孙明波 安 彬 汪洪波 王成龙

(国防科技大学高超声速冲压发动机技术重点实验室,长沙 410073)

引言

当前吸气式高超声速飞行器技术已成为世界各大国优先发展的颠覆性技术,其核心是超燃冲压发动机技术.出于对全球快速军事力量投送和低成本空间运输等方面的迫切需求,更大尺度、更宽范围、更长航程的可重复使用超燃冲压发动机成为研究热点.传统超燃冲压发动机的设计与验证主要依赖大量各类试验.但是发动机尺度增大、试验范围拓宽以及试验时间加长使得试验成本不断攀升,联同较长的试验周期一起限制了发动机方案的快速迭代.

近年来,数值仿真在超燃冲压发动机设计中的作用越来越大.随着湍流模型[1]和燃烧化学反应机理[2]等物理模型的快速发展、数值计算方法精度的不断提高[3]和计算能力的指数型增长[4],基于内外流一体化的超燃冲压发动机数值飞行(即采用数值计算揭示发动机在整个飞行弹道内的工作状态)已经开始应用于工程实际.超燃冲压发动机同时涉及强烈的热、流、固多物理场耦合问题[5-6],长航时工作面临严峻的热安全问题,广义的数值飞行技术需要叠加多物理场,对发动机热结构的可靠性做出评估.

当前人工智能技术方兴未艾,人工智能技术虽然主要基于计算机科学,但是相关算法的进步和“TensorFlow”等开源平台的普及使人工智能迅速渗透至其他领域.目前人工智能已在图像识别[7]、语言处理[8]和无人驾驶[9]等领域取得令人瞩目的成就.在数值计算领域,人工智能则被应用于湍流建模、流动特征提取和求解偏微分方程等方面[10-11],表现出巨大的发展潜力.基于当前的研究背景,本文简要阐述了超燃冲压发动机数值飞行的内涵,在数值飞行的基础上提出“数智飞行”这一概念,并对其内涵和发展重点进行梳理.

1 超燃冲压发动机数值飞行的内涵

超燃冲压发动机数值飞行旨在利用内外流一体化仿真研究发动机从启动到完成各种工况到最后关机的全过程,并以此分析和评估发动机性能,指导发动机优化设计.目前,数值飞行主要关注与发动机性能相关的流动燃烧过程.在未来几年,发动机仿真可以进一步考虑传热过程和结构形变等现象,实现叠加多物理场的广义数值飞行.

1.1 基于内外流一体化仿真的数值飞行

高超声速飞行器的一个典型特点是必须要将发动机和机体耦合设计,超燃冲压发动机的推力、工作稳定性和性能与来流特性密切相关,而且对来流特性的变化非常敏感,而来流特性取决于飞行器的高度、速度和姿态,在飞行器大空域、宽速域和高机动飞行时尤为突出,发动机的特性又会影响到飞行器的飞行状态.如图1 所示,进气道与飞行器前体一体化设计、高反压下进气道-隔离段-燃烧室相互作用以及尾喷管和飞行器后体的高度融合进一步加强了内外流的耦合作用.

图1 超燃冲压发动机示意图[12]Fig.1 Scramjet engine concept[12]

传统航空航天发动机/飞行器的内外流场研究是相对独立的,通常拆分为不同部件分别研究.从研究目的来看,对外部流场的研究侧重于优化飞行器的气动特性,提高飞行器升力系数和阻力系数等关键参数.对发动机内部流场的研究则集中在提升发动机的推力和比冲.由于超燃冲压发动机的进排气过程与燃烧过程紧密耦合,内外流解耦的研究模式无法反映发动机的实际工作过程.为实现宽范围的进/发/排最优匹配,充分挖掘发动机的潜在性能,必须开展发动机内外流一体化仿真,基于弹道的全过程飞行器/发动机数值飞行技术目前逐步得到应用.得益于较为成熟的数值方法和高性能计算平台,超燃冲压发动机内外流一体化仿真已获得比较丰富的成果.根据仿真的对象和手段,目前有三类实现内外流一体化仿真的方法,其典型结果如图2 所示.

