Активный мультифиделити-суррогатный метод ускоряет оптимизацию формы крыла в разы

Новый метод активного мультифиделити-суррогатного моделирования позволяет сократить количество дорогостоящих высокоточных расчётов при оптимизации формы крыла до 10–15% от обычного объёма. Разработка объединяет быстрые, но менее точные низкофиделитные модели с медленными, но точными высокофиделитными симуляциями, адаптивно выбирая, когда и какой уровень точности использовать. Это открывает путь к более быстрой и экономичной аэродинамической оптимизации в авиастроении.

Как работает новый метод

В основе подхода лежит гауссовский процесс регрессии, который обучается на данных с разным уровнем точности. Низкофиделитные расчёты выполняются с помощью программы XFOIL, которая моделирует обтекание профиля за секунды. Высокофиделитные симуляции используют RANS (уравнения Рейнольдса, осреднённые по Навье-Стоксу) и требуют часов работы суперкомпьютера. Ключевая инновация — механизм активного обучения: метод автоматически запускает дорогой RANS-расчёт только тогда, когда неопределённость суррогатной модели превышает заданный порог. Это позволяет избежать лишних затрат, сохраняя точность.

Дополнительно введена обязательная валидация лучших кандидатов на высоком уровне точности. После того как эволюционный алгоритм предлагает перспективные формы крыла, они проверяются с помощью RANS. Это предотвращает ситуацию, когда суррогатная модель ошибочно считает неоптимальный вариант лучшим. Такой гибридный подход сочетает скорость низкофиделитных расчётов с надёжностью высокофиделитных.

Почему это важно для аэродинамической оптимизации

Традиционная оптимизация формы крыла требует сотен или тысяч RANS-симуляций. Каждый такой расчёт для сложной трёхмерной геометрии может занимать от нескольких часов до суток. В результате полный цикл оптимизации растягивается на недели или месяцы. Новый метод сокращает количество RANS-расчётов до 14.78% от полного объёма для крейсерского режима и до 9.5% для взлётного. Это означает, что время оптимизации уменьшается в 6–10 раз без потери качества результата.

Экономия особенно критична на ранних этапах проектирования, когда нужно быстро перебрать множество вариантов. Инженеры могут получить почти такое же улучшение аэродинамических характеристик, как при полном переборе, но за значительно меньшее время. Это ускоряет выход на оптимальные решения и снижает требования к вычислительным ресурсам.

Какие результаты получены

Исследователи провели оптимизацию формы крыла для двух условий полёта: крейсерского (число Рейнольдса 6×10^6, угол атаки 2°) и взлётного (угол атаки 10°). В первом случае целью была максимизация аэродинамического качества L/D, во втором — коэффициента подъёмной силы CL. Форма крыла описывалась 12 параметрами с помощью CST-представления (Class-Shape Transformation).

Результаты впечатляют: крейсерская эффективность улучшилась на 41.05% по сравнению с лучшим индивидуумом первого поколения, а взлётная подъёмная сила — на 20.75%. При этом количество высокофиделитных расчётов составило всего 14.78% и 9.5% от полного объёма соответственно. Это демонстрирует, что активный мультифиделити-подход не только экономит ресурсы, но и позволяет находить хорошие решения.

Как метод сравнивается с альтернативами

В статье не приводится прямое сравнение с другими мультифиделити-методами, но можно провести параллели. Традиционные подходы часто используют фиксированное соотношение низко- и высокофиделитных расчётов или двухэтапную фильтрацию. Активный метод выгодно отличается адаптивностью: он сам решает, когда нужна высокая точность. Это делает его более гибким и потенциально более эффективным для задач с разной сложностью ландшафта.

По сравнению с однофиделити-оптимизацией на основе только RANS, новый метод требует на порядок меньше дорогих расчётов. А по сравнению с чисто низкофиделитной оптимизацией, он даёт более точные результаты, так как лучшие кандидаты проверяются на высоком уровне. Таким образом, метод занимает промежуточное положение, сочетая преимущества обоих подходов.

Какие ограничения есть у метода

Пока неясно, как метод поведёт себя при увеличении числа условий полёта или при оптимизации более сложных геометрий, например, крыла с механизацией или стреловидного крыла. В текущей работе рассматривались только две точки, но реальные задачи требуют учёта десятков режимов. Также не исследована чувствительность к выбору порога неопределённости и начальной выборки.

Ещё один вопрос — сравнение с другими современными мультифиделити-методами, такими как многоуровневые ансамбли или байесовская оптимизация с несколькими источниками информации. Без такого сравнения сложно оценить, насколько новый метод превосходит существующие. Тем не менее, полученные результаты обнадёживают.

Кому будет полезен этот метод

Метод предназначен в первую очередь для инженеров-аэродинамиков, занимающихся оптимизацией формы крыла и других аэродинамических поверхностей. Он также будет интересен разработчикам программного обеспечения для вычислительной гидродинамики, которые ищут способы ускорить многодисциплинарную оптимизацию. Исследователи в области суррогатного моделирования могут использовать предложенный подход как основу для дальнейших улучшений.

Какие перспективы у технологии

В будущем метод можно расширить на большее количество условий полёта, добавив, например, режимы набора высоты или маневрирования. Также возможно применение к трёхмерным крыльям и целым самолётам. Другой путь — интеграция с другими дисциплинами, такими как прочность или аэроупругость, для многодисциплинарной оптимизации. Активный мультифиделити-подход может стать стандартным инструментом в арсенале аэродинамиков.

Заключение

Активный мультифиделити-суррогатный метод представляет собой эффективный способ ускорить оптимизацию формы крыла. Сокращая количество дорогих RANS-расчётов до 10–15% от обычного объёма, он позволяет получать улучшение аэродинамических характеристик на 20–40% за меньшее время. Хотя метод имеет ограничения, он демонстрирует большой потенциал для практического применения в авиастроении.