張?zhí)戽X煒祺，周宇，何磊，邵元培

(1.空氣動力學國家重點實驗室，綿陽 621000)(2.中國空氣動力研究與發(fā)展中心 計算所，綿陽 621000)

0 引 言

近年來，以人工智能(Artificial Intelligence，簡稱AI)為代表的第二次機器革命，及以其作為主要核心技術驅(qū)動的新一輪技術革命和產(chǎn)業(yè)變革正在改變著世界格局，成為人類社會發(fā)展進程的又一次重大飛躍。人工智能作為一項新興交叉學科，已在生物、醫(yī)學、氣象、商務、交通、機械制造等社會的各個領域得到了廣泛應用，并在很大程度上為人類的生產(chǎn)生活提供了便捷。航空航天能力是衡量一個國家綜合國力的關鍵指標之一，而作為流體力學重要分支之一的空氣動力學研究直接影響著航空航天事業(yè)的發(fā)展與進步。目前，世界各航空航天大國均在人工智能與空氣動力學的結合方面開展了許多有益的嘗試與探索，人工智能技術已經(jīng)在風洞運行智能化控制、氣動數(shù)據(jù)分析建模、飛行器優(yōu)化設計等方面得到了越來越廣泛的應用。

本文從輔助空氣動力學三大手段研究效率提高、輔助空氣動力學數(shù)據(jù)分析與知識發(fā)現(xiàn)、輔助飛行器氣動優(yōu)化設計三個方面來對人工智能與空氣動力學的結合進行系統(tǒng)梳理，并指出了人工智能給空氣動力學發(fā)展帶來的挑戰(zhàn)。

1 人工智能發(fā)展現(xiàn)狀

1.1 人工智能的發(fā)展歷程

人工智能這一概念最早由美國數(shù)學家和計算機專家John McCarthy于1956年在美國達特茅斯大學舉辦的人工智能的研討會上首次提出[1]。與許多新興學科相同，人工智能至今尚無統(tǒng)一的定義。不同學科背景的學者對人工智能有不同的理解，主流觀點有以下兩種：

(1) 人工智能(學科)：許多人工智能研究者認為人工智能(學科)是智能科學中涉及研究、設計及應用智能機器和智能系統(tǒng)的一個分支，而智能科學是一門與計算機科學并行的學科。

(2) 人工智能(能力)：部分學者認為人工智能(能力)是智能機器所執(zhí)行的通常與人類智能有關的智能行為，例如判斷、推理、證明、識別、感知、理解、通信、設計、思考、規(guī)劃、學習、設計和問題求解等思維活動。

自20世紀中葉人工智能被首次提出以來發(fā)展至今，經(jīng)歷了數(shù)次高潮與低谷[2]。1968年，第一個專家系統(tǒng)DENDRAL成功應用于有機化合物的分子結構分析中，開啟了人工智能技術的應用研究領域。1969年，第一屆國際人工智能聯(lián)合會議(International Joint Conference on AI，簡稱IJCAI)的召開標志著人工智能作為一門獨立學科登上國際學術舞臺。1970年，《人工智能國際雜志》(International Journal of AI)創(chuàng)刊。進入20世紀80年代，專家系統(tǒng)和知識工程得到迅速發(fā)展，并為企業(yè)等用戶贏得了巨大的經(jīng)濟效益。20世紀80年代后期以來，機器學習、計算智能、人工神經(jīng)網(wǎng)絡等研究不斷深入，各人工智能學派之間的爭論推動了人工智能研究和應用的進一步發(fā)展。近年來，人工智能取得了一些里程碑成果。1997年，IBM計算機程序“深藍”戰(zhàn)勝國際象棋大師卡斯帕羅夫，震驚全球[3]。2006年，G.E.Hinton等[4]提出的深度學習訓練算法引領了神經(jīng)網(wǎng)絡走向深層的發(fā)展趨勢。2012年，“深度神經(jīng)網(wǎng)絡”(Deep Neural Network，簡稱DNN)模型通過無監(jiān)督訓練成功識別貓臉，引起了業(yè)界的轟動與廣泛關注[5]。自2016年起，基于深度學習的“AlphaGo”[6]、“AlphaGo Master”和“AlphaGo Zero”[7]依次打敗圍棋世界冠軍，圍棋水平遠遠超過人類。

