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

空气在物体周围的流动既可以是可预测的，也可以是极度混乱的。当一个固体形状（如飞机机翼）在空气中移动时，流体并不总是能平滑地滑过其表面。相反，它经常会发生分离，产生在后方以节奏性、重复性模式脱落的旋转涡旋。这种被称为“涡旋脱落”（vortex shedding）的现象是流体的一种基本行为，广泛存在于从风吹过桥梁到水流绕过船体等各种场景中。虽然这些旋转模式是自然的，但它们可能会引发问题。它们诱发的节奏性震动可能导致结构疲劳、过度噪音或升力损失，从而降低飞行效率。对于工程师而言，目标通常是驯服这些流动，即要么停止震动，要么将其节奏改变为更易处理的状态。然而，空气是一个复杂的、高维度的系统，这意味着它拥有无数以难以预测的方式相互作用的运动部件。试图控制这样一个系统通常需要海量的数据和计算能力，这使得在传感器受限且时间紧迫的实际应用中，这项任务显得异常艰巨。

一组研究人员开发出一种新方法，能够利用极少的信息快速且精准地引导这些混乱的气流。通过结合一种简化复杂节奏的数学技术与现代机器学习，他们展示了如何在保持机翼受力稳定的同时，改变空气从机翼脱落的旋转速度。该研究聚焦于一个特定场景：即机翼以陡峭角度倾斜，导致空气分离并产生湍流尾迹。在这种状态下，机翼会经历一种节奏性的涡旋脱落，这可能是危险的。研究人员希望迫使这个尾迹比自然状态下更快地改变其节奏，但他们面临着一个关键约束：不能允许这些变化引起升力的剧烈波动，否则会导致飞行器不稳定。

为了解决这个问题，团队首先必须理解气流的“心跳”。他们没有将旋转的尾迹视为一片混乱，而是将其视为一个节奏性振荡器，类似于一个前后摆动的单摆。每种节奏都有特定的时序（相位）和特定的强度（振幅）。研究人员需要准确知道何时“推”一下空气以改变其速度，以及推的力量有多大，才能既改变速度又不让节奏变得过于狂乱。传统上，寻找完美的推送时机需要了解机翼周围每一个空气点的敏感度，这通常需要超级计算机来模拟整个流场。相反，这个团队使用了一个聪明的捷径。他们在机翼表面放置了仅三个微小的传感器，用以测量局部的空气行为。利用机器学习算法，他们建立了一个数学模型，仅凭这三个点的读数就能预测整个复杂旋转流场的动态。

有了这个简化的模型，研究人员应用了一种称为“相位-振幅降阶”（phase-amplitude reduction）的技术。这种方法使他们能够仅利用这三个传感器的数据，绘制出整个气流的“敏感度图”。这张图向他们展示了在何处以及何时对空气进行“推”的操作最为有效。他们发现，最有效的行动点位于机翼的前缘附近。更重要的是，他们发现，如果目标是改变节奏，那么最佳的推送时机与如果目标是避免机翼过度震动时的最佳推送时机是不同的。如果他们只关心速度，会在某一时刻进行推送；如果他们关心稳定性，则必须在另一个时刻进行推送。

随后，团队设计了一个特定的控制信号——一种波形，它就像是对空气发出的精确指令。该信号经过计算，旨在尽可能快地使尾迹的节奏与一个新的、更快的频率同步，同时惩罚任何会导致升力发生剧烈波动的行为。当他们在计算机模拟中进行测试时，结果令人瞩目。这种新方法改变机翼脱落空气频率的速度，比标准的、简单的往复式推送快了八倍。此外，通过在计算中加入对振幅波动的惩罚项，他们成功地将升力波动的幅度比仅关注速度的方法降低了20%。

这项研究证实，利用极稀疏的信息控制复杂的流体力学是可能的。通过利用机器学习来弥合少量传感器读数与完整三维流场之间的差距，研究人员创造了一条实现快速、高效流体控制的路径，而无需昂贵的全场传感器或庞大的计算资源。这种方法表明，在未来，工程师或许可以在飞机或风力涡轮机上安装简单的传感器阵列，以主动管理气流，从而在不破坏结构稳定性的情况下减少阻力和噪音。该技术在不同形状和角度的机翼上均表现有效，证明了这些节奏性流动的底层物理特性可以通过一种尊重速度与稳定性之间微妙平衡的智能数据驱动策略来加以驯服。