超燃沖壓發動機仿真:從數值飛行到數智飛行1)

孫明波 安 彬 汪洪波 王成龍

(國防科技大學高超聲速沖壓發動機技術重點實驗室,長沙 410073)

引言

當前吸氣式高超聲速飛行器技術已成為世界各大國優先發展的顛覆性技術,其核心是超燃沖壓發動機技術.出于對全球快速軍事力量投送和低成本空間運輸等方面的迫切需求,更大尺度、更寬范圍、更長航程的可重復使用超燃沖壓發動機成為研究熱點.傳統超燃沖壓發動機的設計與驗證主要依賴大量各類試驗.但是發動機尺度增大、試驗范圍拓寬以及試驗時間加長使得試驗成本不斷攀升,聯同較長的試驗周期一起限制了發動機方案的快速迭代.

近年來,數值仿真在超燃沖壓發動機設計中的作用越來越大.隨著湍流模型[1]和燃燒化學反應機理[2]等物理模型的快速發展、數值計算方法精度的不斷提高[3]和計算能力的指數型增長[4],基于內外流一體化的超燃沖壓發動機數值飛行(即采用數值計算揭示發動機在整個飛行彈道內的工作狀態)已經開始應用于工程實際.超燃沖壓發動機同時涉及強烈的熱、流、固多物理場耦合問題[5-6],長航時工作面臨嚴峻的熱安全問題,廣義的數值飛行技術需要疊加多物理場,對發動機熱結構的可靠性做出評估.

當前人工智能技術方興未艾,人工智能技術雖然主要基于計算機科學,但是相關算法的進步和“TensorFlow”等開源平臺的普及使人工智能迅速滲透至其他領域.目前人工智能已在圖像識別[7]、語言處理[8]和無人駕駛[9]等領域取得令人矚目的成就.在數值計算領域,人工智能則被應用于湍流建模、流動特征提取和求解偏微分方程等方面[10-11],表現出巨大的發展潛力.基于當前的研究背景,本文簡要闡述了超燃沖壓發動機數值飛行的內涵,在數值飛行的基礎上提出“數智飛行”這一概念,并對其內涵和發展重點進行梳理.

1 超燃沖壓發動機數值飛行的內涵

超燃沖壓發動機數值飛行旨在利用內外流一體化仿真研究發動機從啟動到完成各種工況到最后關機的全過程,并以此分析和評估發動機性能,指導發動機優化設計.目前,數值飛行主要關注與發動機性能相關的流動燃燒過程.在未來幾年,發動機仿真可以進一步考慮傳熱過程和結構形變等現象,實現疊加多物理場的廣義數值飛行.

1.1 基于內外流一體化仿真的數值飛行

高超聲速飛行器的一個典型特點是必須要將發動機和機體耦合設計,超燃沖壓發動機的推力、工作穩定性和性能與來流特性密切相關,而且對來流特性的變化非常敏感,而來流特性取決于飛行器的高度、速度和姿態,在飛行器大空域、寬速域和高機動飛行時尤為突出,發動機的特性又會影響到飛行器的飛行狀態.如圖1 所示,進氣道與飛行器前體一體化設計、高反壓下進氣道-隔離段-燃燒室相互作用以及尾噴管和飛行器后體的高度融合進一步加強了內外流的耦合作用.

圖1 超燃沖壓發動機示意圖[12]Fig.1 Scramjet engine concept[12]

傳統航空航天發動機/飛行器的內外流場研究是相對獨立的,通常拆分為不同部件分別研究.從研究目的來看,對外部流場的研究側重于優化飛行器的氣動特性,提高飛行器升力系數和阻力系數等關鍵參數.對發動機內部流場的研究則集中在提升發動機的推力和比沖.由于超燃沖壓發動機的進排氣過程與燃燒過程緊密耦合,內外流解耦的研究模式無法反映發動機的實際工作過程.為實現寬范圍的進/發/排最優匹配,充分挖掘發動機的潛在性能,必須開展發動機內外流一體化仿真,基于彈道的全過程飛行器/發動機數值飛行技術目前逐步得到應用.得益于較為成熟的數值方法和高性能計算平臺,超燃沖壓發動機內外流一體化仿真已獲得比較豐富的成果.根據仿真的對象和手段,目前有三類實現內外流一體化仿真的方法,其典型結果如圖2 所示.

