平凉市网站建设_网站建设公司_字体设计_seo优化

个人简介：

张巧，西北工业大学航空学院2021级力学专业博士研究生，师从张伟伟教授和杨党国研究员，主要研究方向为流声机理及气动噪声建模方法。博士期间曾获国家奖学金、科研创新专项奖学金、优秀研究生、一等学业奖学金，互联网+国赛金奖等荣誉。在读期间以学生一作发表论文9篇，公开发明专利2项。

论文题目：跨声速抖振流声机理分析及其气动噪声建模研究

答辩时间：2025年2月28日

论文简介：

跨声速抖振会引发较大的气动噪声和气动载荷，不利于乘坐舒适性和飞行器结构性能。相关学者对抖振流声机理展开深入研究，但对随迎角变化的抖振现象，及深抖振机理还未达成共识。本文以跨声速抖振为主要研究对象，针对深抖振流声机理研究不足、及高精度气动噪声数据获取难、数据仿真与试验测量数据一致性差、利用率不足三类问题展开研究，主要内容有：

1）针对深/浅抖振划分不明，深抖振流声机理不清晰等问题，结合数值仿真和试验测量技术探究了迎角增加对抖振流声特性的影响，提出了深/浅抖振划分准则，揭示了深抖振类型流声特性。结合力系数响应、流动失稳、流动模式失稳分析激波运动与非定常流动特性的联系，指出激波从最下游上行至平衡位置阶段是判断深/浅抖振的关键。若该阶段附着流持续时间占主导，为浅抖振；反之，为深抖振；且浅抖振向深抖振的转变类似于单频激波振荡的双态平衡状态向周期加倍的混沌系统的发展过程。深抖振的流声特性主要表现在三个方面：一是激波运动形式及附面层引发的分离模式改变；从A类激波运动变为A/C类激波组合运动形式，从第二种分离模式转变为第一种附面层引发的分离模式；二是深抖振存在激波与上行波碰撞，部分激波向远场传播等现象；三是，声场强度及声源位置发生改变，声源逐渐向尾缘转移。

2）针对脉动压力传感器昂贵、近场测量数据稀疏等问题，基于随机森林算法构建了跨声速抖振气动噪声重构模型，并以频率特征输入为突破口，实现了翼型表面声载荷重构的空间位置泛化。气动噪声与常规测力数据的差异性在于气动噪声数据具备时空耦合特性，捕捉多尺度效应是关键。对比输入特征和建模方法对重构精度的影响，发现频域模型的建模优势及频率信息是气动噪声数据的重要特征。基于随机森林算法，将空间位置、流动状态及频率信息作为输入特征发展了跨声速抖振气动噪声时空重构模型-单频模型，测试了其建模精度及三维适用性，并结合互相关分析给出了该方法的适用性准则。研究指出，当相邻监测点流动相关性较高时，该算法基于小样本数据即可实现空间位置的泛化，适用于含展向效应的情况，比全连接神经网络模型预测误差低1-2个量级。

3）结合注意力机制与U-Net网络架构发展了面向多状态的跨声速抖振气动噪声预测模型以实现流动状态泛化性，达到降低试验车次，节约成本的目标。以翼型抖振气动噪声为例展开研究，本文对比了卷积和多专家两种不同的深度学习算法，评估低维特征数、样本量及测量点数据对建模精度的影响，提出了基于通道注意力机制的U-Net网络模型预测跨声速抖振气动噪声。该模型具备自特征学习能力，全局和局部信息关联性强的特点，可采用仅300个气动噪声数据和8个测量点位置实现流动状态(Ma＝0.7~0.9)及空间位置(共26个测点)的高精度泛化，预测集平均相对误差小于1%。

4）针对仿真数据样本量大，试验数据可靠性高的优势，基于压缩感知算法发展了面向多源数据的跨声速气动载荷融合模型，以降低实验成本，提高多源数据的利用率。研究发现，以基于随机森林算法的单频模型为融合方法的基函数，打破了传统本征正交分解方法基于线性假设的局限，避免拐点失真及高频发散等现象，改善了建模精度；压缩感知算法及试验数据的引入，突破了单频模型的精度局限，实现了流动状态及空间位置的泛化。该方法可根据约10个传感器数据使全流动状态/空间位置的频谱及总声压级相对误差小于0.2%，流动模态的均方误差小于5.00×10-5。此外，该算法可推广至低温风洞测试试验中，可基于5个测压数据重构飞行器舵面铰链力矩和法向力，使其相对误差保持在5%以内，突破了试验测量对传感器数量的需求，有力推动了智能风洞发展。

