基于样本的多飞行条件下阵风载荷客观分类

# 基于范例的跨多种飞行状态阵风载荷客观分类
Source: https://arxiv.org/html/2608.12448
是否有可能找到一种客观的分类标准，来组织跨多种飞行状态下的阵风载荷复杂性？并且这种标准能像基于粗略参数（如飞行姿态）的标注一样易于解释？我们的方法通过机器学习学到的表示对大量实验观测进行编码，并应用一种摘要程序来选择最小的高显著性子集作为范例。这些范例为所有观测提供了一种基于相似性的客观分类标准，它们更方便专家检查，也可成为更精细实验的对象。我们在一个由随机阵风在飞翼模型上引起的、涵盖六种飞行姿态的 3480 个压力-载荷测量数据库上演示了该方法。我们发现了九种在多种姿态下重复出现的基本响应类型；对某一类型的瞬态响应进行分析，能为底层流体力学提供物理直觉。

Paolo Olivucci 电子邮件：[[email protected]](mailto:[email protected]) 单位：布伦瑞克工业大学流体力学研究所，Hermann-Blenk Str. 37, Braunschweig, 38108, Germany  
Kowshik Srivatsan 电子邮件：[[email protected]](mailto:[email protected]) 单位：布伦瑞克工业大学流体力学研究所，Hermann-Blenk Str. 37, Braunschweig, 38108, Germany  
David E. Rival 电子邮件：[[email protected]](mailto:[email protected]) 单位：布伦瑞克工业大学流体力学研究所，Hermann-Blenk Str. 37, Braunschweig, 38108, Germany

###### 关键词

阵风-机翼相互作用，非定常空气动力学，数据摘要，三角翼，机器学习，飞行姿态

## 1 引言

小型无人飞行器（UAV）正越来越多地部署在低空环境中，而该环境中的大气湍流在时空上十分复杂。在这种情况下，非定常扰动的长度尺度和速度尺度与飞行器尺寸直接重叠，这使得阵风引起的载荷偏移成为飞行稳定性和结构完整性的关键威胁（[9](https://arxiv.org/html/2608.12448#bib.bib4)；[3](https://arxiv.org/html/2608.12448#bib.bib10)）。阵风-机翼相互作用的参数空间维度极高，涵盖大气条件、地形特征和飞行姿态的多种组合。此外，由此产生的气动响应通常强烈非线性，这导致阵风与小型飞行器之间的相互作用难以被充分理解（[10](https://arxiv.org/html/2608.12448#bib.bib5)；[14](https://arxiv.org/html/2608.12448#bib.bib6)）。

传统的阵风模型，从早期确定性速度剖面到现代大气湍流的统计描述，仅捕捉了这一复杂性的一小部分（[5](https://arxiv.org/html/2608.12448#bib.bib9)；[15](https://arxiv.org/html/2608.12448#bib.bib2)）。经典的阶跃响应理论线性框架为小幅扰动下的非定常升力提供了闭合形式描述（[13](https://arxiv.org/html/2608.12448#bib.bib15)）。然而，在低空大气边界层中运行的 UAV 大多处于线性范围之外。例如，非细长三角翼的空气动力学主要由前缘涡（LEV）的发展和强非线性分离现象主导（[7](https://arxiv.org/html/2608.12448#bib.bib1)；[14](https://arxiv.org/html/2608.12448#bib.bib6)），在这种情况下线性叠加不再成立。因此，要在此范围内为阵风载荷响应的复杂性找到组织标准，需要一种先基于经验数据、再结合分析理论的方法。

近期数据驱动的流体力学研究在这方面显示出令人鼓舞的趋势。人们已经开发出用于阵风遭遇期间实时载荷估计的稀疏压力感知策略（[2](https://arxiv.org/html/2608.12448#bib.bib12)；[8](https://arxiv.org/html/2608.12448#bib.bib13)），深度自编码器也将复杂的涡旋相互作用压缩到具有物理可解释坐标的低维流形上（[4](https://arxiv.org/html/2608.12448#bib.bib11)）。基于聚类的方法在从稀疏实验测量进行流态估计方面也显示出潜力（[11](https://arxiv.org/html/2608.12448#bib.bib17)）。机器学习文献中的结果表明，数据质量往往比数据数量更重要；在精心筛选的高价值训练集上训练的预测模型，可以优于在数量级更大的未过滤数据上训练的模型（[18](https://arxiv.org/html/2608.12448#bib.bib3)；[6](https://arxiv.org/html/2608.12448#bib.bib16)）。这启发了“数据稀疏化”方法：选取最有信息量的阵风遭遇子集，可能足以捕捉核心物理规律，并促进理解和进一步分析。在此方面，我们建立在先前的工作[^1]（目前正在期刊评审中）[16](https://arxiv.org/html/2608.12448#bib.bib14) 基础上，该工作证明了在单一迎角下的阵风-机翼遭遇数据库中，找到对载荷预测精度影响极小的最小子集