图2 超燃冲压发动机内外流一体化仿真典型结果Fig.2 Representative numerical results of internal and external coupling flow

第一类仅针对无反应流场或部分发动机部件开展仿真.例如采用参数化的二维仿真优化高超声速飞行器整体构型[13];通过大涡模拟研究进气道与隔离段相互作用,揭示内外流耦合作用导致的复杂流场结构和流场振荡的诱因[14];利用高保真的数值计算手段获得全面的发动机内外流场数据[15],实现发动机各部件融合设计.

第二类对部分发动机部件开展仿真,对其余部件简化处理(建模或减少计算维度).何良俊等[16]采用二维数值计算预测NAL 发动机进气道和尾喷管流场,通过准一维流方法获得燃烧室反应流场.陈兵等[18]采用类似的方法研究了内外流耦合对发动机推力的影响.上述两类研究成果初步揭示了内外流的耦合特性,但是未能实现真实全流场模拟.

第三类对发动机所有部件开展三维仿真,获得全部无反应/反应流场.该方法已被用于考察燃料喷注方案对发动机燃烧效率和推力的影响[17]、进气道泄压孔对发动机各部件流量的调节作用和燃烧室工作状态对外流场的反作用[19],进一步证明了内外流一体化仿真在提升发动机性能方面的重要作用.

基于当前技术,结合高超声速流场的特点开发高效率、高集成度的仿真平台是内外流一体化仿真的发展趋势.如图3 所示,国防科技大学基于CPU/GPU 异构体系开发了高超声速飞行器内外流一体化高效并行计算平台,并采用类X-51 A 飞行器进行验证[20].准确、高效的算法和GPU 的强大算力显著降低了开展内外流一体化仿真的门槛.中国空气动力研究与发展中心开发了高超声速内外流耦合数值模拟软件(AHL3 D),建立了三级数值预测体系[21].在设计选型阶段利用工程算法和一维模型快速估算发动机关键参数.在详细设计阶段采用三维外流与二维内流相结合的方法优化发动机设计.在性能分析阶段通过三维内外流一体化仿真考察发动机综合性能.

图3 两种内外流一体化仿真平台Fig.3 Two software platforms for numerical simulation of internal and external coupling flow

1.2 叠加多物理场的广义数值飞行

长航时、可重复的超燃冲压发动机面临严峻的热安全问题,这是区别于其他类型发动机的一个典型特征.长时间超高温、强振动环境,尤其是重复使用要求热界面保持完整、结构内部无疲劳损伤,这些特点对发动机燃烧、传热、结构建模分析提出了更高的要求.如图4 所示,在高超声速飞行条件下,超燃冲压发动机中气流速度快、总温高,燃烧室燃烧温度高,壁面冷却可用流量小,其带来的力/热载荷以及发动机内部的高温氧化环境可能使进气道压缩面和燃烧室壁面等结构发生显著形变和振动,壁面可能超温并产生防热涂层剥蚀、材料烧蚀等问题[5-6].壁面热流与壁面主动冷却通道内的燃油反应裂解甚至结焦过程相互影响,也会反向影响发动机燃烧性能.极端力/热载荷的持续作用(约1000 s)和结构高温下的振动可能使材料发生疲劳、损伤、失效,影响结构热匹配和热密封,乃至破坏发动机结构完整性.

图4 超燃冲压发动机中的多物理场耦合Fig.4 Multi-physics coupling in a scramjet engine

数值飞行还需要对结构强度、热气动弹性及其导致的长时间振动疲劳问题进行评估.薄壁结构和新型材料的广泛应用,以及防隔热/承载一体化设计进一步加强了热、流、固多物理场的非线性耦合[22].可以说,发动机的高效、安全工作强烈依赖于流动、燃烧和结构的合理设计与有效匹配.有必要在内外流一体化仿真的基础上同步求解传热过程、结构变形和结构非稳态响应等多物理场,揭示结构和热防护系统可能出现的损伤和破坏,支撑发动机热传递调控和设计,此即广义数值飞行.

