使用深度残差网络的乘波体气动性能预测

陈冰雁,刘传振,*,白 鹏,乔 宇

(1.中国航天空气动力技术研究院,北京 100074;2.中国科学院 深圳先进技术研究院,深圳 518000)

0 引 言

自20世纪初莱特兄弟成功试飞第一架飞机以来，飞行器的发展如火如荼。气动外形设计作为飞行器设计的“先行官”，具有举足轻重的作用。随着科技的进步，气动设计经历了从机械式到信息化的转变。20世纪前半叶，气动设计都是通过手工修形设计得到，其严重依赖于设计人员的经验，设计周期很长。20世纪中叶以来，计算流体力学(Computational Fluid Dynamics,CFD)应运而生，CFD结合CAD(Computational Aid Design)技术，已经可以进行半自动化的飞行器气动外形设计。但CFD分析仍是一个比较耗时的过程，在飞行器设计中需要反复调用CFD分析模块，计算量很大。

机器学习技术则提供了另一种解决手段，它通过计算手段，利用经验或已有数据改善系统自身的性能。在气动设计中，给定若干外形和性能样本集，数据代理模型可以自动训练、建立性能仿真模型，并快速评估仿真模型性能。目前应用比较成熟的机器模型包括二项式响应面、Kriging以及神经网络[1]等。2006年，多伦多大学的Hinton[2]首次提出“深度学习”概念——使用多隐层神经网络提高数据识别精度。2012年，Hilton跟他的学生Krizhevsky合作建立深层卷积神经网络，并在ImageNet视觉竞赛中取得第一名[3]。2016年3月，AlphaGo横空出世，通过卷积神经网络提高搜索树的选择和剪枝，战胜了围棋世界冠军李世石，引爆了“人工智能”时代[4]。

从目前的研究资料来看，气动外形设计中的机器学习技术还处于比较初级的阶段。……