⚡ electrical engineering

AI-Driven Multi-Objective Aerodynamic Shape Optimization for Future High-Speed Aircraft

本文提出了一种人工智能驱动的框架，该框架集成了计算流体力学（CFD）模拟、基于机器学习的代理模型以及物理信息学习，旨在为未来的高速飞行器实现快速且具成本效益的多目标气动形状优化。

原作者： Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

发布于 2026-08-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图设计一辆完美的赛车，但你不是使用风洞，而是必须建造一个微小的、完美的赛车模型，把它放入一个巨大的、造价昂贵的风洞中，并运行数小时，只为了看看它是否足够快。现在，想象一下如果你想调整赛车保险杠的形状，哪怕只是改变一毫米，为了看这是否有帮助，你都必须建造一个新模型并在风洞中再次运行。如果你想找到绝对完美的形状，你可能不得不这样做成千上万次。这正是工程师在设计高速飞机时面临的情况。他们使用被称为“计算流体力学”（CFD）的强大计算机程序来模拟空气如何流过飞机。这些模拟就像是数字风洞；它们极其精确，但需要消耗大量的计算时间和计算机算力。这就像是在试图通过把每一块拼图碎片都尝试放在不同的位置来解决一个巨大的谜题，而且必须一个接一个地尝试，这可能需要耗费永恒的时间。

为了提高速度，科学家们开始使用人工智能（AI）来提供帮助。可以将 AI 想象成一名超级聪明的学生，他观察那些昂贵的风洞测试，学习其中的模式，然后开始在不需要每次都建造新模型的情况下，对新的设计进行结果预测。然而，这里有一个陷阱：如果这个 AI 学生只从它所看到的特定测试中学习，那么当被问及它从未见过的全新形状时，它可能会做出荒谬且不可能的猜测。它可能会预测出一架倒着飞行的飞机，或者产生超过物理定律允许的升力。这就是“物理信息驱动”学习发挥作用的地方。这就像是给那个学生一本关于物理定律（如重力和空气流动方式）的教科书，并告诉他们：“你可以进行猜测，但你的猜测必须遵循这本书中的规则。”这确保了 AI 不仅仅是在死记硬背答案，而是真正理解了这个世界是如何运作的。

这篇题为《面向未来高速飞机的 AI 驱动多目标气动形状优化》的论文，提出了一种设计这些高速飞机的新方法，它结合了两者的优势：数字风洞（CFD）的准确性和 AI 学生的快速响应，同时利用物理定律来约束 AI 的行为。由南通大学的 Md Tanvir Ahamed Towfiq 及其同事领导的研究团队构建了一个框架，该框架不仅试图让飞机变得更快，还试图让它在各方面都变得更好。他们想要找到一种能够同时实现三个目标的形状：减少阻力（空气阻力）、增加升力（让飞机升起的力）以及提高升阻比（整体效率）。

团队创建了一个工作流程，首先利用数学规则生成许多不同的飞机形状。然后，他们对这些形状进行了有限次数的高成本计算机模拟（CFD），以创建一个“训练数据集”。他们将这些数据输入到一种特殊的 AI 中，称为“物理信息神经网络”（PINN）。与标准的 AI 不同，这种 PINN 被编程为“了解”控制空气流动的方程，从而确保即使在预测全新形状的性能时，其结果也符合物理常识。一旦 AI 完成训练，它就会作为一个“代理模型”——即一个快速、廉价的、用于替代缓慢且昂贵的数字风洞的替代品。随后，研究人员使用一种优化算法，要求 AI 寻找一个能平衡所有三个目标的完美形状（更少的阻力、更大的升力和更高的效率）。

他们的模拟结果表明，这种方法效果非常好。AI 模型能够高精度地预测气动性能，其结果与昂贵的计算机模拟结果相匹配，但完成速度几乎是瞬间的。当他们使用 AI 来寻找最佳设计时，优化后的飞机与初始设计相比，在气动效率方面表现出了提升。这项研究强调，该方法显著减少了设计未来高速飞机所需的时间和计算机算力。通过将物理学直接整合进 AI，研究人员认为，其预测更加可靠，且不太可能产生违背自然法则的“奇迹”结果。虽然论文指出，这些发现来自计算机模拟而非物理风洞测试或飞行测试，但它表明，该框架为设计下一代高速飞机提供了一条可扩展且智能的路径，有望缩短设计周期，并帮助工程师创造出更快、更高效且更稳定的飞机。

技术摘要：面向未来高速飞行器的 AI 驱动多目标气动形状优化

1. 问题陈述

设计在跨声速和超声速状态下运行的下一代高速飞行器面临着重大挑战，这些挑战源于复杂的空气动力学现象，包括激波相互作用、边界层分离以及非线性压力变化。传统的设计方法高度依赖计算流体力学（CFD）模拟和风洞实验。虽然高保真 CFD 能提供精确的流场和气动力预测，但其计算成本极高且耗时，特别是在需要进行数千次设计评估的优化过程中。