长期的研究使人们对多物理场耦合问题的认识日趋深入,建立了一系列关于气动力、气动热和非线性结构等子学科的物理模型,根据物理场的耦合关系构造了强/弱耦合、松/紧耦合、快尺度/慢尺度耦合和单向/双向耦合等耦合架构.桂业伟等[23]和王梓伊等[24]对相关算法进行了深入的分析和讨论.由于超燃冲压发动机中物理场具有显著的多尺度和非线性特征,实现全弹道多物理场仿真需要针对不同部件和飞行状态选取不同物理模型和耦合架构.

在工程应用方面,当前的多物理场耦合求解算法已经能够为发动机各部件的设计提供较为全面的数据.对气动热的分析表明,在高飞行马赫数下,飞行器表面热流的峰值可达1 MW/m2量级,不同部位的热流可相差数个数量级[25].微小的结构变形即可导致局部热流的剧烈变化[26].力/热载荷的综合作用可导致进气道前缘上翘,并进一步导致进气道捕获流量上升和流场品质显著下降[27].对燃烧室中再生冷却的研究表明,煤油裂解吸热的冷却效果优于流动换热[28],基于煤油的再生冷却系统能够使燃烧室壁面温度降低至燃气平均温度的一半.

目前鲜见发动机燃烧、力、热耦合的广义数值飞行计算结果的报道,但针对高超声速飞行器开展无反应内外流和机体结构力热耦合分析,已经被成功应用于工程实际.典型的例子是波音公司针对TX-V 高超声速飞行器开展了全面的内外流一体化仿真和多物理场耦合求解[29-30],极大支撑了TXV 飞行器的方案设计.

在研究的第一阶段,以“Boeing Manta 2025”飞行器为参考确定TX-V 飞行器的基准构型.TX-V 飞行器的巡航高度、马赫数和时间分别为42 km,7和2000 s,全弹道飞行时间约3600 s.如图5 所示,在飞行马赫数7 条件下,TX-V 面临严酷的热载荷和复杂的气动力.对飞行器传热过程和结构变形的分析表明,基准构型的TX-V 飞行器无法收敛.需要优化飞行器结构并将材料的热膨胀系数降低60%才能实现飞行器设计的封闭.这说明极高的热载荷不仅需要先进的材料,还需要在设计方法上取得突破.在主要由金属构成的飞行器中有必要采用允许较大热变形的柔性结构.

图5 TX-V 结构响应与寿命预测[30]Fig.5 Structural response and life prediction of TX-V[30]

在研究的第二阶段,在飞行器上选取四个典型位置考察全弹道飞行时力/热/声载荷对镶板结构的影响.以第一阶段获得的数据作为各镶板结构的边界条件.镶板1 (Panel 1)位于机体上表面靠近燃烧室的位置,镶板2 (Panel 2)位于机体的腹部,镶板3(Panel 3)位于机体上壁面油箱的上方,镶板4 (Panel 4)在机翼的下壁面,这些位置承受的温度、声载荷和机械载荷各有差异.采用相同的研究模式分析各镶板结构对力/热/声载荷的响应.具体研究内容包括传热过程、静力学分析、动力学分析和疲劳失效分析等.相关研究结果对飞行器各模块的优化设计具有重要的参考价值.波音公司的这些工作验证了多物理场求解的可行性,虽然还有很多未开展的计算(比如未实现多物理场双向耦合求解、未模拟材料的变形与疲劳等),但已经初步展现出未来多场耦合设计的前景,这对于发展高保真度的发动机广义数值飞行技术提供了对照和参考.