伴隨人工智能核心技術的突破，新一輪的發(fā)展條件已然成熟，人工智能已從純技術研究進入到各類行業(yè)和生活應用中，其發(fā)展的廣度和深度大幅增加。

1.2 機器學習

在人工智能眾多應用領域中，機器學習(Machine Learning)無疑是發(fā)展最快的分支之一[8]。機器學習的目標是使系統(tǒng)具備從原始數(shù)據(jù)中提取特征，從而獲得自主學習的能力[9]。機器學習的過程與人腦思考類似，其利用一定算法分析并學習數(shù)據(jù)，隨后對現(xiàn)實世界情況做出判斷和預測，與預先編寫好、只能按照特定邏輯去執(zhí)行指令的軟件不同，機器實際上是通過“自我訓練”學會如何完成一項任務。

20世紀80年代末以來，隨著計算能力的大幅提升，機器學習在算法、理論和實際應用方面都取得了巨大的成功。根據(jù)學習模型的層次結構不同，機器學習大致可分為淺層學習(Shallow Learning)和深度學習(Deep Learning)兩類。淺層學習模型通常包含不超過一層或兩層的非線性特征變換[10]，例如高斯混合模型(Gaussian Mixture Model，簡稱GMM)、支持向量機(Support Vector Machine，簡稱SVM)、Boosting方法等。但是，近年來產(chǎn)業(yè)界數(shù)據(jù)量的爆炸式增長給傳統(tǒng)的淺層學習帶來了新的技術挑戰(zhàn)。此外，依靠人工經(jīng)驗提取特征亦成為限制淺層學習模型性能的瓶頸。

2006年，深度置信網(wǎng)絡(Deep Belief Network，簡稱DBN)模型[11]的提出開啟了深度學習發(fā)展的新紀元，指引了機器學習的一個嶄新方向。深度學習從以下三個方面克服了淺層學習的不足：

(1) 傳統(tǒng)多層神經(jīng)網(wǎng)絡采用梯度下降優(yōu)化網(wǎng)絡權值，而DBN首先進行無監(jiān)督學習，特征提取后再進行優(yōu)化，從而解決了容易陷入局部最優(yōu)的問題[12]。

(2) 針對傳統(tǒng)神經(jīng)網(wǎng)絡中存在的“梯度消失”現(xiàn)象及從頂層向下傳遞過程中誤差校正信號逐漸減弱等問題，深度學習采用逐層訓練的機制解決了這一問題[13]。

(3) 采用全連接的DNN(下層神經(jīng)元和所有上層神經(jīng)元都能夠形成連接)會帶來參數(shù)數(shù)量膨脹的問題，卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，簡稱CNN)[14]的單元之間采用局部連接形式，在很大程度上減少了神經(jīng)網(wǎng)絡需要訓練的權值參數(shù)的個數(shù)，極大地加快了訓練速度[15]。

目前，國際上常用的深度學習模型有DBN、堆疊自編碼器(Stack Auto-Encoder，簡稱SAE)[16-17]、深度遞歸神經(jīng)網(wǎng)絡(Deep Recurrent Neural Network，簡稱DRNN)[18]和深度卷積神經(jīng)網(wǎng)絡(Deep Convolutional Neural Network，簡稱DCNN)[19]等。

自2006年DBN模型的首次提出至今，在十余年間，深度學習得到了蓬勃的發(fā)展，成功應用于圖像處理、語音識別、自然語言處理、自動駕駛、文本處理等眾多領域。大數(shù)據(jù)時代的海量數(shù)據(jù)具有容量大、多樣化、速度快和價值高等豐富的信息特性[20]，以及高性能硬件設備的發(fā)展均有效地促進了深度學習的“再次繁榮”，同時也為空氣動力學等基礎學科的研究與發(fā)展提供了新的思路和手段。

2 人工智能輔助空氣動力學三大手段研究效率提高

風洞試驗、數(shù)值模擬和飛行試驗是進行空氣動力學基礎研究和應用研究的三大手段。

2.1 風洞試驗

風洞試驗作為預測飛行器氣動性能，評定飛行器各項性能指標的最基本的研究手段，在飛行器設計、選型和鑒定等各階段發(fā)揮著重要作用。近年來，研究人員將人工智能技術與風洞試驗相結合，在風洞試驗數(shù)據(jù)處理、儀器測量、運行控制、故障診斷等方面取得了許多進展。