圖2 超燃沖壓發動機內外流一體化仿真典型結果Fig.2 Representative numerical results of internal and external coupling flow

第一類僅針對無反應流場或部分發動機部件開展仿真.例如采用參數化的二維仿真優化高超聲速飛行器整體構型[13];通過大渦模擬研究進氣道與隔離段相互作用,揭示內外流耦合作用導致的復雜流場結構和流場振蕩的誘因[14];利用高保真的數值計算手段獲得全面的發動機內外流場數據[15],實現發動機各部件融合設計.

第二類對部分發動機部件開展仿真,對其余部件簡化處理(建模或減少計算維度).何良俊等[16]采用二維數值計算預測NAL 發動機進氣道和尾噴管流場,通過準一維流方法獲得燃燒室反應流場.陳兵等[18]采用類似的方法研究了內外流耦合對發動機推力的影響.上述兩類研究成果初步揭示了內外流的耦合特性,但是未能實現真實全流場模擬.

第三類對發動機所有部件開展三維仿真,獲得全部無反應/反應流場.該方法已被用于考察燃料噴注方案對發動機燃燒效率和推力的影響[17]、進氣道泄壓孔對發動機各部件流量的調節作用和燃燒室工作狀態對外流場的反作用[19],進一步證明了內外流一體化仿真在提升發動機性能方面的重要作用.

基于當前技術,結合高超聲速流場的特點開發高效率、高集成度的仿真平臺是內外流一體化仿真的發展趨勢.如圖3 所示,國防科技大學基于CPU/GPU 異構體系開發了高超聲速飛行器內外流一體化高效并行計算平臺,并采用類X-51 A 飛行器進行驗證[20].準確、高效的算法和GPU 的強大算力顯著降低了開展內外流一體化仿真的門檻.中國空氣動力研究與發展中心開發了高超聲速內外流耦合數值模擬軟件(AHL3 D),建立了三級數值預測體系[21].在設計選型階段利用工程算法和一維模型快速估算發動機關鍵參數.在詳細設計階段采用三維外流與二維內流相結合的方法優化發動機設計.在性能分析階段通過三維內外流一體化仿真考察發動機綜合性能.

圖3 兩種內外流一體化仿真平臺Fig.3 Two software platforms for numerical simulation of internal and external coupling flow

1.2 疊加多物理場的廣義數值飛行

長航時、可重復的超燃沖壓發動機面臨嚴峻的熱安全問題,這是區別于其他類型發動機的一個典型特征.長時間超高溫、強振動環境,尤其是重復使用要求熱界面保持完整、結構內部無疲勞損傷,這些特點對發動機燃燒、傳熱、結構建模分析提出了更高的要求.如圖4 所示,在高超聲速飛行條件下,超燃沖壓發動機中氣流速度快、總溫高,燃燒室燃燒溫度高,壁面冷卻可用流量小,其帶來的力/熱載荷以及發動機內部的高溫氧化環境可能使進氣道壓縮面和燃燒室壁面等結構發生顯著形變和振動,壁面可能超溫并產生防熱涂層剝蝕、材料燒蝕等問題[5-6].壁面熱流與壁面主動冷卻通道內的燃油反應裂解甚至結焦過程相互影響,也會反向影響發動機燃燒性能.極端力/熱載荷的持續作用(約1000 s)和結構高溫下的振動可能使材料發生疲勞、損傷、失效,影響結構熱匹配和熱密封,乃至破壞發動機結構完整性.

