Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies
本研究提出基于改进vision transformer的编码器-解码器网络预测超临界翼型跨声速流，设计四种几何编码方法，并引入多级小波变换与梯度分布损失，使激波区最大误差降50%，同时利用迁移学习提升泛化性并减少训练时间。
2023-03-07 physics.flu-dyn
The aerodynamic performance of a transonic airfoil with spanwise forcing
本文通过直接数值模拟研究展向行波力对跨声速翼型激波与边界层相互作用的控制效果，发现合适的控制参数可推迟激波、形成与摩擦减阻相关的分离区，从而提高气动效率。
2025-02-06 physics.flu-dyn
Comparing design and off-design aerodynamic performance of a natural laminar airfoil
本文通过数值模拟对比SHM1自然层流翼型在亚声速与跨声速设计及非设计工况下的气动性能，分析激波、分离和载荷分布，为分离与激波控制优化提供基准。
2024-11-19 physics.flu-dyn
Viscosity, shock-induced separation, and shock reversal -- Oscillating wing section in transonic flow
本文用数值方法研究了振荡机翼跨音速流中激波-边界层相互作用的机理。在中等和大迎角但低振幅的振荡下，观察到激波诱导的流动分离或激波失速，并伴有激波反转。即使由粘性力输入到翼型的功率比由翼型上的压力输入到翼型的功率低三个数量级，边界层操纵激波位置和激波运动，并通过压力重新分配输入到翼型的功率。由于边界层不能承受激波造成的逆压梯度，激波运动与无粘流相反，导致激波向上游移动，从而导致早期分离。激波运动相对于翼型运动显示出相位差，并且是振荡频率的函数。在小迎角和低振幅振荡时，边界层改变了外部流的剖面，导致流的较慢膨胀，从而导致早期激波和由边界层引起的扩散激波脚。
2021-05-08 physics.flu-dyn
Energy Transfer Mechanisms in Wake-Modulated Transonic Flutter
Johns Hopkins University（约翰斯·霍普金斯大学）；Colorado State University（科罗拉多州立大学）
通过高保真直接数值模拟和能量图，研究了尾流扰动对跨声速颤振的影响，发现圆柱体显著扩大颤振边界，并利用力分解方法识别出机翼与圆柱之间的间隙流是能量传递的主要来源。
2026-06-01 physics.flu-dyn
Study of transfer learning from 2D supercritical airfoils to 3D transonic swept wings
本文研究将二维超临界翼型模型通过迁移学习用于三维后掠机翼预测，嵌入后掠理论，仅需约500个样本即可将误差降低60%至80%。
2022-06-06 physics.flu-dyn
Effect of Tripping and Domain-Width on Transonic Buffet on Periodic NASA-CRM Airfoils
Japan Aerospace Exploration Agency (JAXA)（日本宇宙航空研究开发机构）
针对周期性NASA-CRM翼型开展高保真模拟，探究边界层绊线振幅与展向域宽对跨声速抖振的影响，明确了不同状态下的抖振特征与展宽选取准则。
2024-01-26 physics.flu-dyn
Compact representation of transonic airfoil buffet flows with observable-augmented machine learning
Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University（东北大学研究生院工学研究部航空宇宙工程学）
本研究利用机器学习提取跨音速机翼 buffet 的低维表示，通过升力增强自编码器实现低阶建模，展示了在高雷诺数下对升力相位动态的合理估计。
2025-09-22 physics.comp-ph physics.flu-dyn
Mechanisms of transonic buffet over supercritical airfoils revealed by direct numerical simulations
Stanford University（斯坦福大学）
通过直接数值模拟揭示超临界翼型跨声速抖振机制：识别出单一主导全局模态，并阐明激波-声波反馈回路（含两条传播路径）如何维持抖振周期，统一了抖振的物理图景。
2026-09-24 physics.flu-dyn
A machine learning enhanced discontinuous Galerkin method for simulating transonic airfoil flow-fields
本文提出一种机器学习增强的间断伽辽金方法（DGM），通过离线构建结合区域POD和加权距离RBF的轻量级数据驱动模型预测初始流场，再用DGM细化修正，显著提升了跨声速翼型流场模拟的计算效率和鲁棒性。
2024-11-14 physics.comp-ph physics.flu-dyn
Direct Numerical Simulation of Transonic Flows Induced Pitching of NACA Airfoil
Department of Mechanical Engineering, IIT(ISM) Dhanbad（印度理工学院（ISM）达纳巴德机械工程系）
