战斗机机动飞行仿真新突破：结合机器学习的数值虚拟飞行方法
战斗机机动飞行仿真新突破：结合机器学习的数值虚拟飞行方法
战斗机的超机动性是衡量新一代战斗机的重要标准之一，但其复杂的气动、动力学、结构和控制等多学科耦合现象给研发带来了巨大挑战。本文介绍了一项发表在《Physics of Fluids》期刊上的研究，该研究提出了一种基于机器学习的数值虚拟飞行（NVF）方法，通过结合计算流体动力学（CFD）、刚体动力学（RBD）和飞行控制系统（FCS），实现了战斗机纵向机动的高精度仿真。
研究背景
超机动性是衡量新一代战斗机的重要标准之一，能够在空战中提供显著优势。但在机动飞行中，攻角、角速度和角加速度的快速变化会导致气动、动力学、结构和控制等多学科的复杂耦合现象，这些现象具有强耦合、非稳态、非线性和难以控制的特点，容易导致飞行中的非指令自激振动等问题，最终可能导致战斗机失控。
传统的虚拟飞行测试方法存在一些限制，如风洞设备的大小限制了只能进行缩比模型测试，风洞壁的干扰与高空无边界的实际飞行不同，支撑机构无法完全保证飞行器的 6 自由度运动等。因此，研究人员开发了一种基于数值虚拟飞行（NVF）技术的新方法，该技术结合了计算流体动力学（CFD）、刚体动力学（RBD）和飞行控制系统（FCS），能够模拟飞行器的机动飞行过程，揭示流场机制和稳定性与控制特性。
研究方法
数值方法
研究中采用了标准动力学模型（SDM）作为几何模型，该模型基于 F-16 平台，包括细长的边条三角翼、水平和垂直安定面、腹鳍和封闭的进气道。定义了三个坐标系：地固坐标系、惯性坐标系和体固坐标系。计算网格由背景网格、机身网格和升降舵网格三部分组成，采用重叠网格技术实现升降舵的偏转。使用 MPI 并行计算提高计算性能。
数值虚拟飞行系统
开发了一个集成 CFD、RBD 和 FCS 的 NVF 系统，采用 C++ 编程语言编写。系统架构分为内部和外部组件，内部组件包括数据库、数据容器、并行计算库等，中间层由多个专门模块组成，如 CFD 求解器、网格工厂和 RBD 求解器，顶层负责这些模块的集成框架。外部组件为 FCS 模块，可以与第三方工具集成实现控制算法。采用 Reynolds-averaged Navier–Stokes 方程的任意拉格朗日-欧拉（ALE）形式作为流体流动的控制方程，使用二阶有限体积法离散化，采用 Roe 方案求解无粘通量，中心差分格式计算粘性通量，Green-Gauss 单元基方法求解梯度，Menter 的 k-ω SST 模型模拟湍流流动。
机器学习方法
使用人工神经网络（ANN）进行气动识别和建模，建立战斗机气动系数与飞行状态变量之间的关系。采用深度强化学习（DRL）中的深度确定性策略梯度（DDPG）算法设计战斗机的纵向机动控制律。
实验与结果
- 验证和验证：通过 ONERA M6 翼模型测试案例评估 CFD 求解器的性能，通过翼-梁-挂架分离测试案例测试 CFD/RBD 耦合计算的能力。结果表明，计算结果与实验数据吻合良好，验证了 NVF 系统的可靠性。
- 气动数据收集：通过强制运动收集战斗机的非稳态气动数据。设计了战斗机的俯仰角和升降舵偏转角的强制运动规律，通过非稳态计算获得不同俯仰角和升降舵偏转角下的战斗机俯仰力矩系数。
- 基于人工神经网络的气动识别和建模：ANN 输入参数包括俯仰角、升降舵偏转角和俯仰角速度，输出参数为俯仰力矩系数。训练结果显示，ANN 模型能够正确拟合气动力矩系数，没有过拟合现象。
- 基于深度强化学习的纵向机动控制：在 ANN 模型的基础上进行训练，完成后将控制律转移到 CFD 环境中进行验证。设计了战斗机的俯仰控制律，包括升降舵控制和升降舵与开环推力矢量控制、升降舵与闭环推力矢量控制等不同情况。结果表明，基于 DRL 设计的控制律具有良好的泛化特性，能够在不同的环境中处理不同的情况。
关键结论
该研究展示了机器学习方法在航空器设计和研究中的潜力，尤其是在气动建模和控制方面。通过数值虚拟飞行技术，可以在不进行实际飞行测试的情况下，模拟飞行器的机动飞行过程，大大减少了时间和经济成本，为新型飞行器的研发提供了技术支持。未来的工作将考虑在自由飞行中，使用升降舵、方向舵和副翼控制的战斗机的俯仰、偏航和翻滚机动。