基于物理约束与双并行注意力UNet的高保真度三维机翼流场重构研究High-fidelity three-dimensional aerodynamic flow prediction on wings with physics-constrained dual-parallel attention UNet崔榕峰1,2,3,4张巧5张伟伟1,2,3,*鲁文博4高亮杰41.西北工业大学航空学院西安 7100722.西北工业大学流体力学智能化国际联合研究所西安 7100723.飞行器基础布局全国重点实验室西安 7100724.中国航空工业集团公司沈阳空气动力研究院沈阳 1100345.香港理工大学航空及民航工程香港引用格式Cui R, Zhang Q, Zhang W, et al. High-fidelity three-dimensional aerodynamic flow prediction on wings with physics-constrained dual-parallel attention UNet[J]. Aerospace Science and Technology, 2026, 173: 111846.导读高精度三维流场数据是飞行器气动特性分析与性能优化的核心基础。传统方法中高保真CFD模拟虽能提供详细的流场信息但其巨大的计算资源消耗使其在需要快速迭代或实时分析的工程场景中面临显著瓶颈。现有深度学习方法在处理三维流场重建时不仅面临维度灾难带来的数据复杂度挑战其预测结果也难以保证物理一致性。针对上述问题本文提出了一种物理约束双并行注意力UNetDPAtt-UNet框架。该方法采用符号距离函数SDF实现三维几何的隐式表达通过嵌套跳跃连接与双并行注意力机制增强多尺度特征提取能力并在损失函数中引入Navier-Stokes方程残差作为物理正则化项。实验表明该方法在三维机翼流场重构精度上较传统U-Net提升约10%压力场与流向速度场精度均超过99%预测速度较CFD方法提升2-3个数量级为复杂三维机翼流场的精准高效预测提供了有效解决方案。一、研究背景及现状高精度三维流场数据是飞行器气动特性分析与性能优化的核心基础。传统流场数据的获取主要依赖风洞试验与计算流体力学CFD方法。然而风洞试验成本高昂且测点稀疏难以获得完整的空间流场分布而高保真CFD模拟虽能提供详细的流场信息但其巨大的计算资源消耗使其在需要快速迭代或实时分析的工程场景中面临显著瓶颈。近年来为突破传统方法在时间与计算资源上的局限基于深度学习的智能流场重建技术逐渐成为研究热点。现有方法主要分为两类一类是纯数据驱动的监督学习旨在建立从工况参数到流场的端到端映射以实现快速预测。然而在向三维机翼流场拓展时此类方法面临着严峻挑战一方面三维空间带来的维度灾难会导致模型复杂度急剧攀升另一方面缺乏物理规律约束的模型难以保证预测结果严格满足质量与动量守恒等基本流体力学定律。另一类则是物理信息神经网络PINN其通过将Navier-Stokes (N-S) 方程残差嵌入损失函数进行物理引导。尽管PINN在二维翼型分析中展现出独特优势但在应对三维复杂流动时常受限于训练稳定性差、收敛困难等瓶颈难以直接应用于工程场景的快速预测。因此如何在高效提取三维几何特征的同时将流体力学控制方程有效融入网络训练从而兼顾预测结果的物理一致性、泛化能力与计算效率已成为当前三维流场智能重构需要解决的核心问题。二、研究方法本文提出了一种基于物理约束的DPAtt-UNet智能流场重建方法其核心思想是将三维机翼的几何特征、多尺度流场特征提取与物理规律约束有机融合在一个端到端的深度学习框架中。如图2.1所示该方法由三个核心模块构成基于符号距离函数的几何隐式编码、用于多尺度特征提取的双并行注意力UNet主干网络以及嵌入Navier-Stokes方程残差的物理约束分层损失函数。图2.1 基于物理约束的DPAtt-UNet神经网络架构图在三维机翼的流场重构研究中几何外形特征的有效提取是关键前提。传统基于原始网格坐标直接输入的方法面临着计算量庞大、难以直接应用于卷积神经网络等问题。