通过DNS研究NACA0012翼型跨声速俯仰流动，发现约化速度影响气动载荷与耦合频率，U*=2时流动主导，U*=8时结构主导。
2026-10-06 physics.flu-dyn
Experimental investigation on the turbulent wake flow in fully-established transonic buffet conditions
跨音速飞行状态通常由跨音速抖振控制，这是一种高度非定常和复杂的激波/边界层干扰，涉及流场的主要部分。这种现象与压缩激波的大幅度周期性运动以及大尺度流动分离和间歇性再附着有关。由于所产生的全局流动拓扑的大尺度变化，翼型或机翼的湍流尾流也受到严重影响，并且尾流冲击的下游的任何空气动力学装置也受到严重影响。为了分析和理解尾迹的湍流结构和动力学，我们对超临界OAT 15 A翼型在跨音速抖振条件下的近尾迹进行了全面的实验研究，弦雷诺数为2 mio。速度场测量结果表明，抖振模态对翼型吸力面边界流场和尾流都有严重的全局影响。流动间歇性地强烈分离，具有延伸到尾流中的显著动量赤字。抖振运动引起严重的扰动和湍流的变化，如根据雷诺剪应力和RMS值的相平均湍流量所示。利用高速聚焦纹影序列分析了下游对流波动和湍流结构的光谱性质。对后缘附近涡脱落的功率谱密度的分析表明，主频率比与激波抖振有关的主频率高一个数量级。结果表明，剪切层的拍动运动是伴随着冯卡门型涡街的波动强度的形成。这些尾流结构和动力学将影响受尾流影响的任何下游空气动力学装置。
2023-01-15 physics.flu-dyn
UniFoil: A Universal Dataset of Airfoils in Transitional and Turbulent Regimes for Subsonic and Transonic Flows
本研究提出大型公开翼型数据集UniFoil，基于RANS模拟覆盖多流动状态与广泛工况，弥补现有数据集缺失转捩与激波物理的不足，可支撑流体动力学及科学机器学习研究，且免费开放。
2025-10-28 physics.data-an physics.flu-dyn
Resolvent analysis on the origin of two-dimensional transonic buffet
本文对翼型跨音速抖振的起源进行了预解分析。预解式分析的基本流是在弦基雷诺数为2000和自由流马赫数为0.85时NACA 0012翼型上的时间平均流。我们揭示了抖振的机制是埋在全球低雷诺数流动物理。在此低雷诺数下，主要的流动特征是冯卡门脱落。然而，我们表明，与适当的强迫输入，抖振可以出现，甚至在雷诺数是远远低于传统的跨音速抖振。抖振的来源被确定为在激波脚从窗口预解式分析，这是验证了同伴模拟使用持续强迫输入的基础上预解式模式。我们还评论的扰动在后缘附近的作用。本研究不仅提供了对抖振起源的见解，而且还为低雷诺数可压缩空气动力学提供了一个构建模块，因为人们对火星飞行的兴趣越来越大。
2021-03-24 physics.flu-dyn
Shocks Under Control: Taming Transonic Compressible Flow over an RAE2822 Airfoil with Deep Reinforcement Learning
Aerospace Engineering Department, Worcester Polytechnic Institute（航空航天工程系，沃斯特理工学院）；Department of Aerospace Engineering, University of Michigan（航空航天工程系，密歇根大学）
针对Re=50,000时二维RAE2822翼型跨音速激波-边界层相互作用的主动流动控制问题，本文采用深度强化学习（DRL）结合高保真CFD求解器，通过合成射流作动器有效缓解激波诱导分离、抑制振荡并提升气动力性能。
2025-11-10 cs.LG physics.flu-dyn
A new similarity law for transonic-supersonic flow
如何准确、有效地确定高速气流中飞行器的气动力是现代空气动力学面临的重大挑战之一。本文提出了一个新的适用于定常跨超声速绕薄体流动的相似律。新的相似律基于局部马赫数冻结原理。它取决于比热比和自由流马赫数。新的相似律使人们能够从一个更容易达到的参考状态确定飞机的升阻系数。新的相似律的有效性已被证实的二维翼型流动和三维机翼流动的数值模拟的优良协议。
2020-12-21 physics.flu-dyn
Learning neural-network-based turbulence models for external transonic flows using ensemble Kalman method
本文提出基于集成卡尔曼方法的神经网络湍流模型，用于跨音速外部流动，通过张量基神经网络和输入归一化处理可压缩性与激波，并在RAE2822翼型和ONERA M6机翼上验证了其准确性。
2023-05-11 physics.flu-dyn
A solver for subsonic flow around airfoils based on physics-informed neural networks and mesh transformation
本文提出将物理信息神经网络与网格变换相结合，在均匀计算空间中学习翼型绕流，开发了适用于任意翼型的开源亚声速无黏流求解器，在稀疏网格上比二阶有限体积法误差降低近一个数量级，并在参数化攻角问题中具有显著优势。
2024-01-15 physics.flu-dyn
An accuracy-enhanced transonic flow prediction method fusing deep learning and reduced-order model
