基于深度神經網絡的超聲速民機機翼結構設計

摘要：目前對超聲速民機機翼的研究主要側重于低聲爆設計技術和超聲速減阻技術，針對機翼結構設計的研究相對較少。因此，提出了一種面向超聲速民機初步設計階段機翼結構設計的多級優化方法，包括機翼結構布局參數化建模、結構尺寸優化有限元模型的自動生成、深度神經網絡代理模型的搭建與訓練，以及基于深度神經網絡代理模型進行優化求解。分析結果表明，提出的優化策略能夠對超聲速民機機翼結構進行良好的快速設計，深度神經網絡模型相比于傳統代理模型具有更高的預測精度，提高了機翼結構初步設計的效率。

關鍵詞：超聲速民機；參數化；深度神經網絡；代理模型；結構設計

中圖分類號：V221 DOI： 10. 16579/j. issn. 1001. 9669. 2025. 04. 015

0 引言

世界現役民機的主流仍為高亞聲速民機，其在遠程航線飛行，尤其是在洲際旅行上花費時間過長，這使得其乘坐舒適度以及經濟效益大大降低，難以滿足未來人們對快速旅行的需求。因此，超聲速民機已成為世界民機未來發展的主要方向之一。世界主要航空強國為了搶占世界民機技術的制高點，也一直在加速發展超聲速民機［1］。

歷史上，對超聲速民用飛行的研究始終是民航界乃至全人類的追求。20世紀60年代，英法啟動了“協和”式［2］研制計劃，同一時間，蘇聯開啟了Tu-144［3］研制項目。當時美國的知名航空公司也啟動了多個超聲速民機型號項目［4］。最終只有“協和”式和Tu-144研制成功并投入運營。但該兩種機型自問世以來備受成本效益、環境破壞以及聲爆等因素困擾，并未大規模推廣使用。進入21世紀后，各研究機構吸取前面研制的教訓，新的超聲速民機研究計劃中許多指標如巡航馬赫數、最大起飛質量比前代大幅降低。影響力較大的超聲速民機布局方案有日本宇宙航空研究開發機構推出的S4［5］、洛克希德·馬丁公司推出的QSTA［6］等。另外，美國國家航空航天局（NASA）研制了一款代號為X-59 QueSST的低聲爆驗證機，其縮比模型已經進行了低聲爆風洞測試，并計劃于后續展開飛行試驗［7］。

近年來隨著高精度數值仿真技術、新型飛機設計流程、先進推進技術的飛速發展，各種多學科分析和先進布局理念開始應用于超聲速民機機翼設計，對此國內外進行了很多研究。丁玉臨等［8］對超聲速民機的發展歷史以及國內外在超聲速民機設計技術上的研究現狀和發展趨勢進行了闡述和分析。袁吉森等［9］針對各種阻力在超聲速巡航狀態下產生的影響，分析了超聲速層流氣動外形設計與優化技術的研究歷程與進展。SERAJ等［10］通過參數化進行氣動外形優化的方法權衡考慮了超聲速機翼在高速和低速條件下的性能和穩定性。LI 等［11］ 基于計算流體力學（Computational Fluid Dynamics， CFD）建立了多學科設計優化（Multidisciplinary Design Optimization， MDO）框架，用于設計低聲爆等多個任務約束的機翼構型。ESPINAL等［12］采用新型超聲速雙向飛翼概念設計了一款滿足低聲爆、低波阻和高性能的全新布局形式。MELLQUIST等［13］利用直接歐拉-拉格朗日耦合方法對三維超聲速機翼風洞模型進行了氣動彈性計算模擬。由上述介紹可以看出，針對大型超聲速民機機翼的氣動設計及聲爆問題的研究較多，但在結構布局優化和質量估算方面的研究相對較少。

目前，隨著有限元仿真技術的快速發展，基于有限元的質量估算方法廣泛應用于飛機的概念設計過程。然而，機翼結構優化過程中大量的有限元分析會消耗許多時間，不利于工程實踐。為了提高優化效率，構造代理模型通常是有效的方法。常見的代理模型包括多項式響應面模型、徑向基函數模型以及Kriging模型等。但是，由于多學科及多層次參數在飛機概念設計中的使用，傳統代理模型的預測精度已不能滿足當前的優化需求。近年來，深度學習技術憑借其優秀的學習預測能力逐漸融入各個學科領域。唐佳棟等［14］利用一維卷積神經網絡代理模型，針對大展弦比機翼的結構輕量化進行了優化設計。屈經國等［15］建立了一種基于深度神經網絡的預測模型，實現了任意翼型的結冰預測。DENG等［16］構建深度卷積神經網絡模型來識別流場中的渦流。SáNCHEZSáNCHEZ等［17］通過深度神經網絡來驅動部分機載決策系統來獲取最佳著陸控制系統設計。

相比于傳統代理模型，深度神經網絡可以將特征學習和預測學習有機地整合到一個模型中，十分適合應用于多參數、多層次、高復雜度的機翼結構優化問題。本文將采用深度神經網絡作為代理模型，對超聲速民機機翼的主要結構設計參數進行訓練，完成機翼結構布局優化、尺寸優化的工作。