为此本文采用符号距离函数SDF对机翼几何进行隐式编码其过程如图2.2所示。具体而言对于计算域内任意空间点符号距离函数定义为该点到机翼表面的最短有向距离。图2.2 SDF过程示意图图2.3展示了NACA0012和RAE2822两种翼型生成的机翼所对应的SDF分布图。这一设计的优势在于SDF能够将几何特征转化为在空间上连续且平滑过渡的数值场这为后续的卷积操作提供了理想的输入使网络能够更精准地建立几何与流场之间的映射关系。图2.3 NACA0012和RAE2822翼型的SDF云图aNACA0012翼型,bRAE2822翼型为有效处理三维流场数据的多尺度特征本文在UNet的基础上引入双并行注意力机制构建了DPAtt-UNet作为流场重建的主干网络。该网络利用UNet密集嵌套的跳跃连接充分聚合不同网络深度的特征信息有效缓解了上采样过程中的细节损失。此外本文在解码阶段嵌入了双并行注意力模块从通道和空间两个维度并行对特征图进行自适应重标定与融合从而引导网络精准聚焦流场中的关键物理特征并强化重点空间区域的响应。同时为增强结果的物理一致性本文构建了一种物理约束分层损失函数。该函数在传统数据损失的基础上引入了Navier-Stokes (N-S) 方程残差作为软约束项。确保预测流场不仅在数值上逼近CFD标签并且符合物理规律。模型的总损失函数定义为其中为数据驱动项采用平均绝对误差衡量预测值与CFD真值之间的差异。为质量守恒约束项即连续性方程残差而为动量守恒约束项即 Navier-Stokes 方程残差在三个方向上的均方和通过引入该物理约束机制网络在逼近CFD高保真数据的同时能够受到流体力学基本定律的有效引导。这使得模型即便在训练样本稀疏的参数空间或面临未见工况时依然能够输出具备高度物理一致性的流场预测结果。三、 结果分析为验证方法的有效性本文构建了涵盖NACA0012与RAE2822翼型的三维机翼流场数据集其数据生成与处理流程如图3.1所示。几何参数方面在合理范围内对展长、后掠角、根梢比等参数进行变化以覆盖多样化的机翼构型。来流工况方面马赫数和攻角在一定范围内变化共计150种几何形状每种几何对应18种来流工况总计2700组高保真流场样本。所有算例均基于气动院自主研发的“飞廉”软件计算该软件求解RANS方程湍流模型采用S-A模型其高精度求解能力为后续的深度学习模型训练提供了可靠的数据保障。图3.1 数据集生成与处理流程图3.1 NACA0012翼型算例基于上述数据集本节首先对NACA0012翼型生成的机翼流场重构结果进行分析通过对NACA0012机翼测试集的综合评估表3.1所示DPAtt-UNet在重建精度上展现出显著优势相比传统U-Net模型其压力场和流向速度预测精度提升了约10%整体准确率超过99%。在处理极具挑战性的展向v-velocity和垂向速度w-velocity分量时物理约束展现出了至关重要的正则化作用使预测精度分别达到了94.84%和90.66%。此外消融试验证实了嵌套跳跃连接、双并行注意力机制以及物理损失函数对性能提升的累积贡献。表3.1 不同建模方法对NACA0012机翼流场的预测结果准确率对比图3.3展示了在Ma0.4、AoA7°条件下基于NACA0012翼型生成的机翼压力场CFD计算结果、模型预测结果及二者误差分布。从图中可以看出压力场预测与CFD结果高度吻合整体误差控制在1%以内最大误差主要集中在翼型前缘等高梯度区域验证了模型在关键气动区域的预测能力。图3.3在 Ma0.4、AOA7° 条件下基于 NACA0012 翼型生成的机翼不同剖面位置的压力场结果aCFD 结果b预测结果c误差结果。除压力场外模型对三个方向速度场的重构也取得了良好效果其中以垂向速度场的预测最具挑战性。图3.4展示了相同工况下基于NACA0012翼型生成的机翼垂向速度场结果。垂向速度是三维流场重构中最具挑战的变量之一。结果显示模型能够准确捕捉翼尖涡等复杂三维流动特征预测误差分布合理证明了物理约束机制对提升横向速度分量预测精度的有效性。