数据知识融合失速模型

小样本高精度外推

将物理知识融入神经网络，用少量高精度数据建立的风力机翼型动态失速模型，还可融合已有翼型数据辅助预测其他翼型。

Zijie, Shi · 高传强 · Zihao, Dou · 张伟伟

Energy 2024

参数信息

训练样本占比

1/5

平均相对误差

10 %

技术优势

外推能力强

将 Leishman–Beddoes 模型的力分量纳入网络，仅用 1/5 样本训练即可外推缩减频率和攻角。

泛化到新翼型

融合 S809 模型与已有翼型数据，可预测 S810 和 S814 气动力，平均相对误差接近 10%。

应用场景

• 风机叶片气动设计：快速评估新翼型动态失速特性，辅助气动外形迭代。
• 翼型失速预测：以少量实验数据建立模型，预测不同频率和攻角下的失速载荷。
• 风电机组载荷分析：为载荷分析提供高效的动态失速气动力输入。
• 旋翼机非定常气动：其数据-知识融合方法可借鉴用于旋翼非定常气动建模。