風洞試驗是一項復雜的系統(tǒng)工程，試驗結果受諸多因素的影響，不同工況下的試驗結果差別可能非常顯著，一次風洞試驗會產(chǎn)生大量的試驗數(shù)據(jù)。此外，由于風洞試驗數(shù)據(jù)具有非線性、不確定性等特點，使得數(shù)據(jù)處理的自動化、工程化面臨著嚴峻的挑戰(zhàn)。將機器學習等智能算法應用于風洞試驗數(shù)據(jù)處理，首先對現(xiàn)有數(shù)據(jù)進行特征提取，進而實現(xiàn)數(shù)據(jù)的有效分類、識別和回歸，最后建立基于樣本特征的智能判斷模型，實現(xiàn)對試驗數(shù)據(jù)正確性和關聯(lián)性的有效判斷。目前，美國已在NASA Lanley研究中心4.27 m×6.7 m亞音速風洞中配置了神經(jīng)網(wǎng)絡數(shù)據(jù)分析系統(tǒng)[21]，該系統(tǒng)可以高效執(zhí)行數(shù)據(jù)插值、模型結構優(yōu)化和流動參數(shù)研究等工作。

在采用智能算法從試驗數(shù)據(jù)中提取有用信號的同時，如何提高風洞測量系統(tǒng)的精準度和可靠性也尤為關鍵。將人工智能算法應用于風洞測量系統(tǒng)，構建風洞智能測量方法逐漸成為一條可行途徑。R.Vijayagopal等[22]研制了一種神經(jīng)網(wǎng)絡智能算法，用于小型多孔壓力探頭的校準，將壓力探頭的校準范圍擴大到75°。P.P.Vlachos等[23]研制的智能天平系統(tǒng)，將人工神經(jīng)網(wǎng)絡用于應變計的校準，在很大程度上降低了天平校準的安裝要求。

在風洞智能控制與運行方面，國外多個風洞在進行技術改造或新建時，均將風洞智能管理系統(tǒng)作為主要研究內(nèi)容與技術指標[24]。在風洞控制器設計上，已由傳統(tǒng)的PID控制向預測控制、模糊控制以及神經(jīng)網(wǎng)絡等智能控制策略方向發(fā)展。NASA Lanley研究中心將自組織特征映射(Self-organizing Feature Map，簡稱SOM)神經(jīng)網(wǎng)絡算法[25]應用于16 ft跨聲速風洞，有效提高了馬赫數(shù)和模型姿態(tài)的控制精度[26]。近年來，我國在風洞管理智能化方面也實現(xiàn)了許多技術突破。呂鵬濤等[27]開發(fā)了一個專家系統(tǒng)，用于NF-6風洞的狀態(tài)監(jiān)控、參數(shù)測量及管理控制，并在NF-3風洞中構建了基于神經(jīng)網(wǎng)絡自適應控制算法的穩(wěn)風速控制系統(tǒng)，提升了系統(tǒng)的適應性、魯棒性和風速控制精度，大大縮短了調(diào)試時間。芮偉等[28]和金志偉等[29]采用神經(jīng)網(wǎng)絡、最小二乘支持向量機(Least Squares Support Vector Machine，簡稱LS-SVM)[30]等方法建立2.4 m跨聲速風洞流場控制模型，提高了風洞控制策略的整體性能指標。

