王怡星，韩仁坤，刘子扬，张扬, ，陈刚, ,*

1. 西安交通大学 机械结构强度与振动国家重点实验室，西安 710049 2.西安交通大学 航天航空学院 先进飞行器服役环境与控制陕西省重点实验室，西安 710049 3.中国空气动力研究与发展中心 计算空气动力研究所，绵阳 621000

流场预测与载荷建模是飞行器设计领域至关重要的环节。计算流体力学(CFD)通过对流场基本物理方程的高精度数值求解，在众多应用中发挥着越来越重要的作用[1-4]。然而，CFD对网格质量要求高、数值求解过程复杂、动网格处理难度大导致计算耗费大，限制了CFD方法在诸如高精度气动优化设计、气动伺服弹性、闭环流动控制等多学科耦合建模与优化等问题中应用[5-6]。当网格数量巨大、几何外形复杂时，CFD方法所需要的前后处理、计算时间以及海量数据后处理往往是多学科优化问题迭代过程中难以承受的。本征正交分解(Proper Othogonal Decomposition, POD)[7]、动模态分解(Dynamic Mode Decomposition, DMD)[8]等模型降阶方法极大地减少了复杂系统的求解复杂度，提升了建模与求解效率。但传统模型降阶方法也存在一些显著的不足：不适合或难以应用于多尺度、瞬态过程、间断过程，并且在发生移动、缩放及旋转变换时无法保证不变性[9]。

事实上，自然界具有高超飞行能力的生物无一不是通过经验学习来掌握流体运动规律并提升飞行效率的。因此，采用基于经验的学习方法解决复杂流动预测、建模与闭环控制是可行且具有重要价值的。新一代人工智能技术的核心算法——深度学习和强化学习技术能够从大数据中自动寻找隐藏特征信息，并且可以直接处理原始形态数据获得经验或知识，从而可以预测复杂非线性系统的未来行为[10]。……