2 从数值飞行到数智飞行

近年来人工智能技术的迅猛发展和对传统领域的赋能作用,为全面提升发动机数值飞行的能力、实现智能化数值飞行提供了可能.从数值飞行到数智飞行,将是数值计算的一次变革和飞跃.首先是全面改善原有数值飞行对应的物理模型、数值计算方法和计算能力等方面的限制,使数值飞行技术更准确、更精确以及更迅速的应用于发动机方案的快速迭代.以人工智能技术和数值飞行的海量数据为基础,进一步构建智能赋能的数字孪生发动机,可以实现发动机研制模式的变革.

2.1 智能化数值飞行

人工智能技术目前已渗透至数值飞行的各个环节,其对数值飞行技术的优化和提升作用已得到初步验证.尽管相关研究尚未形成完整体系,数值飞行的智能化趋势已十分明朗.数值飞行智能化的内涵主要包括网格的智能化生成与自适应、智能化的数值计算方法、高保真的物理模型和高效的数据处理与知识挖掘.

2.1.1 网格的智能化生成与自适应

网格是连接研究对象和数值飞行算法的桥梁,其生成速度和质量直接影响数值飞行的效率和精度.复杂网格的生成和优化严重依赖研究人员的经验.超燃冲压发动机复杂的内外结构和多物理场的紧密耦合可能给网格的生成与自适应带来新的严峻挑战.当前网格生成的自动化水平和质量可能无法满足广义数值飞行的需求.

自20 世纪90 年代起,神经网络即被引入到网格生成领域.文献[31]采用神经网络预测网格密度.将网格密度输入“Kohonen”神经网络后生成最终的网格.文献[32-33]基于名为Let-It-Grow 的神经网络开发了一种自动网格生成器.该方法以稀疏网格为基础,通过神经网络逐渐将网格节点增加到用户设定的数值.

近年来人工智能辅助的网格生成与自适应再次成为研究热点.Zhang 等[34]将计算域的几何构型、偏微分方程的参数和边界条件输入神经网络,由神经网络直接生成接近最优的非均匀网格.王年华等[35]采用神经网络提高阵面推进法的效率,在不降低网格质量的前提下将生成二维非结构网格的时间缩短了近30%.如图6 所示,在网格自适应领域,文献[36]采用卷积神经网络识别边界层位置,判断是否需要调整网格密度.上述成果具有重要的启发意义,但是使人工智能在网格生成和自适应领域完全代替人工经验仍然需要开展更深入、更系统的研究.

图6 基于卷积神经网络的网格分类器[36]Fig.6 A mesh classifier based on convolutional neural network[36]

2.1.2 数值计算方法的智能化

超燃冲压发动机的工作过程具有显著的多尺度特征.从微观的界面烧蚀、结构损伤、小尺度涡掺混反应,到宏观的结构变形、疲劳破坏、流动燃烧模式切换.从高频的机械振动和热声振荡,到低频的结构颤振和流场喘振.精确求解各物理场在不同空间/时间尺度上的特征需要进一步提升数值计算方法的精度和效率.人工智能技术在图像超分辨率重构和数据压缩等领域的成果对提升数值飞行的空间和时间分辨率具有重要参考价值.以卷积神经网络为主的模型可根据稀疏网格的计算结果重构高分辨率的湍流结构[37].进一步考虑湍流结构随时间的变化,采用多个时刻的流场作为神经网络的输入,可获得更符合物理规律的高分辨率重构流场[38].自编码器能实现流场数据的压缩,也可根据少数时间步的流场重构高时间分辨率的动态流场[39].