隨著風洞智能化水平和集成度的不斷提高以及風洞試驗任務的飽和，風洞試驗裝備的維護難度與日俱增，為保障試驗裝備正常運行所花費的費用和時間日益增多，而目前對參試裝備的故障檢測與診斷主要依靠人工方式，不僅效率和數(shù)據(jù)利用率低，而且效果受人員素質(zhì)影響較大。隨著人工智能技術的不斷發(fā)展，航空航天地面(模擬)試驗設備的管理逐漸從傳統(tǒng)的定期維護、故障維修制度向高度自動化和智能化方向發(fā)展，逐步建立包括各種設備在線狀態(tài)監(jiān)測、故障診斷、預警預報、維修決策等在內(nèi)的設備狀態(tài)智能管理系統(tǒng)。R.A.Rosario[31]在4.88 m跨/超音速風洞中建立了一個基于人工神經(jīng)網(wǎng)絡的壓縮機失速監(jiān)控專家系統(tǒng)，由傳感器、預處理器、基于知識庫的診斷子系統(tǒng)、神經(jīng)網(wǎng)絡子系統(tǒng)、數(shù)據(jù)分析和模式識別子系統(tǒng)等組成，該系統(tǒng)可檢測多級壓縮機系統(tǒng)運行中可能產(chǎn)生的氣流阻塞、失速和喘振等不穩(wěn)定現(xiàn)象，從而提高壓縮機運行的安全性與可靠性。J.L.Rogers等[32]在NTF跨音速風洞中專門建立了一個用于振動檢測和故障預警的神經(jīng)網(wǎng)絡，以便保證三級噴液氮泵閥的正常旋轉運行。中國空氣動力研究與發(fā)展中心(China Aerodynamics Research and Development Center，簡稱CARDC)自主設計并安裝了4 m×3 m低速風洞自主式維修保障系統(tǒng)軟件平臺[33]，包括狀態(tài)檢測、故障診斷、故障預測和裝備管理四大功能模塊，利用智能專家系統(tǒng)實現(xiàn)了維修決策環(huán)節(jié)的“人為決策”向機器“智能決策”的轉變，并基于規(guī)則和知識兩種途徑及數(shù)據(jù)融合算法，實現(xiàn)了對復雜大系統(tǒng)進行實時故障預測、健康度評估和剩余壽命預測。此外，張鵬等[34]還提出了一種基于概率神經(jīng)網(wǎng)絡的風洞設備故障預測診斷方法，該方法能夠有效識別出系統(tǒng)各種典型故障，對于非線性的系統(tǒng)故障識別能力可滿足風洞設備實時在線診斷的需求。

2.2 數(shù)值模擬

采用計算流體力學(Computational Fluid Dynamics，簡稱CFD)方法可以提供高精度的流場數(shù)值仿真結果，但同時會消耗大量的計算資源。近年來，各國研究者在人工智能方法與數(shù)值計算結合方面，開展了許多創(chuàng)新性的研究工作。

(1) 直接建立物理參數(shù)、幾何參數(shù)與流場中速度矢量的模型，提高計算效率。L.Ladicky等[35]采用回歸森林(Regression Forests)方法成功對非定常流場進行預測，大大提高了數(shù)值計算效率。Guo X X等[36]采用CNN方法對二維和三維層流建模并進行流場預測，在保證較低錯誤率的前提下，其計算效率分別比基于GPU加速和傳統(tǒng)CPU的CFD解算器提升了2～4個數(shù)量級。

(2) 提高網(wǎng)格生成及優(yōu)化效率。作為數(shù)值計算的基礎，網(wǎng)格質(zhì)量直接影響著CFD的計算性能。網(wǎng)格生成是一項繁瑣的工作，大約占用CFD計算周期60%～70%的時間。網(wǎng)格生成后期，通過人工對網(wǎng)格質(zhì)量進行判斷的方法不僅效率低下，且嚴重依賴技術人員自身經(jīng)驗，嚴重制約了網(wǎng)格自動生成技術的發(fā)展。陳曉申[37]嘗試采用SVM等人工智能算法在計算網(wǎng)格分類的基礎上再進行網(wǎng)格優(yōu)化，進而在保證網(wǎng)格質(zhì)量的前提下提高了CFD的整體計算效率。

(3) 提高CFD數(shù)據(jù)壓縮效率，實現(xiàn)數(shù)據(jù)原位可視化。Liu Y等[38]提出了一種基于深度學習的CFD流場數(shù)據(jù)壓縮方法，由兩個CNN組成一個生成對抗網(wǎng)絡，對CFD流場數(shù)據(jù)進行了大幅壓縮，同時也取得了不錯的恢復效果。通過與現(xiàn)有的小波變化方法的對比，該方法在壓縮時間上具有一定的優(yōu)勢，且泛化性能強，能夠很好地滿足原位可視化的要求。

2.3 飛行試驗和模型飛行試驗

飛行試驗是驗證飛行器地面預測結果的重要手段，但其存在費用高、風險大、可重復性低等問題。王國棟等[39]采用基于文本案例的推理(Textual Cases Based Reasoning，簡稱TCBR)、基于規(guī)則的推理(Rule Based Reasoning，簡稱RBR)及兩者融合的人工智能技術，構建了先進戰(zhàn)機智能化試飛支持信息系統(tǒng)，既減輕了試飛員或試飛工程師繁重的學習、記憶及理解的工作量，又能準確提供完成新任務所需的知識或解決新問題的參考。

