原创：李柯等      空气动力学报

李珂, 王路路, 陈增顺*, 赵文卓, 秦煜, 李少鹏

重庆大学 土木工程学院，重庆　400045引用本文：李珂, 王路路, 陈增顺, 等. 定常来流下钝体二维组合断面气动特性与流场的智能预测方法[J]. 空气动力学学报, 2025, 43(5): 112−123. DOI:  10.7638/kqdlxxb-2025.0036
  研究背景 

  在结构工程领域，钝体断面的气动性能预测是设计与优化的核心环节。传统风洞试验和计算流体动力学（CFD）模拟虽能提供可靠结果，但面临耗时久、成本高、迭代效率低的瓶颈，尤其在处理复杂组合断面的参数多样性与优化不确定性时，难以满足工程快速评估需求。随着深度学习技术的发展，数据驱动方法为突破这一困境提供了新路径，但现有模型在捕捉复杂流场特征、跨尺度映射气动外形与性能关系等方面仍存在局限性。

  研究创新点 

  融合距离场与流向坐标场的一致化形状表征方法来描述钝体组合断面的气动外形，具有不受断面形式限制的通用性；建立基于形状的时均流场特性预测框架，设计融合残差连接、特征金字塔和注意力机制的卷积神经网络编码器-解码器架构。本文针对传统方法难以快速评价钝体绕流场气动性能的问题，提出了一种基于深度学习的钝体断面绕流特性智能预测方法，实现了从几何外形到流场特性的多尺度特征解耦与重构。

       研究结论 

  结果表明：基于上述方法，本研究文基于Python开发了批量化数值模拟程序，以二维缩尺钝体组合断面为对象，采用开源平台OpenFOAM开展非定常雷诺时均数值模拟，系统获取绕流流场、表面压力分布及三分力系数。通过深度学习代理模型算法优化与并行计算，将钝体二维组合断面的时均流场速度分布、表面压力系数及三分力系数的预测误差分别控制在3.7%、0.35%和6.25%以内，且计算效率提升了4个数量级。

  下一步工作或团队近期工作 

  下一步团队将构建覆盖多类型基础主梁与全气动附属构造的多元化数据集，通过引入物理约束损失函数和多尺度特征融合机制扩展模型，提升模型对流动分离区的预测精度，将智能预测方法拓展至变风速、变雷诺数以及三维流动场景；同时，将计划开展桥梁工程的气动性能风洞试验，验证模型在真实工况下的可靠性。