圖4 超燃沖壓發動機中的多物理場耦合Fig.4 Multi-physics coupling in a scramjet engine

數值飛行還需要對結構強度、熱氣動彈性及其導致的長時間振動疲勞問題進行評估.薄壁結構和新型材料的廣泛應用,以及防隔熱/承載一體化設計進一步加強了熱、流、固多物理場的非線性耦合[22].可以說,發動機的高效、安全工作強烈依賴于流動、燃燒和結構的合理設計與有效匹配.有必要在內外流一體化仿真的基礎上同步求解傳熱過程、結構變形和結構非穩態響應等多物理場,揭示結構和熱防護系統可能出現的損傷和破壞,支撐發動機熱傳遞調控和設計,此即廣義數值飛行.

長期的研究使人們對多物理場耦合問題的認識日趨深入,建立了一系列關于氣動力、氣動熱和非線性結構等子學科的物理模型,根據物理場的耦合關系構造了強/弱耦合、松/緊耦合、快尺度/慢尺度耦合和單向/雙向耦合等耦合架構.桂業偉等[23]和王梓伊等[24]對相關算法進行了深入的分析和討論.由于超燃沖壓發動機中物理場具有顯著的多尺度和非線性特征,實現全彈道多物理場仿真需要針對不同部件和飛行狀態選取不同物理模型和耦合架構.

在工程應用方面,當前的多物理場耦合求解算法已經能夠為發動機各部件的設計提供較為全面的數據.對氣動熱的分析表明,在高飛行馬赫數下,飛行器表面熱流的峰值可達1 MW/m2量級,不同部位的熱流可相差數個數量級[25].微小的結構變形即可導致局部熱流的劇烈變化[26].力/熱載荷的綜合作用可導致進氣道前緣上翹,并進一步導致進氣道捕獲流量上升和流場品質顯著下降[27].對燃燒室中再生冷卻的研究表明,煤油裂解吸熱的冷卻效果優于流動換熱[28],基于煤油的再生冷卻系統能夠使燃燒室壁面溫度降低至燃氣平均溫度的一半.

目前鮮見發動機燃燒、力、熱耦合的廣義數值飛行計算結果的報道,但針對高超聲速飛行器開展無反應內外流和機體結構力熱耦合分析,已經被成功應用于工程實際.典型的例子是波音公司針對TX-V 高超聲速飛行器開展了全面的內外流一體化仿真和多物理場耦合求解[29-30],極大支撐了TXV 飛行器的方案設計.

在研究的第一階段,以“Boeing Manta 2025”飛行器為參考確定TX-V 飛行器的基準構型.TX-V 飛行器的巡航高度、馬赫數和時間分別為42 km,7和2000 s,全彈道飛行時間約3600 s.如圖5 所示,在飛行馬赫數7 條件下,TX-V 面臨嚴酷的熱載荷和復雜的氣動力.對飛行器傳熱過程和結構變形的分析表明,基準構型的TX-V 飛行器無法收斂.需要優化飛行器結構并將材料的熱膨脹系數降低60%才能實現飛行器設計的封閉.這說明極高的熱載荷不僅需要先進的材料,還需要在設計方法上取得突破.在主要由金屬構成的飛行器中有必要采用允許較大熱變形的柔性結構.

圖5 TX-V 結構響應與壽命預測[30]Fig.5 Structural response and life prediction of TX-V[30]

在研究的第二階段,在飛行器上選取四個典型位置考察全彈道飛行時力/熱/聲載荷對鑲板結構的影響.以第一階段獲得的數據作為各鑲板結構的邊界條件.鑲板1 (Panel 1)位于機體上表面靠近燃燒室的位置,鑲板2 (Panel 2)位于機體的腹部,鑲板3(Panel 3)位于機體上壁面油箱的上方,鑲板4 (Panel 4)在機翼的下壁面,這些位置承受的溫度、聲載荷和機械載荷各有差異.采用相同的研究模式分析各鑲板結構對力/熱/聲載荷的響應.具體研究內容包括傳熱過程、靜力學分析、動力學分析和疲勞失效分析等.相關研究結果對飛行器各模塊的優化設計具有重要的參考價值.波音公司的這些工作驗證了多物理場求解的可行性,雖然還有很多未開展的計算(比如未實現多物理場雙向耦合求解、未模擬材料的變形與疲勞等),但已經初步展現出未來多場耦合設計的前景,這對于發展高保真度的發動機廣義數值飛行技術提供了對照和參考.