此外，在一些飛行試驗涉及的關鍵技術方面，人工智能也發(fā)揮了重要作用。例如，現(xiàn)代飛行器對小型化、智能化和高機動化等日益增長的發(fā)展需求，要求不斷提升基于微機電系統(tǒng)(Micro-Electro-Mechanical System，簡稱MEMS)慣性傳感器的飛行器航姿參考系統(tǒng)的測量性能。常健[40]根據(jù)高動態(tài)環(huán)境下MEMS慣性傳感器的輸出特性設計了基于BP神經(jīng)網(wǎng)絡的機動檢測器，在線檢測出高機動狀態(tài)并隔離MEMS加速度計信息，有效提高了MEMS航姿系統(tǒng)在高動態(tài)環(huán)境下的適應性和輸出性能。

隨著現(xiàn)代戰(zhàn)爭理念的不斷發(fā)展，對飛行器機動性能的要求日益增強，以F-22、F-35等為代表的新一代戰(zhàn)斗機設計均將過失速機動性能作為一項重要的戰(zhàn)技指標，并列入飛行試驗考核科目。作為飛行器大迎角飛行控制律設計、飛行動力學分析和飛行仿真的基礎和前提，如何準確快速建立非定常氣動力模型成為一項重要課題[41]。隨著人工智能的迅速發(fā)展，計算機通過對大量的靜態(tài)和動態(tài)風洞試驗數(shù)據(jù)的學習，進而預測飛機在機動飛行中的氣動力響應，是完全可能的。由于人工智能建模方法回避了復雜流動機理，屬于黑箱非線性系統(tǒng)建模范疇，包括神經(jīng)網(wǎng)絡模型、模糊邏輯模型、SVM模型等。神經(jīng)網(wǎng)絡因其強大的映射能力，在大迎角非定常氣動力建模領域具有廣闊的應用前景。汪清等[42-44]根據(jù)先驗信息的利用程度，分別發(fā)展了三種非定常氣動力神經(jīng)網(wǎng)絡模型。史志偉等[45]基于徑向基神經(jīng)網(wǎng)絡，研究了高度非線性非定常氣動力建模問題，且該建模方法可減少所需風洞試驗數(shù)據(jù)，具有試驗時間短、成本低、效率高等優(yōu)勢。采用模糊邏輯算法進行系統(tǒng)建模時不需要給出具體的函數(shù)關系式，因此適用于結構復雜而難以確知的多變量非線性系統(tǒng)。Wang Z等[46-47]首先應用模糊邏輯算法進行非線性非定常氣動力的建模。在此工作基礎上，Lan C E等應用模糊邏輯算法分析了部分軍用飛機[48-50]和民用飛機[51-53]的飛行試驗數(shù)據(jù)，建立了非定常氣動力模型。由于SVM采用結構風險最小化準則替代神經(jīng)網(wǎng)絡和模糊邏輯中的經(jīng)驗風險最小化準則，因此具有更好的泛化性能，十分適合函數(shù)擬合和非線性系統(tǒng)建模等問題求解。

Chen Y L[54]和Wang Q等[55]應用LS-SVM方法開展了大迎角非定常氣動力建模研究。汪清等[41]針對LS-SVM建模中關于輸入、輸出變量選擇和參數(shù)確定等問題進行了深入研究，并通過F-16XL滾轉振蕩風洞試驗數(shù)據(jù)驗證了LS-SVM建模方法的有效性。

3 人工智能輔助數(shù)據(jù)分析與知識發(fā)現(xiàn)

空氣動力學發(fā)展至今，受理論不充分性等客觀因素影響，仍存在許多人類難以解釋的流動現(xiàn)象。近年來，借助人工智能方法對流體力學中的未知現(xiàn)象進行以數(shù)據(jù)驅(qū)動的機理建模，成為一條可行途徑。J.Ling等[56]和J.N.Kutz等[57]通過對大量高精度仿真數(shù)據(jù)的訓練，建立了一種基于深度神經(jīng)網(wǎng)絡的湍流雷諾應力模型，該模型可同時預測各向異性特征值和張量，其預測精度明顯優(yōu)于線性渦粘模型(Linear Eddy Viscosity Model，簡稱LEVM)和二次渦粘模型(Quadratic Eddy Viscosity Model，簡稱QEVM)。基于類似思想，針對高馬赫數(shù)流動情況下直接數(shù)值模擬(Direct Numerical Simulation，簡稱DNS)結果與湍流模式預測結果之間的差量，Huang J J等[58]采用機器學習方法建立了該差量與流動參數(shù)之間的深度神經(jīng)網(wǎng)絡模型，成功預測了高速平板湍流邊界層的雷諾應力。