博士论文答辩PPT

复杂非定常流动伴随强烈的压力脉动，可能产生高强度气动噪声，不利于飞机作战性能及客机舒适性，甚至还会引发声振耦合或声疲劳现象导致飞机结构损伤。随着绿色航空发展，降噪设计成为未来飞行器研制过程中的关键环节。明确气动声学背景，厘清流声机理对降噪设计至关重要。

跨声速流动中，激波附面层干扰引起激波周期性自激振荡，称为跨声速抖振；该现象不利于飞行安全及结构完整性。为抑制该现象，常从两方面入手：一是翼型优化延迟抖振边界；二是深入流声机理以流动控制方式减缓抖振。本文研究的气动噪声以跨声速抖振近场非线性区流动特征引起的。

抖振分类可以探究非定常问题的共性，随着研究深入，有学者将抖振后小迎角范围认定为浅抖振，将较大迎角分为深抖振。浅抖振为典型的A类激波运动，流声机理清晰，流动控制手段有效；目前，深抖振流声机理尚不清晰，深、浅抖振划分并不明确，后续将依次展开研究。

气动噪声数据获取手段有，理论模型、数值仿真和试验测量，各有弊端，如高精度气动噪声获取难，计算和试验数据差异大；机器学习方法实现了快速获取气动噪声，但预测精度不足；借助机器学习手段可根据稀疏试验测点重构声场分布或声载荷，但目前仅用于理想流动状态简单轴对称几何构型中，如涵道风扇。对于复杂翼型或空腔问题仍然存在局限性。

当针对前面我们梳理的三类问题，抖振流声机理研究不足，气动噪声计算周期长成本高，声学测量结果单一，不同来源数据一致性差这三类问题，我们展开多角度研究。针对问题一，我们结合高精度数值仿真和试验测量技术，探索了深、浅抖振流声特性并为后续研究提供数据支撑；后续，我们结合机器学习方法与稀疏气动噪声数据进行高精度气动噪声时空重构，一定程度上解决了高精度气动噪声数据对传感器数量的依赖；在此基础上，在第六章结合深度神经网络模型发展了具备流动状态泛化性的气动噪声预测模型；最后，结合不同数据来源预测气动载荷，实现低成本丰富高精度气动噪声数据库，助力智能风洞建设的目标。

下面将对研究方法进行介绍。本文采用工程中常用的混合方法计算气动噪声。首先，定常流场数值模拟获取定常解作为非定常数值模拟的初解；然后DDES方法计算非定常流动，并据此建立等效声源；最后，根据声源信息求解声方程，计算远场气动噪声。

然后，采用两个算例说明本文计算方法的准确性和可行性。在低速三段翼构型中，我们从定常的压力系数，到非定常瞬态展向涡量，及气动噪声谱特性的对比全面验证了缝翼气动噪声计算的准确性。

针对跨声速抖振问题，我们针对跨声速翼型标模开展了数值仿真和试验测量。数值仿真包括URANS和DDES，试验测量是在高速所风雷21完成，包括静/动态压力，油流试验，PSP试验等。

从定常压力系数分布，不同位置监测点动态压力系数分布形式及抖振边界多个视角验证了仿真能力的准确性。

下面介绍本文研究内容一：抖振类型及深抖振流声机理研究

针对深、浅抖振缺乏划分准则的问题，首先联合数值仿真和试验测量方法确定抖振边界，然后建立升力系数与激波振荡的联系，并考察迎角增加对抖振力系数响应及流动特性的影响，进而提炼出深浅抖振划分准则；进一步在变几何外形和流动状态多角度进行准则的验证。

首先，结合试验测量的静/动压系数及数值仿真获取的升力系数响应及回流区振荡等方法判断Ma=0.71，Re=14.1×105流动状态的抖振始发迎角为5°。

根据一个周期内激波运动过程及其与升力系数响应的对应关系，可将激波运动分为四个阶段。从最上游下行至平衡位置，从平衡位置下行至最下游；从最下游上行至平衡位置，直到上行至最上游四个部分。前两个部分对应升力系数上升段；后两个部分对应升力系数下降段。