2 從數值飛行到數智飛行

近年來人工智能技術的迅猛發展和對傳統領域的賦能作用,為全面提升發動機數值飛行的能力、實現智能化數值飛行提供了可能.從數值飛行到數智飛行,將是數值計算的一次變革和飛躍.首先是全面改善原有數值飛行對應的物理模型、數值計算方法和計算能力等方面的限制,使數值飛行技術更準確、更精確以及更迅速的應用于發動機方案的快速迭代.以人工智能技術和數值飛行的海量數據為基礎,進一步構建智能賦能的數字孿生發動機,可以實現發動機研制模式的變革.

2.1 智能化數值飛行

人工智能技術目前已滲透至數值飛行的各個環節,其對數值飛行技術的優化和提升作用已得到初步驗證.盡管相關研究尚未形成完整體系,數值飛行的智能化趨勢已十分明朗.數值飛行智能化的內涵主要包括網格的智能化生成與自適應、智能化的數值計算方法、高保真的物理模型和高效的數據處理與知識挖掘.

2.1.1 網格的智能化生成與自適應

網格是連接研究對象和數值飛行算法的橋梁,其生成速度和質量直接影響數值飛行的效率和精度.復雜網格的生成和優化嚴重依賴研究人員的經驗.超燃沖壓發動機復雜的內外結構和多物理場的緊密耦合可能給網格的生成與自適應帶來新的嚴峻挑戰.當前網格生成的自動化水平和質量可能無法滿足廣義數值飛行的需求.

自20 世紀90 年代起,神經網絡即被引入到網格生成領域.文獻[31]采用神經網絡預測網格密度.將網格密度輸入“Kohonen”神經網絡后生成最終的網格.文獻[32-33]基于名為Let-It-Grow 的神經網絡開發了一種自動網格生成器.該方法以稀疏網格為基礎,通過神經網絡逐漸將網格節點增加到用戶設定的數值.

近年來人工智能輔助的網格生成與自適應再次成為研究熱點.Zhang 等[34]將計算域的幾何構型、偏微分方程的參數和邊界條件輸入神經網絡,由神經網絡直接生成接近最優的非均勻網格.王年華等[35]采用神經網絡提高陣面推進法的效率,在不降低網格質量的前提下將生成二維非結構網格的時間縮短了近30%.如圖6 所示,在網格自適應領域,文獻[36]采用卷積神經網絡識別邊界層位置,判斷是否需要調整網格密度.上述成果具有重要的啟發意義,但是使人工智能在網格生成和自適應領域完全代替人工經驗仍然需要開展更深入、更系統的研究.

圖6 基于卷積神經網絡的網格分類器[36]Fig.6 A mesh classifier based on convolutional neural network[36]

2.1.2 數值計算方法的智能化

超燃沖壓發動機的工作過程具有顯著的多尺度特征.從微觀的界面燒蝕、結構損傷、小尺度渦摻混反應,到宏觀的結構變形、疲勞破壞、流動燃燒模式切換.從高頻的機械振動和熱聲振蕩,到低頻的結構顫振和流場喘振.精確求解各物理場在不同空間/時間尺度上的特征需要進一步提升數值計算方法的精度和效率.人工智能技術在圖像超分辨率重構和數據壓縮等領域的成果對提升數值飛行的空間和時間分辨率具有重要參考價值.以卷積神經網絡為主的模型可根據稀疏網格的計算結果重構高分辨率的湍流結構[37].進一步考慮湍流結構隨時間的變化,采用多個時刻的流場作為神經網絡的輸入,可獲得更符合物理規律的高分辨率重構流場[38].自編碼器能實現流場數據的壓縮,也可根據少數時間步的流場重構高時間分辨率的動態流場[39].

