多工况鲁棒翼型

爬升/巡航/冲刺工况波动降三成

通过优化驱动数据和双代理神经网络在数秒内寻得的高升阻比、低性能波动的几何外形，与依赖经验设计的传统翼型形成代差。

Abdurrahman, Tekin · Xiao, Tianhang · 余雄庆

Aerospace Science and Technology 2026

参数信息

升阻比

293.66

爬升工况性能标准差降幅

35.8 %

巡航工况性能标准差降幅

29.2 %

冲刺工况性能标准差降幅

29.5 %

技术优势

寻优只需数秒

训练后的双代理网络能以极高精度预测性能，直接替代耗时的CFD评估，在数秒内筛选出精英翼型。

三工况波动降三成

采用风险调整目标函数进行稳健优化，使爬升、巡航、冲刺三个工况的性能标准差分别降低35.8%、29.2%和29.5%，保证任务一致性。

数据自己会变好

优化驱动的数据生成管线专门收集高性能、几何光滑的翼型样本，避免了随机采样带来的大量无效数据，使代理模型训练更高效。

应用场景

• 高空长航时无人机：用低波动翼型保证长航时任务中爬升、巡航、冲刺性能稳定，降低油耗和风险。
• 高超声速飞行器气动设计：可迁移优化驱动数据生成与代理模型方法，加速高超声速翼型多工况稳健设计。
• 低空飞行器气动优化：提供快速评估工具，帮助低空飞行器在多种速度和攻角下选型与校核。
• 气动外形优化设计：用深度学习代理模型替代重复CFD迭代，大幅缩短外形优化周期。