Pareto-Optimal Hypersonic Vehicle Design with Canonical-Coordinate Neural Operator Surrogates Under Ablation-Driven Shape Change and Incidence Variation

在高空边缘进行高速飞行对工程师而言是一项独特且残酷的挑战。当飞行器速度超过五倍音速时，前方的空气并不仅仅是向两侧推开，而是剧烈压缩，导致温度升高到空气分子本身开始分解并发生化学反应的程度。这创造了一个复杂的环境，其中飞行器的形状、它产生的热量以及作用于它的力量都紧密耦合在一起，形成一种微妙的平衡。设计这种状态下的飞行器需要寻找一种既能最小化阻力以节省燃料，又能同时管理可能熔化飞行器表皮的剧烈热量的形状。传统上，工程师必须依赖强大的计算机模拟来测试这些设计。这些模拟极其精确，但也极其缓慢，通常需要数天时间才能模拟出单一种类的飞行工况。由于这个过程成本极高，设计师通常只能测试极少数的形状，从而留下了大量的可能性未被探索，并可能错过最佳设计。

一组研究人员开发了一种新方法来突破这一瓶最近，允许他们在模拟一个设计所需的时间内探索数千种设计变体。他们创建了一种人工智能，充当了缓慢计算机模拟的快速、智能的捷径。该系统不再为每种新形状或飞行角度运行完整的、沉重的计算，而是学习空气流动和加热的底层模式。一旦训练完成，它几乎可以瞬间预测新设计的行为。研究人员在两种截然不同的高超音速飞行器上测试了这种方法：一类是随着头部磨损而改变形状的钝头形状家族；另一种是旨在骑乘在自身冲击波上的三维飞翼。在这两种情况下，新系统都成功地高精度预测了复杂的空气流和热量，使团队能够在几分钟内绘制出速度、升力和热防护之间的完美权衡图谱。

研究人员面临的核心困难在于，高超音速飞行的物理特性会根据飞行器的形状或飞行角度发生剧烈变化。在其中一个测试案例中，他们观察了一个鼻半径变化的钝头形状家族。随着头部变得更钝或更尖，空气流过的整个物理空间都会改变形状。标准的计算机模型会难以比较这些不同的形状，因为用于测量空气的网格点对于每一个设计都是不同的。为了解决这个问题，研究人员发明了一种将每种不同的几何形状拉伸并重塑为单一共同参考框架的方法。想象一下，将一个国家的地图进行拉伸，使得无论这个国家实际形状如何，所有的边界和海岸线都能与一个标准网格完美对齐。通过这样做，人工智能可以学习一次气流模式，并将其应用于任何形状家族中的形状，甚至是它从未见过的形状。

对于第二个测试案例——三维飞翼，几何形状保持不变，但空气撞击它的方式会随着飞行器倾斜角度的变化而改变。随着角度的变化，一道强大的冲击波（一层压缩的空气墙）会在飞行器表面移动。这种移动的冲击波是计算机模型的重大难题，因为它是一个随角度微小变化而移动的尖锐、不连续的特征。如果模型在没有帮助的情况下尝试学习这种特征，往往会将冲击波模糊化，将一道尖锐的压力墙变成一个模糊、不准确的梯度。研究人员通过教系统首先识别冲击波的位置解决了这个问题。他们增加了一个特殊步骤，让系统先学习预测在给定角度下冲击波的确切位置。然后，它利用这个预测创建一个随冲击波移动的新坐标系，使尖锐的边缘在模型的内部视角中保持在相同位置。这使得系统能够学习冲击波的尖锐细节，而不使其模糊，这是标准模型无法实现的。

这项工作的成果非常显著。对于钝头形状，团队运行了超过一千种不同设计的扫描，以找到阻力和热量之间的最佳平衡。在过去，使用传统的模拟测试如此多的设计需要数年的计算机时间。使用他们的新方法，团队在单台计算机处理器上仅用约三分钟就完成了整个搜索过程。他们确定了两百种提供最佳权衡的设计，即提高其中一个因素必然会导致另一个因素恶化的设计。他们发现，通过接受微小的阻力增加，可以显著降低飞行器鼻部的峰值加热，这是热防护领域的一个关键洞察。同样，对于飞翼，他们扫描了数百个不同的飞行角度以寻找效率的最佳点。他们发现，在特定角度下可以获得显著的升力提升，而仅带来轻微的热载荷惩罚，如果没有如此密集的空间探索，这种组合将很难被精准定位。

研究人员谨慎地指出其方法存在局限之处。虽然该系统在预测撞击飞行器的总热量方面表现出色，但在预测表面单个最热点方面精确度较低。这是因为最热点是一个微小的、局部化的点，它会随着设计变化而在表面的不同微小区域之间跳跃，这使得它比确定整个物体的平均热量更难捕捉。因此，他们将总热载荷作为主要的设计目标，将峰值温度视为次要检查而非主要驱动因素。他们还发现，当被要求预测的设计处于其训练过程中已见过的形状范围之内时，该系统效果最好。当被要求预测远超出该范围的形状时，准确度有所下降，但仍保持稳定，不会出现剧烈错误。这表明该工具最适合用于探索已知设计之间的空间，而不是从头开始发明全新的、未经测试的几何形状。

最终，这项工作展示了高超音速飞行器设计方式的转变。通过使用快速的学习型代理模型取代缓慢、蛮力式的成千上万次模拟，工程师现在可以看到完整的可能性景观。他们不再被迫只采样几个点并猜测最佳设计所在的位置。相反，他们可以观察整个连续的权衡过程，看到为了获得特定的升力提升需要付出多少热量代价，或者通过接受略微不同的形状可以节省多少阻力。这种方法并不取代对高保真模拟的需求（高保真模拟仍需用于验证最终选择），但它改变了这些模拟的角色——从限制探索的瓶颈转变为针对最佳候选方案的最终检查点。这使得设计过程从一个依靠运气、希望偶然发现好设计的游戏，转变为一个基于确定性的、寻找最佳折衷方案的信息化选择过程。