型流场的预测具有较好的泛化性。除了可解释性强的优势，transformer编码器具有的自注意力网络能够有效识别翼型重要的几何信息同时减少对几何无关区域的注意力。该团队在一系列测试样本上测试了他们的算法以验证其有效性。他们已经公布了其代码，并计划持续开发以增强其适用性。他们计划进一步探索该方法在面对高马赫数下的复杂流动如分离流、激波等问题时的预测能力。” （审核：宣建林）