然而不同阶段激波运动及流场分布又如何呢？我们给出了升力系数上升段不同时刻压力梯度分布，发现激波下行过程中，也就是升力系数上升段；激波不断增强，抑制了激波脚后的流动分离，流动附着性增加，流场会变得更加稳定。

然而，升力系数下降段，激波上行。该过程增加了气流阻力和流动不稳定性；激波脚后更容易出现流动分离，使流场趋于紊乱。

此外，升力系数下降段会在一定时刻出现高频振荡；结合流动现象及流动稳定性分析可知，这些高频振荡意味着流动失稳及流动模式的改变，其与剪切层中下游及尾缘涡结构有关。由于浅抖振向深抖振的转变过程是流场复杂性增加的过程中，这意味着升力系数下降段对应的激波上行过程是判断抖振类型的关键。

进一步探索迎角增加与力系数的关联。可以发现，随着迎角增加，升力系数下降段高频脉动不断向峰值处攀升，抖振频率增加。我们采用附着流维持时间与升力系数下降段的时间占比来描述这一现象，对应右图。这意味着激波脚后边界层再附现象不断减少，更快发生流动失稳及流动模式的改变。也就是说浅抖振向深抖振的转变是激波上行过程中附着流持续减少，流动稳定性逐渐减弱的过程。而这种从单频倍周期向高频特征占比增加的离散窄带特性的转变是否存在清晰的边界，我们将从流动结构的角度进行解析。

根据不同迎角流场分布情况，发现当迎角增加到一定程度，即附着流持续时间与下降段时间占比小于1/4时，流场出现剪切层卷缩模型及部分激波以声波的形式向自由来流耗散等现象，具备显著的深抖振现象。又因为抖振后，激波从平衡位置上行至最上游过程均对应升力系数振荡特性，因此，我们可以认为激波从最下游上行至平衡位置过程中，附着流持续时间较小时，会出现深抖振现象。

基于以上分析，我们可以根据迎角增加对流动特性的影响，总结出深、浅抖振划分准则。即当激波从最下游上行至平衡位置过程中，附着流持续时间占主导，为浅抖振；反之，则为深抖振。整个变化的过程类似混沌系统的发展过程，即抖振前到抖振后，类似于平衡状态向不稳定状态的转变；而浅抖振向深抖振的转变类似于单频主导的双态平衡状态发展为倍周期的高频特性过程。

关于上述我们提出的浅抖振和深抖振准则在已公开的参考文献和试验测量里面其他状态/其他外形是普适的。

进一步探究深抖振流声特性，发现深抖振状态压力阶跃更早发生，且抖振频率附近存在谐波频率。

此外，深抖振状态Lamb矢量的旋度有三层剪切层结构，与大尺度涡结构相互作用形成剪切层卷缩模型；其对应的流向跨度及流向速度更高。

此外，深抖振中还观察到激波与上行波碰撞现象；而这种现象为高频特征，并非主要声源。

对应的声源范围和声场强度更广，说明抖振频率是降噪设计的关键。

考虑到高精度气动噪声数据获取难、试验测点稀疏的问题，我们结合机器学习方法开展了跨声速抖振气动噪声时空重构研究。

结合随机森林对含噪数据的高精度获取能力，对比研究了建模方法及特征选择对重构精度的影响，并测试了其泛化能力及其与不同算法的精度，据此，提出了具备气动噪声时空重构能力的单频模型。

首先，从特征选择和建模方法的角度分析建模精度，测试激波区和尾缘区监测点PSD结果的预测精度。我们将来流参数及坐标位置作为随机森林算法的输入，来得出各监测点各时刻对应的压力分布。研究发现，该方法仅能有效捕捉大尺度的周期特性，无法捕捉小尺度特征，导致高频信息损失严重；然后我们将时域结果转为频域建模，将来流参数及坐标位置作为输入特征，预测整个频段的PSD信息；该方法对低频特征的重构能力更高，可有效捕捉高幅值离散窄带特征，但在多尺度耦合的宽频特征占主导的频谱中存在预测失效或精度不足的问题。这也解释了之前文献中随机森林算法在低强度波瓣表现出精度不足的问题。

而频率信息是气动噪声频谱的重要组成特征，我们将频率信息纳入到输入特征中，是否能改善精度不足的问题。据此，我们发展了频率信息嵌入的单频模型，即将频率信息也纳入到输入特征中，发现其可有效改善宽带频谱预测精度不足的问题，充分说明了建模方法和特征选择对建模精度的影响及其重要性。