在加快數值計算的速度方面,人工智能在計算機動畫領域的應用已比較成熟.相比于求解控制方程,人工智能算法直接生成物理場可獲得1 × 103量級的加速比[40].基于U-Net 結構設計的神經網絡(見圖7)已能夠比較準確地預測機翼繞流[41]和凹腔燃燒室的反應流場[42],平均計算誤差在3%以內.計算效率的大幅提升使實時仿真成為可能.但是上述研究主要集中在二維問題,將相關方法進一步拓展到超燃沖壓發動機三維物理場構建還需要開展更為深入的研究.

圖7 基于神經網絡的流場快速預測[42]Fig.7 Fast flow field prediction based on neural network[42]

2.1.3 高保真的物理模型

高保真的物理模型是準確模擬多物理場的前提.關于超燃沖壓發動機中物理現象的模型已比較豐富,但是對部分物理現象的認識仍不夠深入,模型的精度和效率有待提升.多物理場耦合的機理尚不明確,而且短期內在理論分析上取得突破性進展比較困難.以理論分析和人工智能技術為基礎,構建物理約束與數據驅動相結合的物理模型是未來的發展趨勢.

采用人工智能技術改進傳統物理模型是該領域的研究熱點.例如利用人工智能算法和試驗數據提升數值仿真預測壁面湍流剪切應力[43]、機翼表面壓力系數[44]和邊界層轉捩位置[45]等流場關鍵參數的能力.相比于一般的神經網絡,嵌入了不變性特征(伽利略不變性和旋轉不變性等)的神經網絡具有更好的表現[46].基于人工智能技術的物理模型也可完全取代傳統物理模型.Zhu 等[47]驗證了采用神經網絡代替“Spallart-Allmaras”模型的可行性,構建神經網絡的過程如圖8 所示.以神經網絡為基礎的模型成功預測了亞格子應力[48]、熱流[49]、燃燒化學反應速率[50]和進度變量耗散率等[51]關鍵參數.

圖8 構建數據驅動湍流模型的流程圖[47]Fig.8 Flow chart for building a data-driven turbulence model[47]

為進一步提升預測反應流場的效率和精度,任嘉豪等[52]采用神經網絡和隨機森林建立了湍流火焰切向應變率的低維預測模型.Wan 等[53]建立了基于神經網絡的燃燒化學反應機理,其計算速度是詳細化學反應機理的25 倍.Pulga 等[54]實現了神經網絡與傳統燃燒化學反應機理的高度融合,在保證較高計算精度的條件下大大縮短了計算時間.Chung等[55]采用隨機森林分類器識別流場中的不同燃燒模式,并據此選擇不同的燃燒模型.該方法的計算精度顯著高于單一燃燒模型.此外,人工智能技術也可評估物理模型和數值計算方法的不確定度[56-57],為進一步優化模型參數提供參考.

2.1.4 數據處理與知識挖掘

超燃沖壓發動機的數值飛行會產生海量的多物理場數據.人在回路的研究方法無法從海量數據中快速歸納發動機工作的基本原理,準確提取設計發動機的關鍵參數.有必要利用人工智能技術強大的特征提取能力和非線性映射能力輔助數據處理和知識挖掘.人工智能在該領域的應用主要分為多物理場特征結構識別、高維數據降階和構建關鍵參數的預測模型三個方面.

目前,識別特征結構的方法大多依賴于研究人員對物理現象的認識,這導致相應的方法易受主觀影響[58].人工智能技術提供了一種解決上述問題的方案.基于卷積神經網絡的特征結構識別方法已在回流區識別[59]、快速激波檢測[60]和流線/流面提取[61]等方面取得成功,典型結果如圖9 所示.在新特征結構的識別方面,文獻[62]采用聚類算法發現了混合層中的單/雙渦相互作用和多渦相互作用,證明了人工智能技術發現新特征結構的能力.