近年來，隨著CFD和計算能力的飛速發(fā)展，各空氣動力學及相關研究機構積累了大量的數(shù)值計算數(shù)據(jù)。數(shù)據(jù)量的爆炸式增長增加了采用傳統(tǒng)可視化方法尋找數(shù)據(jù)規(guī)律的難度，因此如何采用智能的方法從大量數(shù)據(jù)中發(fā)現(xiàn)隱含的模式已成為科學數(shù)據(jù)分析的一個研究熱點[59]。數(shù)據(jù)挖掘技術可從大量數(shù)據(jù)中提取有效信息，進行數(shù)據(jù)分析并發(fā)現(xiàn)潛在知識，已經(jīng)廣泛應用于商務、生物、氣象、材料等多個學科領域[60]?；跀?shù)據(jù)挖掘技術的巨大潛能，將數(shù)據(jù)挖掘技術應用于流場分析，極有可能挖掘出常規(guī)數(shù)值方法難以發(fā)現(xiàn)的復雜流動規(guī)律。Han E H等[61]在流場數(shù)據(jù)方法方面開展了深入的研究，采用C4.5和SVM算法對湍流猝發(fā)的生成規(guī)律進行了挖掘，并根據(jù)挖掘出的規(guī)律對其生成位置做出預測，獲得了較高的預測精度。解利軍等[62]提出了一種基于特征的流場數(shù)據(jù)挖掘方法和相應的數(shù)據(jù)模型組織方式，形成了一種流場數(shù)據(jù)挖掘的通用框架。在該框架下，采用Apriori算法對Rayleigh Benard對流現(xiàn)象的流場數(shù)據(jù)進行了關聯(lián)規(guī)則分析，得到了一些溫度和渦結構之間的關系。Jiang S Q等[63]在三維三分量TR-PIV速度矢量場數(shù)據(jù)庫基礎上，以改進的象限分裂法和新條件相位平均技術作為數(shù)據(jù)挖掘準則，檢測并提取得到了一種含“鞍點”的“四極子”結構動力系統(tǒng)模型，并進一步討論了該相干結構與雷諾應力猝發(fā)事件及脈動渦量之間的內(nèi)在聯(lián)系。Deng L等[64]提出了一種基于CNN的渦智能提取算法，該算法針對流場點，以全局算法提取結果為標簽，并結合流場計算的局部特性，將渦提取任務轉化成一個二分類問題。該算法結合了局部算法和全局算法的特點，具有較低的誤報率，并在性能和準確性上獲得了一個很好的平衡。

通過以上對流場數(shù)據(jù)挖掘的初步探索，可以看出將人工智能應用于流場，一方面有助于分析流動機理，另一方面有助于捕捉特定流動現(xiàn)象。但是，由于流場數(shù)據(jù)結構與組織形式各異，也為人工智能技術的應用提出了新的問題與挑戰(zhàn)。

