Machine-learning-assisted phase-amplitude reduction for fast synchronization of airfoil wakes with constrained fluctuations

Lucht stroomt rond objecten op manieren die zowel voorspelbaar als extreem chaotisch kunnen zijn. Wanneer een solide vorm, zoals een vliegtuigvleugel, door de lucht beweegt, glijdt de vloeistof niet altijd soepel over het oppervlak. In plaats daarvan kan de lucht ook loskomen, wat draaiende wervels (vortices) creëert die in een ritmisch, herhalend patroon van de achterzijde afpellen. Dit fenomeen, bekend als vortexafwerping (vortex shedding), is een fundamenteel gedrag van vloeistoffen dat voorkomt bij alles van wind die langs een brug blaast tot water dat rond de romp van een schip stroomt. Hoewel deze draaiende patronen natuurlijk zijn, kunnen ze problemen veroorzaken. De ritmische trillingen die ze opwekken, kunnen leiden tot structurele vermoeidheid, excessief lawaai of een verlies aan lift, waardoor de vlucht inefficiënt wordt. Voor ingenieurs is het doel vaak om deze stromingen te temmen, om ofwel de trillingen te stoppen of om het ritme te veranderen naar iets dat beter beheersbaar is. Echter, de lucht is een complex, hoogdimensioneel systeem, wat betekent dat het talloze bewegende delen heeft die op moeilijke, moeilijk te voorspellen manieren met elkaar interageren. Het proberen te controleren van een dergelijk systeem vereist meestal enorme hoeveelheden data en rekenkracht, wat het een uitdagende taak maakt voor praktische toepassingen waarbij sensoren beperkt zijn en de tijd tekortschiet.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om deze chaotische luchtstromen snel en precies te sturen, met behulp van zeer weinig informatie. Door een wiskundige techniek te combineren die complexe ritmes vereenvoudigt met moderne machine learning, hebben zij aangetoond hoe de snelheid waarmee de lucht van een vleugel afdraait kan worden veranderd, terwijl de krachten op de vleugel stabiel blijven. De studie richtte zich op een specifiek scenario waarbij een vliegtuigvleugel onder een steile hoek staat, wat ervoor zorgt dat de lucht loslaat en een turbulente zog (wake) creëert. In deze staat ervaart de vleugel een ritmische afwerping van wervels die gevaarlijk kan zijn. De onderzoekers wilden dit zog dwingen om sneller van ritme te veranderen dan het van nature zou doen, maar zij stuitten op een cruciale beperking: zij mochten de veranderingen niet toestaan dat wilden schommelingen in de liftkracht veroorzaakten, wat het vliegtuig onstabiel zou maken.

Om dit op te lossen, moest het team eerst het "hartslag" van de luchtstroom begrijpen. Ze behandelden het draaiende zog niet als een chaotische bende, maar als een ritmische oscillator, vergelijkbaar met een pendel die heen en weer zwaait. Elk ritme heeft een specifieke timing, of fase, en een specifieke sterkte, of amplitude. De onderzoekers moesten precies weten wanneer ze de lucht moesten duwen om de snelheid te veranderen en hoe hard ze moesten duwen zonder het ritme te wild te maken. Traditioneel vereist het vinden van het perfecte moment om te duwen kennis van de gevoeligheid van elk afzonderlijk punt in de lucht rond de vleugel, een taak die meestal een supercomputer vereist om het volledige stromingsveld te simuleren. In plaats daarvan gebruikten dit team een slimme afkorting. Ze plaatsten slechts drie minuscule sensoren op het oppervlak van de vleugel om het lokale gedrag van de lucht te meten. Met behulp van een machine learning-algoritme bouwden zij een wiskundig model dat de complexe, draaiende stroming van het gehele zog kon voorspellen op basis van alleen de metingen van deze drie punten.

Met dit vereenvoudigde model in de hand, pasten de onderzoekers een techniek toe genaamd fase-amplitude reductie. Deze methode stelde hen in staat om een "gevoeligheidskaart" voor de gehele luchtstroom te maken met behidig slechts de data van de drie sensoren. Deze kaart liet hen precies zien waar en wanneer de lucht het meest gevoelig was voor een duw. Ze ontdekten dat de meest effectieve plek om in te grijpen nabij de voorrand (leading edge) van de vleugel was. Belangrijker nog, ze ontdekten dat het beste moment om te duwen om het ritme te veranderen anders was dan het beste moment om te duwen als ze de vleugel niet te veel wilden laten trillen. Als ze alleen om snelheid gaven, zouden ze op één moment duwen; als ze om stabiliteit gaven, moesten ze op een ander moment duwen.

Het team ontwierp vervolgens een specifiek controlesignaal, een golfvorm, die fungeerde als een precieze instructie aan de lucht. Dit signaal werd berekend om het ritme van het zog zo snel mogelijk te synchroniseren met een nieuwe, snellere frequentie, terwijl tegelijkertijd elke actie die wilde schommelingen in de liftkracht zou veroorzaken, werd bestraft. Toen zij dit testten in computersimulaties, waren de resultaten opmerkelijk. De nieuwe methode veranderde de frequentie waarmee de lucht van de vleugel afdraaide acht keer sneller dan een standaard, eenvoudige heen-en-weer duw. Bovendien, door de straf voor amplitude-fluctuatie in hun berekening op te nemen, slaagden zij erin de schommelingen in de liftkracht met twintig procent te onderdrukken vergeleken met een methode die alleen op snelheid gericht was.

De studie bevestigt dat het mogelijk is om complexe vloeistofdynamica te controleren met zeer beperkte informatie. Door machine learning te gebruiken om de kloof tussen een paar sensoraflezingen en de volledige, driedimensionale stroming te overbruggen, hebben de onderzoekers een pad gecreëerd naar snelle, efficiënte stromingscontrole die geen dure, volledige veldsensoren of enorme computationele middelen vereist. Deze aanpak suggereert dat ingenieurs in de toekomst eenvoudige sensorarrays op vliegtuigen of windturbines kunnen installeren om de luchtstroom actief te beheren, waardoor weerstand en lawaai worden verminderd zonder de structuur te destabiliseren. De techniek bleek effectief bij verschillende vleugelvormen en hoeken, wat aantoont dat de onderliggende fysica van deze ritmische stromingen getemd kan worden met een slimme, op data gebaseerde strategie die het delicate evenwicht tussen snelheid en stabiliteit respecteert.