在加快数值计算的速度方面,人工智能在计算机动画领域的应用已比较成熟.相比于求解控制方程,人工智能算法直接生成物理场可获得1 × 103量级的加速比[40].基于U-Net 结构设计的神经网络(见图7)已能够比较准确地预测机翼绕流[41]和凹腔燃烧室的反应流场[42],平均计算误差在3%以内.计算效率的大幅提升使实时仿真成为可能.但是上述研究主要集中在二维问题,将相关方法进一步拓展到超燃冲压发动机三维物理场构建还需要开展更为深入的研究.

图7 基于神经网络的流场快速预测[42]Fig.7 Fast flow field prediction based on neural network[42]

2.1.3 高保真的物理模型

高保真的物理模型是准确模拟多物理场的前提.关于超燃冲压发动机中物理现象的模型已比较丰富,但是对部分物理现象的认识仍不够深入,模型的精度和效率有待提升.多物理场耦合的机理尚不明确,而且短期内在理论分析上取得突破性进展比较困难.以理论分析和人工智能技术为基础,构建物理约束与数据驱动相结合的物理模型是未来的发展趋势.

采用人工智能技术改进传统物理模型是该领域的研究热点.例如利用人工智能算法和试验数据提升数值仿真预测壁面湍流剪切应力[43]、机翼表面压力系数[44]和边界层转捩位置[45]等流场关键参数的能力.相比于一般的神经网络,嵌入了不变性特征(伽利略不变性和旋转不变性等)的神经网络具有更好的表现[46].基于人工智能技术的物理模型也可完全取代传统物理模型.Zhu 等[47]验证了采用神经网络代替“Spallart-Allmaras”模型的可行性,构建神经网络的过程如图8 所示.以神经网络为基础的模型成功预测了亚格子应力[48]、热流[49]、燃烧化学反应速率[50]和进度变量耗散率等[51]关键参数.

图8 构建数据驱动湍流模型的流程图[47]Fig.8 Flow chart for building a data-driven turbulence model[47]

为进一步提升预测反应流场的效率和精度,任嘉豪等[52]采用神经网络和随机森林建立了湍流火焰切向应变率的低维预测模型.Wan 等[53]建立了基于神经网络的燃烧化学反应机理,其计算速度是详细化学反应机理的25 倍.Pulga 等[54]实现了神经网络与传统燃烧化学反应机理的高度融合,在保证较高计算精度的条件下大大缩短了计算时间.Chung等[55]采用随机森林分类器识别流场中的不同燃烧模式,并据此选择不同的燃烧模型.该方法的计算精度显著高于单一燃烧模型.此外,人工智能技术也可评估物理模型和数值计算方法的不确定度[56-57],为进一步优化模型参数提供参考.

2.1.4 数据处理与知识挖掘

超燃冲压发动机的数值飞行会产生海量的多物理场数据.人在回路的研究方法无法从海量数据中快速归纳发动机工作的基本原理,准确提取设计发动机的关键参数.有必要利用人工智能技术强大的特征提取能力和非线性映射能力辅助数据处理和知识挖掘.人工智能在该领域的应用主要分为多物理场特征结构识别、高维数据降阶和构建关键参数的预测模型三个方面.

目前,识别特征结构的方法大多依赖于研究人员对物理现象的认识,这导致相应的方法易受主观影响[58].人工智能技术提供了一种解决上述问题的方案.基于卷积神经网络的特征结构识别方法已在回流区识别[59]、快速激波检测[60]和流线/流面提取[61]等方面取得成功,典型结果如图9 所示.在新特征结构的识别方面,文献[62]采用聚类算法发现了混合层中的单/双涡相互作用和多涡相互作用,证明了人工智能技术发现新特征结构的能力.

图9 Shock-Net和Tecplot 软件识别的激波[60]Fig.9 Shock waves detected by Shock-Net and Tecplot[60]

以本征正交分解为代表的降阶方法可以降低数据的维度和复杂性,构建降阶模型.但是传统降阶方法可能难以处理具有显著高维度、非线性、随机性和多尺度等特征的多物理场数据[63].为拓展传统降阶方法的适用范围,Pawar[64]等采用本征正交分解和长短时神经网络分别模化已知和未知的物理现象(如图10 所示),取得了远高于传统降阶方法的精度.文献[65-66]的研究表明,完全数据驱动的模型降阶方法也能够处理复杂的动力学系统.降阶模型既可快速预测物理场变化,也可大幅降低设计物理场控制方案的难度,对发动机智能控制具有重要意义.