与对频谱特性进行降阶重构的POD方法进行对比，发现我们的算法比前十几阶基函数重构的误差低2-3个量级，据此验证了单频模型的重构精度。

此外，我们对比其了该算法对空间位置及其展向效应存在下的适用性。发现该算法具有良好空间泛化性，在展向效应下可具备高精度预测PSD的能力。

对比该方法与常规神经网络多层感知机的建模能力，发现单频模型精度更高，在预测总声压级分布中无拐点失真，可基本实现流动状态的泛化。

以含复杂流动现象的深抖振状态为例，测试单频模型在复杂流动状态不同空间位置预测气动噪声频谱的能力。发现单频模型比MLP预测结果的误差低3个量级左右，在激波振荡区，回流区，激波与上行波碰撞区及尾迹区均呈现良好的预测能力。

最后，我们从泛化性，预测精度和成本三个方面分析单频模型；发现该算法具有良好的空间泛化性，无高频发散现象；且该方法比MLP算法预测误差低2-3个量级，充分说明了该方法处理高维数据的优势及合理的建模方法和特征选择对建模精度的重要性；此外，该方法单次运行时间仅3.5s左右，比MLP训练时间快10倍以上。充分说明了单频模型具有显著优势。

那这种方法在流动状态的泛化性如何呢，观察发现，该方法PSD的绝对误差在3dB左右，流动状态泛化性不足。

此外，分析MLP算法预测精度不足的原因，可能是网络架构不合适或者是输入数据分布不平衡导致的。

由于上述流动状态泛化性不足及MLP算法预测精度不足，我们开展了面向多流动状态的抖振气动噪声深度学习建模研究。主要从两方面展开。一是，构建了多专家特征融合网络架构，解决了气动噪声数据中流动状态与空间位置分布不平衡，从而导致的MLP方法预测PSD精度不足的问题。二是，发展了基于通道注意力机制的U-Net网络实现流动状态泛化。

由于气动噪声数据分布为一个流动状态对应多个监测点PSD的形式，我们借鉴了混合专家网络架构，建立了流动特征编码器和空间特征编码器分类学习，以解决此前神经网络对空间位置赋予权重过多，从而导致预测精度不足的问题。

以深抖振变空间位置及变流动状态PSD结果测试多专家特征融合网络的建模精度和流动状态的泛化性，发现该算法的MSE可以达到-5次方量级，比MLP预测PSD幅值的绝对误差低3-10倍。

为解决单频模型流动状态泛化性不足的问题，我们利用卷积神经网络的自特征学习能力补充浅层神经网络学习不足的问题；引入通道注意力机制，避免了卷积神经网络中卷积核尺寸小，感受野不足等问题，发展了基于通道注意力机制的U-Net深度神经网络预测模型。右侧的分别为以一个PSD数据为例的U-Net网络架构和通道注意力机制的图。

测试引入通道注意力机制的U-Net网络架构，MLP算法及单频模型，发现该方法可有效降低训练集及预测集的整体损失约2-3个量级，具有更高的全局预测精度。此外，对比不同低维特征对预测精度的影响，发现当低维特征足以表征气动噪声频谱问题的复杂性时，结果呈收敛趋势，因此后续我们选择的是8个和16个低维特征。

随后，探索该算法对训练集数量及监测点数量的需求边界并进行交叉验证，给出了均方误差及相对误差随样本量变化的趋势。

其中临界样本量随机选取的预测结果如图所示，据此可知当训练集数量大于三百，上翼面监测点个数大于8时，气动噪声频谱的平均相对误差小于1.00E-2.

针对CFD与试验测量结果一致性差的问题，我们展开了面向多源数据的跨声速气动载荷模型，并将其应用至定常的气动力载荷和气动噪声载荷预测过程中。低温风洞铰链力矩测量中，测力需考虑天平隔热技术；测压过程中，舵面尺寸小无法布置过多的传感器；CFD又面临大迎角失效问题，这导致我们只能通过稀疏的测压数据重构分布力，获取集中力。

首先，收集不同流动状态及截面位置的稀疏测压数据，根据POD方法求取基函数，结合压缩感知算法、基函数及稀疏传感器数据求解欠定方程获取基系数；基函数基系数线性组合获取各截面及全流场的压力分布，进而预测铰链力矩和法向力。