圖9 Shock-Net和Tecplot 軟件識別的激波[60]Fig.9 Shock waves detected by Shock-Net and Tecplot[60]

以本征正交分解為代表的降階方法可以降低數據的維度和復雜性,構建降階模型.但是傳統降階方法可能難以處理具有顯著高維度、非線性、隨機性和多尺度等特征的多物理場數據[63].為拓展傳統降階方法的適用范圍,Pawar[64]等采用本征正交分解和長短時神經網絡分別模化已知和未知的物理現象(如圖10 所示),取得了遠高于傳統降階方法的精度.文獻[65-66]的研究表明,完全數據驅動的模型降階方法也能夠處理復雜的動力學系統.降階模型既可快速預測物理場變化,也可大幅降低設計物理場控制方案的難度,對發動機智能控制具有重要意義.

圖10 基于本征正交分解和長短時記憶神經網絡的混合模型降階方法[64]Fig.10 A hybrid model order reduction method based on proper orthogonal decomposition and long short-term memory neural network[64]

從數值飛行數據中提取關鍵參數并建立基于神經網絡的預測模型可以實現快速工程估算.該方法已被用于預測飛行器表面熱流[67]、評估氣膜冷卻效果[68]和氣動性能分析等方面[69].得益于豐富的數據和神經網絡強大的非線性映射能力,數據驅動的方法能夠取得與數值計算相當的預測精度.

2.2 超燃沖壓發動機智能數字孿生體

數值飛行智能化能夠提升傳統數值飛行技術的準確性、空間/時間分辨率和計算速度.進一步采用人工智能技術融合數值飛行數據、試驗數據和以往研究成果,構建數據驅動與物理約束相結合的超燃沖壓發動機數字孿生體,可以加快發動機技術迭代,體現了數智飛行對傳統發動機研發模式的突破.

2.2.1 數字孿生技術在航空發動機中的應用

數字孿生是一種基于高保真物理模型、傳感器實時數據和歷史數據的虛擬模型,能夠完整刻畫物理系統的全壽命工作狀態[70].該技術最初被應用于開發面向未來的飛行器,近年來被逐漸引入到推進系統領域.

劉永泉等[71]和劉婷等[72]詳細闡述了航空發動機數字孿生概念.如圖11 所示,航空發動機的數字孿生體主要包括一系列面向發動機不同視角構建的數字化模型.發動機實體和數字孿生體之間的動態交互使該技術能夠在發動機的全生命周期內發揮作用.在發動機設計階段,根據發動機關鍵指標構建數字樣機,在虛擬空間中實現發動機設計的快速優化.在發動機生產/試驗/運行/維護階段,源自實體發動機的數據不斷提升數字孿生體的精度.數字孿生體對發動機工作狀態的實時預測可為故障診斷、控制優化和性能預測提供參考,大幅降低發動機的運行維護成本.

圖11 航空發動機的數字孿生體Fig.11 Digital twin of an aero engine

2.2.2 超燃沖壓發動機智能數字孿生體的內涵

相比于航空發動機,超燃沖壓發動機的工作環境更加嚴酷、物理過程更加復雜、各部件耦合更加緊密.其技術成熟度和實際壽命遠低于航空發動機.基于當前的技術基礎,數字孿生體在超燃沖壓發動機優化設計和試驗驗證等方面具有更廣闊的應用前景.數字孿生、人工智能和數值飛行的跨領域融合將為超燃沖壓發動機研制注入新的動力,推動發動機研發模式的變革.

結合超燃沖壓發動機的特點和發動機研制的需求,本文提出了能夠精確刻畫發動機不同層次關鍵參數的智能數字孿生發動機.如圖12 所示,數值飛行數據、試驗數據和先驗經驗是構建數字孿生體的數據基礎.采用人工智能技術提取數據中蘊含的物理規律,根據數據的可靠性校驗并融合多源數據.

圖12 超燃沖壓發動機的數字孿生體Fig.12 Digital twin of a scramjet engine

在完成數據深度挖掘和融合的基礎上建立包含三級預測模型的數字孿生體.第一級是關于發動機比沖和升阻比等關鍵參數的零維/一維數學模型.通過輸入發動機幾何構型和來流條件等參數快速(約0.01 s)估算發動機各部件和整機性能,獲得發動機優化設計的宏觀規律.第二級是利用U-Net 網絡、自編碼器和對抗性生成網絡等人工智能技術構建能夠以約0.1 s 的速度生成發動機進氣道、燃燒室和尾噴管等部件多物理場的預測模型,獲得部件級多物理場的主要特征.在部件級預測模型的基礎上構建能夠以約1 s 的速度生成發動機整機多物理場的預測模型(第三級),分析各部件間的耦合作用.