图10 基于本征正交分解和长短时记忆神经网络的混合模型降阶方法[64]Fig.10 A hybrid model order reduction method based on proper orthogonal decomposition and long short-term memory neural network[64]

从数值飞行数据中提取关键参数并建立基于神经网络的预测模型可以实现快速工程估算.该方法已被用于预测飞行器表面热流[67]、评估气膜冷却效果[68]和气动性能分析等方面[69].得益于丰富的数据和神经网络强大的非线性映射能力,数据驱动的方法能够取得与数值计算相当的预测精度.

2.2 超燃冲压发动机智能数字孪生体

数值飞行智能化能够提升传统数值飞行技术的准确性、空间/时间分辨率和计算速度.进一步采用人工智能技术融合数值飞行数据、试验数据和以往研究成果,构建数据驱动与物理约束相结合的超燃冲压发动机数字孪生体,可以加快发动机技术迭代,体现了数智飞行对传统发动机研发模式的突破.

2.2.1 数字孪生技术在航空发动机中的应用

数字孪生是一种基于高保真物理模型、传感器实时数据和历史数据的虚拟模型,能够完整刻画物理系统的全寿命工作状态[70].该技术最初被应用于开发面向未来的飞行器,近年来被逐渐引入到推进系统领域.

刘永泉等[71]和刘婷等[72]详细阐述了航空发动机数字孪生概念.如图11 所示,航空发动机的数字孪生体主要包括一系列面向发动机不同视角构建的数字化模型.发动机实体和数字孪生体之间的动态交互使该技术能够在发动机的全生命周期内发挥作用.在发动机设计阶段,根据发动机关键指标构建数字样机,在虚拟空间中实现发动机设计的快速优化.在发动机生产/试验/运行/维护阶段,源自实体发动机的数据不断提升数字孪生体的精度.数字孪生体对发动机工作状态的实时预测可为故障诊断、控制优化和性能预测提供参考,大幅降低发动机的运行维护成本.

图11 航空发动机的数字孪生体Fig.11 Digital twin of an aero engine

2.2.2 超燃冲压发动机智能数字孪生体的内涵

相比于航空发动机,超燃冲压发动机的工作环境更加严酷、物理过程更加复杂、各部件耦合更加紧密.其技术成熟度和实际寿命远低于航空发动机.基于当前的技术基础,数字孪生体在超燃冲压发动机优化设计和试验验证等方面具有更广阔的应用前景.数字孪生、人工智能和数值飞行的跨领域融合将为超燃冲压发动机研制注入新的动力,推动发动机研发模式的变革.

结合超燃冲压发动机的特点和发动机研制的需求,本文提出了能够精确刻画发动机不同层次关键参数的智能数字孪生发动机.如图12 所示,数值飞行数据、试验数据和先验经验是构建数字孪生体的数据基础.采用人工智能技术提取数据中蕴含的物理规律,根据数据的可靠性校验并融合多源数据.

图12 超燃冲压发动机的数字孪生体Fig.12 Digital twin of a scramjet engine

在完成数据深度挖掘和融合的基础上建立包含三级预测模型的数字孪生体.第一级是关于发动机比冲和升阻比等关键参数的零维/一维数学模型.通过输入发动机几何构型和来流条件等参数快速(约0.01 s)估算发动机各部件和整机性能,获得发动机优化设计的宏观规律.第二级是利用U-Net 网络、自编码器和对抗性生成网络等人工智能技术构建能够以约0.1 s 的速度生成发动机进气道、燃烧室和尾喷管等部件多物理场的预测模型,获得部件级多物理场的主要特征.在部件级预测模型的基础上构建能够以约1 s 的速度生成发动机整机多物理场的预测模型(第三级),分析各部件间的耦合作用.

