摘要：气动热的准确预测是指导高超声速飞行器设计的基础。在经典气动热预测方法愈发难以满足工程中高效准确的气动热预测需求的背景下,近年来蓬勃发展的数据驱动气动热建模预测方法逐渐成为气动热预测的新范式。对此,首先阐述了数据驱动气动热建模预测方法和经典气动热预测方法的相互关系。然后,从建模思路上将数据驱动气动热建模预测方法归纳为3类,即气动热特征空间降维建模预测、气动热逐点建模预测和气动热物理信息嵌入建模预测,并对这3类方法进行了详细介绍和分析总结。数据驱动气动热建模预测方法不仅比工程算法准确,而且和采样方法结合后,还能够有效降低实验测量和数值计算的工作量,给出的模型也更加高效简洁。最后,对数据驱动气动热建模预测方法的发展趋势进行了展望,指出数据驱动技术与经典气动热预测方法的深度结合、气动热物理信息嵌入建模预测方法和气动热预测大模型将会是未来研究的要点。

摘要：由于受到流动环境中的不确定因素影响,针对流动系统设计的闭环控制律需要考虑这些不确定因素,自动适应随机扰动和突发扰动。基于流动模型所设计的闭环最优控制,虽然可以以较小的控制量获得满足目标函数的最优控制效果,但随着流动模型的引入,随之而来的建模精度、未建模动态等问题也会出现,固定的流动模型也会限制控制系统的自适应能力。针对翼型在跨声速流动中遇到的激波抖振问题,为了消除不同来流状态的激波抖振带来的脉动载荷,开展了基于数据驱动方法的无模型自适应控制。流场数值仿真采用URANS方法,作动机构采用尾缘舵面,以升力系数作为反馈信号。当流动状态变化时,无模型自适应控制利用输入输出数据在线将流动系统等价转化为动态线性化数据模型,最小化性能指标得到控制律,使系统自动地工作于最优或接近最优的状态。时域仿真结果显示,无模型自适应控制效果优于开环控制和比例控制,并且当来流状态随时间发生变化时,无模型自适应控制也能够完全消除抖振脉动载荷。