4 人工智能輔助飛行器氣動優(yōu)化設計

飛行器是一個多系統(tǒng)、多學科的復雜系統(tǒng)，氣動性能作為其他子系統(tǒng)、學科開展工作的基礎或出發(fā)點，具有基礎性、全局性和先導性，氣動性能的優(yōu)劣在很大程度上決定了飛行器的總體性能。因此，在飛行器的研制過程中，飛行器氣動優(yōu)化設計是一項重要的基礎性研究課題。近年來，各航空航天大國均在飛行器的研制初期階段，采用人工智能方法輔助氣動優(yōu)化設計，在有效提高效率的同時，減少了研制費用，縮短了設計周期，降低了項目風險，其主要的應用體現(xiàn)在兩方面。一是在優(yōu)化算法方面，以遺傳算法(Genetic Algorithm，簡稱GA)為代表的智能優(yōu)化算法于1995年被首次引入氣動外形設計中[65]。國內(nèi)外學者基于GA開展了較為詳細的氣動優(yōu)化設計研究[66]，先后在二維翼型[67-68]、三維翼型[69-70]、旋翼[71]和全機[72]等方面得到了成功應用，并發(fā)展了一系列適用于氣動優(yōu)化的改進遺傳算法以及粒子群優(yōu)化(Particle Swarm Optimization，簡稱PSO)算法、蟻群算法等其他類型的智能優(yōu)化算法[73-76]。整體而言，與常用的梯度類優(yōu)化算法相比，智能優(yōu)化算法具有較好的全局尋優(yōu)能力和更好的計算魯棒性。二是在提高優(yōu)化計算效率方面，由于優(yōu)化計算過程中需要大量調(diào)用原始高精度計算模型，致使氣動優(yōu)化效率低下，出現(xiàn)計算量過大、耗時較長的問題。如何快速有效地預測氣動參數(shù)成為一個亟待解決的問題。隨著神經(jīng)網(wǎng)絡和機器學習技術的發(fā)展，一種以人工智能為基礎的預測方法逐漸進入人們視野。該類方法從參數(shù)化的飛行器幾何外形出發(fā)，采用數(shù)值方法獲取典型氣動外形下飛行器氣動特性，建立氣動特性與外形參數(shù)之間的神經(jīng)網(wǎng)絡模型、Kriging模型、SVM等模型，亦稱為響應面模型，之后利用該響應面模型進行優(yōu)化設計，從而避免了大量的數(shù)值運算。在此基礎上，將響應面模型與智能優(yōu)化算法相結合構建的混合算法，保證了局部搜索與全局優(yōu)化的綜合性能，已在氣動優(yōu)化中得到了廣泛應用。例如，S.Jeong[77]和Song W[78]將Kriging模型與GA結合，分別對翼型、襟翼位置和亞聲速發(fā)動機短艙進行了優(yōu)化設計。孫美建等[79]采用改進的PSO算法優(yōu)化Kriging模型參數(shù)，提高了Kriging模型的預測精度，對高維度多目標多約束的跨聲速機翼進行了優(yōu)化。Han Z H等[80-81]也對Kriging模型的理論和應用開展了較深入的研究。Andrés E[82]將進化規(guī)劃(Evolutionary Programming)算法與支持向量回歸(Support Vector Regression)算法相結合，用于預測具有不同幾何參數(shù)的機翼在不同攻角情況下的升力、阻力和滾轉力矩系數(shù)。通過大量的工程應用與實踐發(fā)現(xiàn)，由于基于響應面模型的優(yōu)化方法在建立預測模型和對翼型氣動系數(shù)進行預測時均需要飛行器的幾何參數(shù)，屬于參數(shù)化學習方法。同時，隨著模型精度的提高，以上傳統(tǒng)淺層學習方法的算法復雜度將呈指數(shù)級增長。

近年來，研究者將數(shù)據(jù)挖掘技術應用于氣動優(yōu)化設計中，并取得了一定進展。A.Oyama等[83-84]采用基于本征正交分解(Proper Orthogonal Decomposition，簡稱POD)的數(shù)據(jù)挖掘技術對跨聲速翼型的多目標優(yōu)化設計的Pareto解進行了特征提取與分析，將優(yōu)化結果分成了低阻力、高升阻比和高升力三類，并獲取了每類結果的設計知識。段焰輝等[85]亦將POD應用于跨聲速壓氣機轉子葉片氣動優(yōu)化設計的大量過程數(shù)據(jù)，得到的設計知識可以直接反映氣動外形的變化規(guī)律。李潤澤等[86]也將流場結構識別與性能優(yōu)化結合，建立流場結構與性能指標的關聯(lián)關系，提出了流場結構和性能指標共同導向的優(yōu)化思想。鑒于SOM神經(jīng)網(wǎng)絡強大的數(shù)據(jù)聚類功能，S.Jeong[87]、T.Kumano[88]和K.Chiba等[89]分別在可重復使用運載火箭助推器外型設計、跨聲速翼型設計和小型噴氣式飛機翼型設計中引入SOM神經(jīng)網(wǎng)絡作為數(shù)據(jù)挖掘技術的一種，通過可視化的方式確定優(yōu)化方向，在各設計變量中尋找平衡點。國內(nèi)的陳杰等[90]以SOM神經(jīng)網(wǎng)絡為基礎，結合數(shù)據(jù)庫技術，建立了一套基于人工神經(jīng)網(wǎng)絡方法的民用飛機先進氣動力機翼設計流程。通過神經(jīng)網(wǎng)絡建立專家數(shù)據(jù)庫，根據(jù)設計條件自動搜索與設計目標相近的參考外形，同時給出優(yōu)化設計方向，在優(yōu)化過程中采用神經(jīng)網(wǎng)絡作為流場計算的輔助，在短時間內(nèi)考察大量設計外形，大大提高了設計效率。通過該方法得到的翼型設計結果具有更好的綜合氣動特性，提升了氣動設計方法的智能化和設計經(jīng)驗的可傳承性。由于該設計方法具有較強的通用性，后又被應用于風機葉片葉尖翼型設計中[91]。