我们可采用约5个传感器数据重构舵面的压力系数分布

进而预测铰链力矩和法向力，将误差控制在5%以内。该方法的提出大幅缩减了试验测量成本，助力智能风洞建设。

而气动噪声数据呈现强非线性，相比于定常结果，采用POD方法作为基函数可能表现出精度不足的问题；因此我们融合神经网络模型，采用此前频率特征嵌入的随机森林算法来提取基函数；重构总声压级分布。结果表明以单频模型作为基函数不存在拐点失真现象，整体精度高；比POD作为基函数的误差低2-80倍；

该方法在重构气动噪声频谱中也具备较高的精度，不会出现高频发散等现象；对比不同流动状态建模结果，发现建模精度与流动状态相关。

建模精度高，抖振并未发生，流动现象相对简单；

而流动现象丰富的深抖振建模精度有所降低，这将机器学习算法建模精度与流动复杂性建立关联。

采用同样十个测量点重构流动模态，发现POD方法作为基函数时，绝对误差在10-3量级；

而采用单频模型作为基函数时，绝对误差在10-5量级；充分说明了单频模型作为基函数的优势

将该算法应用在2D-3D气动噪声频谱数据融合

及2D-试验测量的气动噪声频谱中，发现该算法具有较好的预测精度，及良好的空间及流动状态泛化性。

攻读博士期间发表学术成果：

[1] Zhang Q, Gao C, Zhou F, Yang D, Zhang W. Study on flow noise characteristic of transonic deep buffeting over an airfoil[J]. Physics of Fluids, 2023, 35,046109. (一区/JCR Q1, IF: 4.0)

翼型跨声速深抖振流动噪声特性研究

[2] Zhang Q, Yang D, Zhang W. Optimal transonic buffet aerodynamic noise PSD predictions with Random Forest: modeling methods and feature selection[J]. Aerospace Science and Technology, 2024, 150,109245. (一区/JCR Q1, IF: 5.0)

AST|西工大张巧、张伟伟等：基于随机森林的跨声速抖振气动噪声PSD预测：建模方法和特征选择

[3] Zhang Q, Zhao X, Li K, Tang X, Wu J, Zhang W Prediction model of aircraft hinge moment: Compressed sensing based on proper orthogonal decomposition[J]. Physics of Fluids, 2024, 36,076102. (一区/JCR Q1, IF: 4.0)

POF | 西工大张巧、赵旋等：飞行器铰链力矩预测模型：基于本征正交分解的压缩感知算法

[4] Zhang Q, Zhang W. A hybrid approach for reconstruction of transonic buffet aerodynamic noise: Integrating random forest and compressive sensing algorithm[J]. Aerospace Science and Technology, 2024, 152,109379. (一区/JCR Q1, IF: 5.0)

AST | 西工大张巧、张伟伟等：混合方法重构跨声速抖振气动噪声：结合随机森林与压缩感知算法

[5] Zhang Q, Wang X, Yang D, Zhang W. Data-driven prediction of aerodynamic noise of transonic buffeting over an airfoil[J]. Engineering Analysis with Boundary Elements, 2024, 163:549-561. (二区/JCR Q1 , IF: 4.2)

ENG ANAL BOUND ELEM | 西工大张巧、张伟伟等：数据驱动方法预测翼型跨声速抖振气动噪声

[6] Zhang Q, Gao C, Wang H, Zhang W, Yang D. Effects of bulb seal on slat flow dynamics and slat tones[J]. European Journal of Mechanics - B/Fluids, 2023, 100: 124-140. (三区/JCR Q2 , IF: 2.5)

缝翼尖端加弧形凸起装置对其流动及噪声特性的影响

[7] Zhang Q, Zuo K, Zhang W, et al. Prediction of Transonic Buffet Aerodynamic Noise Using Multi-Expert Feature Fusion Network[J]. AIAA Journal, 2025: 1-5.

AIAAJ | 西工大张巧、张伟伟等：多专家特征融合网络架构预测跨声速抖振气动噪声

[8] Zhang Q, Zhang W. A Hybrid Approach for Reconstruction of Transonic Buffet Aerodynamic Noise: Integrating Random Forest and Compressive Sensing Algorithm [C]. ICAS Proceedings, Florence, Italy, 2024.1025-9090. (EI)

[9] 张巧, 杨党国, 吴德松, 张伟伟. 航空气动噪声机器学习研究进展[J]. 空气动力学学报, 2024 (7):1-17.

论文下载：

张伟伟教授ReaserchGate可下载

https://www.researchgate.net/profile/Weiwei_Zhang23