2.2.3 虚实交互的发动机研发模式

数字孪生体是实体发动机在虚拟空间中的映射.在虚拟空间中构建和优化发动机可大幅降低研制成本,缩短研发周期.数字孪生体在超燃冲压发动机设计中的应用如图13 所示.数字孪生体包含的三类模型分别对应发动机虚拟设计的三个阶段.

图13 数字孪生体在超燃冲压发动机设计中的应用Fig.13 Application of digital twin in the field of scramjet engine design

在发动机设计的初期,利用关键参数的数学模型反演基本满足各项设计目标和约束条件的发动机构型,分析影响发动机性能的主要因素.确定发动机基准构型后,采用各部件预测模型生成发动机内部多物理场.根据多物理场细节进一步优化各部件设计,探索发动机性能的极限.在虚拟设计的第三阶段,通过整机预测模型生成发动机在不同飞行状态下的完整多物理场,着重分析各部件之间的耦合作用对发动机性能的影响,明晰诱导和削弱耦合作用的主导因素,实现发动机不同弹道的虚拟飞行.

完成发动机在虚拟空间中的初步设计后,开展地面试验和飞行试验以验证设计方案.在长程试验中,发动机内部存在多种流动、燃烧模式,发动机结构应力/应变不断发生变化.有必要在试验中对发动机工作状态进行实时仿真.这样数智飞行已经不只是一种评估手段,而是与真实试验相融合,特别是针对各种变工况、大机动、变马赫数等瞬变条件能够实时地反馈,对在地面准定常试验极其难以评估的情况实现判读,比如发动机燃烧不稳定、结构疲劳和可靠性等.

基于当前的数值计算方法和计算硬件,在亿级网格下高精度求解发动机非稳态多物理场在一秒内的变化需要一周乃至更长时间.智能化发动机数字孪生体提供了一种解决的方法.在试验中,实体发动机及其数字孪生体并行运行.数字孪生体根据飞行条件和传感器的数据感知实时生成发动机多物理场.基于人工智能技术的数字孪生体无需求解控制方程且容易实现并行计算,其运行速度可比传统的数值计算方法高数个数量级.通过采用循环神经网络和长短时记忆神经网络,数字孪生体可获得处理时间相关数据的能力,实现对发动机工作状态的实时监测和评估,特别是对于状态的瞬变过程,可以给出快速评估.试验结束后可利用试验数据进一步提升数字孪生体的精度.

显然,依托试验校正的数字孪生体开展试验复盘和参数化虚拟试验能够减少试验次数、削减试验成本、加快技术迭代.对于更高阶精度的数智飞行的应用,还可以作为一种标准和规范,用于方案阶段的全弹道飞行考核,并作为研制程序的环节,真正提升方案设计水平.

3 超燃冲压发动机数智飞行的发展重点

充分发挥人工智能对发动机研发的赋能作用,实现从数值飞行到数智飞行的跨越,需着重开展以下三个方面的工作.

3.1 数据驱动与物理约束的有机结合

人工智能在提升数值飞行精度和效率等方面的作用已得到初步验证.基于人工智能算法的各类预测模型也具有较高的预测精度.但是,作为一种数据驱动的研究方法,该方法存在物理意义不明确、可解释性不足和泛化能力有限等问题.由于获得多物理场数据的高昂成本,无法通过大幅扩充样本数量的方法解决上述问题.这使得物理约束在数智飞行领域尤为重要,构建相关模型时需采用数据驱动与物理约束相结合的方法.

