深度学习在边界层流动稳定性分析中的应用.pdfVIP

第

42

卷

第

3

期空

气

动

力

学

学

报Vol.42，No.3

2024

年

3

月ACTAAERODYNAMICASINICAMar.

，2024

文章编号：0258-1825(2024)03-0030-17

深度学习在边界层流动稳定性分析中的应用

1231，*41，4

樊佳坤，姚方舟，黄江涛，徐家宽，乔

磊，白俊强

(1.

西北工业大学

航空学院，西安710072；

2.

西安航天动力技术研究所，西安710025；

3.

中国空气动力研究与发展中心

空天技术研究所，绵阳621000；

4.

西北工业大学

无人系统技术研究院，西安710072)

N

摘要：基于线性稳定性理论（linear

stability

theory,

LST）的e方法是边界层转捩预测中比较可靠的方法之一。为了将

传统LST特征值问题的求解过程大幅度简化和自动化，使用卷积神经网络（convolutional

neural

network,

CNN）在边界层

相似性解的LST分析样本集上进行训练，针对流向和横流不稳定性，分别在自然层流翼型和无限展长后掠翼上预测扰

动的当地增长率、N因子和转捩位置，结果与标准LST一致性良好；验证了CNN可以将边界层剖面速度型导数信息编

码为满足伽利略不变性的标量特征，在翼型边界层中起到了表征压力梯度的作用，在后掠翼边界层中起到了表征横流

强度的作用；在CNN对LST特征值预测的基础上，以LST控制方程、边界条件和平凡解惩罚项构造总损失函数来训练

内嵌物理信息神经网络（physics-informed

neural

network,

PINN），实现了在不依赖样本的情况下对LST特征函数的准确

预测，结果表明PINN可以为LST的特征函数问题提供有效的建模方法。

N

关键词：线性稳定性理论；e方法；卷积神经网络；内嵌物理信息神经网络；流向不稳定性；横流不稳定性

中图分类号：V211；V411；TP183

文献标识码：A

doi：10.7638/kqdlxxb-2023.0073

Applicationofdeeplearninginboundarylayerflowinstabilityanalysis

1231，*41，4

FAN

Jiakun，YAO

Fangzhou，HUANG

Jiangtao，XU

Jiakuan，QIAO

Lei，BAI

Junqiang

(1.

SchoolofAeronautics,NorthwesternPolytechnicalUniversity,Xian710072,China；

2