西工大新闻网7月8日电（寇家庆）近日，西北工业大学流体力学智能化国际联合研究所在空气动力学数据驱动建模方法的研究中取得系列原创成果，受主编邀请，相关研究成果“Data-driven modeling for unsteady aerodynamics and aeroelasticity”在航空宇航类TOP1期刊Progress in Aerospace Science上发布。该期刊为仅接受约稿的综述期刊，年发文量约三十篇。博士生寇家庆为该论文的第一作者，张伟伟教授为论文通讯作者。这也是团队近年第二次受邀在该期刊发表论文。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0376042121000300

非定常气动力的准确预测是飞行器很多重要性能分析和设计的关键，然而在经典空气动力学中，常见的非定常空气动力学模型强烈依赖于理论研究，限制了模型的精度和广延性。近年来，随着流体力学模拟和试验的不断精细化，产生了海量的流场数据，使得数据驱动建模成为一类新的气动力模型化方法。结合控制理论、数据科学、机器学习等领域的先进工具，研究者发展了多种数据驱动的非定常气动力模型。这些模型比传统理论模型更加精确，同时相比于数值模拟则大大减少了计算量。它们不仅能帮助研究者对流体物理产生新的认识，也能推动基于复杂流动仿真的工程应用，如飞行力学、流动控制、多场耦合和优化设计等。

本研究介绍了经典的理论建模、计算建模和数据驱动建模手段的发展。在此基础上详细介绍了系统辨识、特征提取、数据融合三类数据驱动方法及模型。针对每一类方法，深入分析了解决当前数据驱动模型在精度、稳定性和泛化能力上的主要措施及存在的挑战。结合典型的空气动力学、气动弹性和非定常流场仿真问题，展示了数据驱动方法在非定常气动力建模上取得的重要进展。最后从多源融合、物理驱动、可靠性和复杂应用角度，总结了数据驱动方法在气动力建模上的发展方向。

变马赫数下非定常、非线性气动力建模的一般框架

通过动力学模态分解方法提取到的典型圆柱绕流模态

变可信度非定常、非线性气动力模型预测的气动迟滞环

张伟伟教授课题组围绕数据驱动的智能流体力学分析方法开展了深入研究。基于非线性系统辨识和深度学习方法，发展了不同层次具有强泛化能力的非定常、非线性气动力降阶模型，并准确预测了不同流动参数和运动模式下的非线性气动弹性响应。相比传统手段，分析和模拟的计算量下降了一到两个量级；基于特征提取方法，提出了流体动力学模态的选取准则和亚临界流动的模态提取方法，并应用于亚临界涡致振动现象和跨声速抖振的机理分析，及发展非定常流动演化和控制的低维动力学模型；基于数据融合方法，提出了面向非定常、非线性气动力的变可信度建模框架，结合低精度模型的基础物理特征和少量高精度真实样本，准确复现了高精度非定常气动力。此类框架对后续综合利用飞行测试、风洞实验、数值模拟、理论模型产生的气动力样本具有借鉴价值。相关研究成果累计在12个单位22个型号中获得应用。如应用于C919全部操纵面的嗡鸣分析，保障了大飞机试飞安全；有力支撑了我国某重大专项的飞行试验，极大提高了颤振计算的精度和效率。

第一作者介绍：寇家庆同学现为马德里理工大学博士生（师从Esteban Ferrer教授和Charles Hirsch院士），于西北工业大学航空学院获得硕士（2018）及本科（2015）学位（师从张伟伟教授）。主要研究方向为数据驱动的智能流体力学建模方法及应用（气动弹性响应的系统辨识、复杂流动模态的特征提取、多源非定常气动力的数据融合）；高阶数值方法的工程应用（高阶格式误差分析、浸没边界处理）。相关研究成果发表于Progress in Aerospace Sciences，Journal of Fluid Mechanics，Physics of Fluids，AIAA Journal, Aerospace Science and Technology和航空学报、空气动力学学报等国内外知名期刊。获欧盟玛丽居里奖学金，多次获得国家奖学金和西北工业大学优秀学生标兵称号。

（审稿：张伟伟）