图3.4在 Ma0.4、AOA7° 条件下基于 NACA0012 翼型生成的机翼不同剖面位置的垂向速度场结果aCFD 结果b预测结果c误差结果。图3.5展示了NACA0012机翼展向升力系数分布的预测值与CFD结果对比。将预测得到的压力场沿翼型表面积分可获得展向升力系数分布并与CFD结果进行比较。从图中能够看出两者在翼根到翼尖全程高度吻合尤其准确捕捉了翼尖附近的升力衰减特性。图3.5 NACA0012 机翼展向升力系数分布的预测值与 CFD 结果对比Ma0.4AoA7°3.2 RAE2822翼型算例为验证模型对不同翼型几何的泛化能力本节进一步对RAE2822翼型生成的机翼流场重构结果进行分析。表3.2展示了不同建模方法对RAE2822机翼流场的预测结果准确率对比。DPAtt-UNet物理约束在压力场和流向速度场上仍保持99%以上精度展向和垂向速度分量分别达到94.78%和91.36%证实了基于SDF的几何隐式编码具有良好的几何适应性。表3.2. 不同建模方法对RAE2822机翼流场的预测结果准确率对比图3.4展示了在Ma0.4、AoA6°条件下基于RAE2822翼型生成的机翼压力场CFD结果、预测结果及误差分布。从图中可以看出RAE2822翼型在该工况下的压力场预测与CFD结果高度吻合模型能够准确捕捉该类翼型特有的压力分布特征预测误差分布均匀。图3.4 在 Ma0.4、AOA6° 条件下基于 RAE2822 翼型生成的机翼不同剖面位置的压力场结果aCFD 结果b预测结果c误差结果。图3.5展示了相同工况下基于RAE2822翼型生成的机翼压力场在不同剖面位置的结果对比。从翼根到翼尖不同剖面位置的压力场对比显示模型预测与CFD结果在各剖面均保持高度一致进一步验证了方法在不同翼型上的泛化性能。图3.5 在 Ma0.4、AOA6° 条件下基于 RAE2822翼型生成的机翼不同剖面位置的压力场结果aCFD 结果b预测结果c误差结果。图3.6展示了在Ma0.3、AoA2°条件下测试集中RAE2822翼型流场的CFD结果、预测结果及误差结果云图包括压力场、流向速度场、展向速度场和垂向速度场四个物理场。从图中可以看出模型在RAE2822翼型上同样保持高精度重构能力四个物理场的预测误差均控制在较小范围内验证了方法在不同翼型上的泛化性能。图3.6 在 Ma 0.3、AOA 2° 条件下测试集中 RAE2822 翼型生成的机翼固定剖面的流场的 CFD 结果、预测结果及误差结果云图。流场分别为a压力场b流向速度场c展向速度场d垂向速度场四、结论本文针对三维机翼流场重构中存在的维度灾难、特征提取困难及物理一致性缺失三大核心挑战提出了一种融合几何隐式编码、多尺度注意力机制与物理规律约束的DPAtt-UNet智能重构框架。通过对NACA0012和RAE2822两类翼型生成的三维机翼进行系统验证DPAtt-UNet在压力场与主流向速度场上的重构精度均超过99%相较于传统U-Net模型提升了约10%。对于横向速度分量物理约束机制有效抑制了非物理扰动使重构精度分别达到94.8%和91.0%以上显著优于纯数据驱动方法。基于SDF的几何隐式表达与双并行注意力机制的结合使模型能够有效解耦几何特征与流动特征在跨翼型、跨工况条件下仍保持高保真重构能力展现出良好的工程适应性。同时在保证高精度的前提下模型的在线预测速度较传统CFD方法提升2~3个数量级为飞行器气动外形快速迭代、实时流场分析等场景提供了可行技术路径。尽管本研究在三维附体流动重构中取得了显著成效当前框架仍存在一定局限性主要体现在对激波、分离流及非定常现象的处理能力不足。未来工作将聚焦于以下方向引入可压缩N-S方程与激波捕捉机制拓展至跨/超声速流动结合时间序列建模探索非定常流场与分离流的重构方法进一步丰富几何数据库提升模型对复杂构型的适应能力。公众号原文链接文末附论文资源https://mp.weixin.qq.com/s/wn7-xVqX08x6p0OhnwZ1Qw注文章由原作者投稿分享向本公众号授权发布。更多精彩内容敬请关注微信公众号“力学与人工智能”