2.2.3 虛實交互的發動機研發模式

數字孿生體是實體發動機在虛擬空間中的映射.在虛擬空間中構建和優化發動機可大幅降低研制成本,縮短研發周期.數字孿生體在超燃沖壓發動機設計中的應用如圖13 所示.數字孿生體包含的三類模型分別對應發動機虛擬設計的三個階段.

圖13 數字孿生體在超燃沖壓發動機設計中的應用Fig.13 Application of digital twin in the field of scramjet engine design

在發動機設計的初期,利用關鍵參數的數學模型反演基本滿足各項設計目標和約束條件的發動機構型,分析影響發動機性能的主要因素.確定發動機基準構型后,采用各部件預測模型生成發動機內部多物理場.根據多物理場細節進一步優化各部件設計,探索發動機性能的極限.在虛擬設計的第三階段,通過整機預測模型生成發動機在不同飛行狀態下的完整多物理場,著重分析各部件之間的耦合作用對發動機性能的影響,明晰誘導和削弱耦合作用的主導因素,實現發動機不同彈道的虛擬飛行.

完成發動機在虛擬空間中的初步設計后,開展地面試驗和飛行試驗以驗證設計方案.在長程試驗中,發動機內部存在多種流動、燃燒模式,發動機結構應力/應變不斷發生變化.有必要在試驗中對發動機工作狀態進行實時仿真.這樣數智飛行已經不只是一種評估手段,而是與真實試驗相融合,特別是針對各種變工況、大機動、變馬赫數等瞬變條件能夠實時地反饋,對在地面準定常試驗極其難以評估的情況實現判讀,比如發動機燃燒不穩定、結構疲勞和可靠性等.

基于當前的數值計算方法和計算硬件,在億級網格下高精度求解發動機非穩態多物理場在一秒內的變化需要一周乃至更長時間.智能化發動機數字孿生體提供了一種解決的方法.在試驗中,實體發動機及其數字孿生體并行運行.數字孿生體根據飛行條件和傳感器的數據感知實時生成發動機多物理場.基于人工智能技術的數字孿生體無需求解控制方程且容易實現并行計算,其運行速度可比傳統的數值計算方法高數個數量級.通過采用循環神經網絡和長短時記憶神經網絡,數字孿生體可獲得處理時間相關數據的能力,實現對發動機工作狀態的實時監測和評估,特別是對于狀態的瞬變過程,可以給出快速評估.試驗結束后可利用試驗數據進一步提升數字孿生體的精度.

顯然,依托試驗校正的數字孿生體開展試驗復盤和參數化虛擬試驗能夠減少試驗次數、削減試驗成本、加快技術迭代.對于更高階精度的數智飛行的應用,還可以作為一種標準和規范,用于方案階段的全彈道飛行考核,并作為研制程序的環節,真正提升方案設計水平.

3 超燃沖壓發動機數智飛行的發展重點

充分發揮人工智能對發動機研發的賦能作用,實現從數值飛行到數智飛行的跨越,需著重開展以下三個方面的工作.

3.1 數據驅動與物理約束的有機結合

人工智能在提升數值飛行精度和效率等方面的作用已得到初步驗證.基于人工智能算法的各類預測模型也具有較高的預測精度.但是,作為一種數據驅動的研究方法,該方法存在物理意義不明確、可解釋性不足和泛化能力有限等問題.由于獲得多物理場數據的高昂成本,無法通過大幅擴充樣本數量的方法解決上述問題.這使得物理約束在數智飛行領域尤為重要,構建相關模型時需采用數據驅動與物理約束相結合的方法.