针对跨声速含激波流场预测难题，提出融合CNN-POD降阶模型与局部增强CNN的精度增强方法，显著降低激波区预测误差13%-46%，并验证了效率与鲁棒性优势。
2023-07-15 physics.flu-dyn
A complete state-space solution model for inviscid flow around airfoils based on physics-informed neural networks
本文提出一种基于物理信息神经网络的完整状态空间模型，将翼型外形参数和流动条件纳入输入，实现宽状态空间内约18.8小时连续求解，并支持约1秒完成流动模拟与反设计，结合预训练-微调方法达到有限体积法精度。
2024-01-14 physics.flu-dyn
Open-Source Parametric Airfoils to Study Geometric Effects on Buffet
本研究开发了基于少量参数的高阶连续翼型构建方法，通过大涡模拟探究翼型四个关键几何参数对跨声速抖振的影响，证实不同边界层状态下抖振敏感性相似，且提供开源翼型几何数据。
2024-10-08 physics.flu-dyn
Impact of Engine Nacelle Flow on Buffet
本研究通过壁面建模LES模拟OAT15A翼型在抖振条件下的流动，发现UHBR发动机短舱激波与翼型激波共享动态模态，削弱翼型激波强度并降低抖振发展程度。
2024-03-19 physics.flu-dyn
NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning
Massachusetts Institute of Technology（麻省理工学院）
本研究提出开源工具NeuralFoil，融合物理信息机器学习与解析模型，在保证精度的前提下实现远快于XFoil的翼型空气动力学分析，支持梯度优化与不确定性量化，可快速生成接近专家设计水平的翼型。
2025-03-20 cs.LG physics.flu-dyn
Physics-informed neural networks for shock capturing in inviscid flows around an airfoil
School of Aeronautics, Northwestern Polytechnical University（西北工业大学航空学院）；International Joint Institute of Artificial Intelligence on Fluid Mechanics, Northwestern Polytechnical University（西北工业大学流体力学人工智能国际联合研究院）；National Key Laboratory of Aircraft Configuration Design（飞机构型设计全国重点实验室）
研究针对PINNs解决翼型无粘流激波捕捉问题的不足，提出将稳定激波捕捉重构为时间演化强化物理约束，引入非稳态欧拉方程和伪时间步长概念的PDE损失函数及简化公式，经四个正问题验证了方法的有效性。
2026-10-27 physics.flu-dyn
Neural Differential Equations for Oscillatory Flows in Aeroelasticity Applied to Transonic Buffet
Duke University（杜克大学）；RMIT University（皇家墨尔本理工大学）
针对自激气动流引发的气弹不稳定性预测难题，提出结合非线性流体振荡器等的神经微分方程降阶模型，经单个CFD模拟识别后与结构方程耦合，用于跨声速抖振预测，结果与全阶解吻合良好，为多模态气弹不稳定性提供新见解。
2026-08-04 physics.comp-ph physics.flu-dyn
Transonic buffet and incompressible low-frequency oscillations at high Reynolds numbers
本研究通过高雷诺数（Re=1e7）下的不可压缩与可压缩URANS模拟及SPOD分析，证明跨声速抖振与低频振荡共享同一机制，且无需激波或可压缩性，其根源在于流动分离，为扩展飞行包线提供了控制策略依据。
2025-09-25 physics.flu-dyn
Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning
Tsinghua University（清华大学）；Yale University（耶鲁大学）
提出一种物理嵌入的迁移学习框架，利用二维翼型流场预测三维机翼流场，结合后掠理论显著降低误差并减少训练样本需求。
2024-10-12 cs.LG physics.flu-dyn
Reinforcement Learning-Based Closed-Loop Airfoil Flow Control
本文研究基于强化学习的闭环主动流动控制策略，通过优化作动位置、观测状态、奖励函数及更新间隔等参数提升NLF(1)-0115翼型升阻比，并验证预训练控制器结合物理信息展向分布在三维流动中的有效性。
2025-05-07 physics.flu-dyn
Aeroelastic Reduced-Order Model Differential Equations in Transonic Buffeting Flow
RMIT University（皇家墨尔本理工大学）；Duke Universirty（杜克大学）
本文提出一种结合非线性振子动力学与Volterra理论的新型非线性不稳气动降阶模型，用于准确模拟气弹激振现象。
2026-02-27 physics.comp-ph physics.data-an physics.flu-dyn