传统的优化技术（如基于梯度的算法）往往难以处理高度非线性的多目标问题，并可能陷入局部最优。进化算法虽然具备全局搜索能力，但需要过多的 CFD 评估次数，从而进一步增加了计算成本。此外，许多现有的人工智能（AI）方法作为“黑盒”模型运行，缺乏物理一致性，在应用于训练域之外的构型时可能会产生不切实际的预测。因此，迫切需要一种能够平衡计算效率、预测精度和遵循物理定律的框架，以加速高效高速飞行器的设计。

2. 方法论

本文提出了一种集成的基于 AI 的气动形状优化框架，该框架结合了高保真 CFD、基于机器学习的代理模型、物理信息神经网络（PINNs）以及多目标优化算法。该方法通过以下阶段进行：

2.1 几何参数化

使用类形状变换（CST）方法表示飞机几何形状，该方法允许使用有限的一组设计变量对复杂表面进行平滑修改。设计向量（ $X$ ）包括参数，如机翼后掠角（ $\Lambda$ ）、展弦比（$AR $）、厚度比（$ t/c$）、弯度分布、前缘曲率以及后缘几何形状。

2.2 高保真 CFD 模拟

使用带有 Spalart–Allmaras 湍流模型的雷诺平均纳维-斯托克斯（RANS）方程建立三维可压缩流环境。计算域捕捉了上游、下游及远场区域。在各种跨声速和超声速条件下进行模拟，以生成包括升力系数（ $C_L$ ）、阻力系数（ $C_D$ ）和升阻比（ $L/D$ ）在内的气动响应数据集。

2.3 AI 代理建模与物理集成

为了降低计算成本，基于 CFD 生成的数据集训练机器学习代理模型。该模型学习几何参数（ $X$ ）与气动输出（ $Y$ ）之间的非线性映射。

架构： 研究利用深度神经网络（DNN）和高斯过程回归（GPR）来逼近气动特性。
物理信息学习： 为确保物理一致性并提高泛化能力，框架引入了物理信息神经网络（PINNs）。这种方法将控制流体动力学的方程（质量、动量和能量守恒）整合到损失函数中。总损失定义为：
$Loss_{total} = Loss_{data} + \lambda \cdot Loss_{physics}$
其中， $Loss_{data}$ 代表 CFD 结果与 AI 预测之间的误差， $Loss_{physics}$ 强制执行物理定律。

2.4 多目标优化

优化问题被公式化为同时最小化阻力、最大化升力和最大化气动效率（ $L/D$ ）。目标函数为：
$F(X) = w_1 C_D - w_2 C_L - w_3 (L/D)$
其中， $w_1, w_2, w_3$ 是权重因子。采用进化算法和基于代理的优化技术在设计空间内搜索最优构型，同时满足几何约束（ $X_{min} \leq X \leq X_{max}$ ）。

2.5 验证策略

将优化后的设计和 AI 预测结果针对高保真 CFD 模拟进行验证。使用统计指标（如均方根误差 RMSE 和平均绝对误差 MAE）评估性能，以量化预测精度和计算效率的提升。

3. 核心贡献

混合框架： 开发了一种可扩展的方法论，将 CFD、AI 代理建模和物理信息学习无缝集成，用于高速飞行器设计。
物理信息 AI： 将 PINNs 应用于气动优化，确保 AI 预测与控制流体动力学的方程保持一致，从而增强了在安全至上的航空航天应用中的可靠性。
多目标能力： 一种能够同时处理冲突设计需求（减阻与升力最大化）的策略，超越了以往研究中存在的单目标局限性。
计算效率： 通过在优化循环中使用快速 AI 预测取代重复的模拟，显著降低了所需的 CFD 评估次数。

4. 结果与性能分析

研究报告指出，所提出的框架通过学习几何与性能之间的非线性关系，成功识别出了改进的气动构型。

预测精度： 与 CFD 基准相比，AI 代理模型在预测 $C_L$ 、 $C_D$ 和 $L/D$ 方面表现出高精度，具有较低的 RMSE 值。物理约束的加入进一步提高了泛化能力。
气动改进： 优化后的飞机构型显示出明显的气动效率提升，其特征是与基准设计相比，阻力降低且升阻比增强。
计算增益： 集成 AI 显著缩短了优化所需的时间。传统方法需要数千次 CFD 运行，而基于代理的方法允许以极低的计算开销评估数千个设计候选方案，其效率提升百分比定义为：
$Efficiency(\%) = (T_{CFD} - T_{AI}) / T_{CFD} \times 100$

5. 意义与主张

本文声称，这项研究代表了向自动化、数据驱动航空航天设计迈出的重要一步。通过克服传统基于 CFD 优化的计算瓶颈以及纯数据驱动模型的物理不一致性，所提出的框架为更高效地开发下一代高速飞行器提供了路径。

作者强调，该方法对于未来需要平衡气动性能、结构约束和能量效率的航空航天应用尤为重要。虽然目前的研究侧重于稳态外部气动，但该框架被视为更全面的多学科设计优化（MDO）系统的基础步骤。该工作表明，此类智能框架可以缩短设计周期、降低开发成本，并实现传统设计方法可能无法达到的创新飞行器构型。

文章结论较为谦逊，承认虽然该框架展现出前景，但未来的工作必须解决多学科现象（如气动弹性与动力系统相互作用）、更高保真度的流场模拟（LES/DES）以及通过风洞实验进行实验验证的需求，以确保工业适用性。