目前主要有兩種將物理約束嵌入人工智能模型的方法,分別是改進樣本數據分布[46]和構造自定義損失函數[73].合理設計樣本數據分布可將伽利略不變性和旋轉不變性等規律嵌入模型,但是該方法很難使模型自然滿足各類守恒律(例如質量守恒、動量守恒)和其他物理約束.在常見損失函數的基礎上添加各類物理約束的殘差可使人工智能模型的預測結果盡可能滿足已知物理規律.但是殘差項系數的設置依賴研究人員經驗.過大的系數可能導致物理場細節消失.在后續研究中,有必要針對發動機數值仿真和多物理場的特點開發本領域獨特的激活函數、神經元、網絡結構和優化算法等,使相關模型自然滿足各類物理規律和先驗經驗.

3.2 智能化多物理場聯合仿真平臺

超燃沖壓發動機工作過程中涉及復雜的物理現象,且各物理場緊密耦合.相關物理現象具有顯著的非線性和多尺度特征,涉及不同的控制方程和求解方法.人工智能的引入使相關算法更為復雜.實現智能化多物理場聯合仿真需要構建一個囊括豐富物理模型和多種求解器的仿真架構,并建立擁有強大算力的計算平臺.

在軟件方面,FlowStar,OpenFOAM,CFDFASTRAN和NASTRAN 等一系列開源或商業軟件已能比較準確地求解單個物理場.COMSOL和ANSYS 平臺已可以實現多物理場的松耦合求解.但是目前尚無能夠準確求解超燃沖壓發動機中多物理場耦合效應的仿真平臺.構建聯合仿真平臺一方面要充分吸納現有代碼,另一方面要針對超燃沖壓發動機的特點開展優化,在保證物理場緊密耦合前提下盡可能實現各求解模塊的解耦.目前計算機硬件發展飛速,E 級巨型機、GPU 異構并行都投入使用,結合計算硬件體系開展大規模高效率求解多物理場是智能化數值飛行的重要發展方向.

3.3 發動機數字孿生體的構建

基于多源數據構建實體發動機的數字孿生體是實現虛實交互的發動機設計的關鍵.數字孿生體的精度和效率直接影響發動機虛擬設計和虛擬飛行的工程應用價值,決定了數字孿生體能否在地面/飛行試驗中實時監測和預測發動機工作狀態.

構建高保真、高效率的發動機數字孿生體至少可以從以下幾個方面著手.一是進行數據降維,根據發動機設計需要合理舍棄部分物理場細節,降低建模難度.二是在飛行包線內科學選取典型工況和發動機關鍵設計參數,降低準備數值飛行數據庫和訓練預測模型的計算成本.三是根據發動機中的關鍵物理現象(如激波和反應回流區等)和各物理場之間的約束關系有針對性地設計模型結構和訓練方法.四是不斷將發動機研發獲得的新數據輸入數字孿生體,使數字孿生體隨發動機設計方案動態進化.

4 總結

超燃沖壓發動機數值飛行旨在利用內外流一體化仿真研究發動機從啟動到完成各種狀態和工況到最后關機的全過程,分析內外流的耦合作用和影響因素,預示發動機性能和工作穩定性.廣義數值飛行還需在內外流一體化仿真的基礎上同步求解傳熱過程和結構形變等多物理場,揭示多物理場耦合效應對發動機綜合性能和熱結構安全的影響,預示發動機的可靠性.相關模型、算法的發展和計算硬件算力的提升使廣義數值飛行有望在未來5 年內實現.

伴隨著人工智能的興起,相關研究方法正快速滲透至發動機數值飛行的各個方面.基于數值飛行的發展趨勢,本文提出“數智飛行”這一概念.數智飛行的具體內涵主要體現在以下兩個方面:一是借助人工智能突破數值飛行的發展瓶頸,全面提升數值飛行的準確性、精度和速度,提高數據處理和知識挖掘的效率.二是利用人工智能技術融合數值飛行數據、試驗數據和先驗經驗,并在數據融合的基礎上構建實體發動機的數字孿生體,最終實現虛實交互的發動機設計.基于數值飛行和人工智能的發展水平,有望在未來10 內實現超燃沖壓發動機數智飛行.