上述智能優(yōu)化設計方法需要根據(jù)設計經(jīng)驗提取幾何特征，而深度學習具有可以自動提取特征的特點。鑒于CNN特殊的網(wǎng)絡結構，十分適合于圖像處理，陳海等[92]以翼型圖像作為輸入，建立了CNN預測模型，對翼型特征進行提取與分類，最后通過回歸分析預測翼型的氣動系數(shù)。此類基于深度學習的非參數(shù)化方法，有效解決了淺層學習方法中由于訓練層數(shù)和樣本數(shù)的增大而帶來的算法復雜度急劇增加的問題。

5 人工智能給空氣動力學發(fā)展帶來的挑戰(zhàn)

近年來人工智能技術飛速發(fā)展，尤其是大量的各類深度學習模型出現(xiàn)，得益于計算機硬件水平及并行計算方法跨越式發(fā)展的同時，信息時代產(chǎn)業(yè)界數(shù)據(jù)量的爆炸式增長亦功不可沒。人工智能技術在空氣動力學及其相關學科發(fā)展及應用中取得了很多成績，但同時也面臨著許多問題，為研究者們帶來了更多嶄新的挑戰(zhàn)。

(1) 數(shù)據(jù)數(shù)量和質(zhì)量有限，限制了人工智能的性能與水平?，F(xiàn)階段由于風洞試驗、數(shù)值模擬和飛行試驗數(shù)據(jù)有限以及未合理采集、整理與利用，造成機器學習模型訓練所需數(shù)據(jù)樣本量不足，且完整性與確定性較差，進而嚴重制約了模型的性能水平，導致人工智能技術難以有效發(fā)揮。例如，由于訓練樣本數(shù)量有限，致使目前設計的風洞智能診斷系統(tǒng)欠缺較好的魯棒性。

(2) 機器學習方法所提取的特征通常不可解釋，缺乏物理含義[93]。由于完全由數(shù)據(jù)驅(qū)動的、以概率統(tǒng)計為基礎的深度學習方法屬于“黑箱”學習方法，這就容易導致在缺乏專業(yè)領域知識的情況下，進行盲目的“黑箱式”學習，且獲得的特征通常采用高維向量表示，與人為定義的物理特征難以對應。同時所獲取的函數(shù)關系也并不都是因果關系，而是關聯(lián)關系。

(3) 目前的人工智能和機器學習在多尺度非線性映射、大數(shù)據(jù)關聯(lián)關系挖掘與決策等方面表現(xiàn)出了強大的優(yōu)勢，但在深層邏輯推理與復雜公式推導、“靈光一現(xiàn)”的創(chuàng)造性設計等方面還存在著明顯不足，要將其直接應用到深層次流動規(guī)律揭示、復雜公式推演、氣動布局創(chuàng)新設計等問題還存在一定困難。

6 結束語

針對上述問題，今后應重點關注以下三個研究方向：

(1) 利用大量適用的仿真模擬數(shù)據(jù)對試驗數(shù)據(jù)進行有效補充，形成數(shù)量、質(zhì)量均能滿足人工智能技術需求的基礎數(shù)據(jù)庫。

(2) “數(shù)據(jù)驅(qū)動”與“知識驅(qū)動”兩種方法結合，建立并完善氣動知識庫和推理機制，推進專家系統(tǒng)建設，深入分析機器學習提取特征與物理特征之間的關聯(lián)，提高“數(shù)據(jù)驅(qū)動”模型的可解釋性。

(3) 密切關注數(shù)學、認知科學、神經(jīng)科學等與人工智能的學科交叉，將其在矢量特征提取、語義推理、知識發(fā)現(xiàn)與應用等方面的最新研究成果與空氣動力學研究深度結合，將人工智能在空氣動力學研究中的層次逐步由目前的“工具”層次逐步提升到“合作”甚至“指導”層次。