目前主要有两种将物理约束嵌入人工智能模型的方法,分别是改进样本数据分布[46]和构造自定义损失函数[73].合理设计样本数据分布可将伽利略不变性和旋转不变性等规律嵌入模型,但是该方法很难使模型自然满足各类守恒律(例如质量守恒、动量守恒)和其他物理约束.在常见损失函数的基础上添加各类物理约束的残差可使人工智能模型的预测结果尽可能满足已知物理规律.但是残差项系数的设置依赖研究人员经验.过大的系数可能导致物理场细节消失.在后续研究中,有必要针对发动机数值仿真和多物理场的特点开发本领域独特的激活函数、神经元、网络结构和优化算法等,使相关模型自然满足各类物理规律和先验经验.

3.2 智能化多物理场联合仿真平台

超燃冲压发动机工作过程中涉及复杂的物理现象,且各物理场紧密耦合.相关物理现象具有显著的非线性和多尺度特征,涉及不同的控制方程和求解方法.人工智能的引入使相关算法更为复杂.实现智能化多物理场联合仿真需要构建一个囊括丰富物理模型和多种求解器的仿真架构,并建立拥有强大算力的计算平台.

在软件方面,FlowStar,OpenFOAM,CFDFASTRAN和NASTRAN 等一系列开源或商业软件已能比较准确地求解单个物理场.COMSOL和ANSYS 平台已可以实现多物理场的松耦合求解.但是目前尚无能够准确求解超燃冲压发动机中多物理场耦合效应的仿真平台.构建联合仿真平台一方面要充分吸纳现有代码,另一方面要针对超燃冲压发动机的特点开展优化,在保证物理场紧密耦合前提下尽可能实现各求解模块的解耦.目前计算机硬件发展飞速,E 级巨型机、GPU 异构并行都投入使用,结合计算硬件体系开展大规模高效率求解多物理场是智能化数值飞行的重要发展方向.

3.3 发动机数字孪生体的构建

基于多源数据构建实体发动机的数字孪生体是实现虚实交互的发动机设计的关键.数字孪生体的精度和效率直接影响发动机虚拟设计和虚拟飞行的工程应用价值,决定了数字孪生体能否在地面/飞行试验中实时监测和预测发动机工作状态.

构建高保真、高效率的发动机数字孪生体至少可以从以下几个方面着手.一是进行数据降维,根据发动机设计需要合理舍弃部分物理场细节,降低建模难度.二是在飞行包线内科学选取典型工况和发动机关键设计参数,降低准备数值飞行数据库和训练预测模型的计算成本.三是根据发动机中的关键物理现象(如激波和反应回流区等)和各物理场之间的约束关系有针对性地设计模型结构和训练方法.四是不断将发动机研发获得的新数据输入数字孪生体,使数字孪生体随发动机设计方案动态进化.

4 总结

超燃冲压发动机数值飞行旨在利用内外流一体化仿真研究发动机从启动到完成各种状态和工况到最后关机的全过程,分析内外流的耦合作用和影响因素,预示发动机性能和工作稳定性.广义数值飞行还需在内外流一体化仿真的基础上同步求解传热过程和结构形变等多物理场,揭示多物理场耦合效应对发动机综合性能和热结构安全的影响,预示发动机的可靠性.相关模型、算法的发展和计算硬件算力的提升使广义数值飞行有望在未来5 年内实现.

伴随着人工智能的兴起,相关研究方法正快速渗透至发动机数值飞行的各个方面.基于数值飞行的发展趋势,本文提出“数智飞行”这一概念.数智飞行的具体内涵主要体现在以下两个方面:一是借助人工智能突破数值飞行的发展瓶颈,全面提升数值飞行的准确性、精度和速度,提高数据处理和知识挖掘的效率.二是利用人工智能技术融合数值飞行数据、试验数据和先验经验,并在数据融合的基础上构建实体发动机的数字孪生体,最终实现虚实交互的发动机设计.基于数值飞行和人工智能的发展水平,有望在未来10 内实现超燃冲压发动机数智飞行.