Mesh-Agnostic Decoders for Supercritical Airfoil Prediction and Inverse Design
本文提出一种结合数据驱动快速预测与网格无关灵活性的隐式解码器，用于超临界翼型快速预测，并联合网格编码器构建生成模型实现逆向设计。
2024-02-27 physics.flu-dyn
Transonic Buffet Modeling via Invariant Manifolds
Delft University of Technology（代尔夫特理工大学）；DLR (German Aerospace Center)（德国航空航天中心）
本文提出一种基于不变流形的降阶模型，用于准确预测亚音速湍流的非线性演化，通过数据驱动方法实现对完整流动场的高效建模。
2026-02-10 math.DS physics.flu-dyn
Scale-resolving simulations and data-driven modal analysis of turbulent transonic buffet cells on infinite swept wings
Japan Aerospace Exploration Agency（日本宇宙航空研究开发机构）
研究通过跨尺度模拟和数据驱动模态分析，探讨了无限展弯翼上跨音速脉动细胞的二维和三维特性，揭示了展弯对分离模式频率和能量的影响，以及平均分离对三维脉动动态的重要性。
2026-04-08 physics.flu-dyn
SuperWing: a comprehensive transonic wing dataset for data-driven aerodynamic design
School of Aerospace Engineering, Tsinghua University, Beijing, China（清华大学北京航空航天工程学院）；School of Computation, Information and Technology, Technical University of Munich, Germany（慕尼黑技术大学计算、信息与技术学院）
SuperWing数据集通过4239种参数化机翼几何和28856个RANS解，为数据驱动的空气动力学设计提供广泛的数据支持，展示了其在预测表面流动和零样本泛化方面的有效性。
2026-05-07 cs.LG physics.flu-dyn
Implementation of Immersed Boundaries via Volume Penalization in the Industrial Aeronautical Computational Fluid Dynamics Solver CODA
本研究在工业航空CFD求解器CODA中实现浸入边界体积惩罚法，开发自适应网格预处理工具，通过多类翼型及飞机算例验证，证明其高效准确，可用于工业航空应用。
2025-01-07 physics.flu-dyn
Spatio-Temporal Prediction of Unsteady Airfoil Aerodynamics Using Augmented Graph Neural Ordinary Differential Equations with Exogenous Controls
German Aerospace Center (DLR)（德国航空航天中心）；Airbus Operations（空客运营公司）
研究非定常翼型空气动力学的时空预测问题，核心方法是将图神经网络与增强神经常微分方程结合形成GNODE，主要贡献是该方法能稳定准确地预测表面力，适合建模含外部输入的非线性时空系统。
2026-07-22 cs.LG physics.flu-dyn
Solving all laminar flows around airfoils all-at-once using a parametric neural network solver
本文提出基于TSONN和网格变换的参数化神经网络求解器，可一次性求解UIUC翼型数据库中雷诺数100至5000、攻角-5°至15°范围内的所有层流，升阻力系数误差分别约为4.6%和1.1%，无需标注数据。
2025-01-02 physics.flu-dyn
$\texttt{CRLS}$: Convolutional Regularized Least Squares Framework for Reduced Order Modeling of Transonic Flows
CRLS通过卷积正则化最小二乘方法提升跨音速流降阶建模的精度与效率，有效处理激波问题。
2025-11-26 physics.comp-ph physics.flu-dyn
Manifold Learning with Implicit Physics Embedding for Reduced-Order Flow-Field Modeling
Shaanxi Aerospace Flight Vehicle Design Key Laboratory, School of Astronautics, Northwestern Polytechnical University（西北工业大学航天学院陕西省航空航天飞行器设计重点实验室）
本文提出一种基于隐式物理嵌入的曼陀网学习方法，用于提高非线性流场建模的准确性，通过融合物理参数优化曼陀网结构，有效减少预测误差。
2026-01-20 physics.flu-dyn
Perpendicular rod-airfoil aeroacoustics: experiments and modelling of interaction noise
ENSMA
本文通过研究一个简化配置，即一个圆柱体垂直放置在对称NACA-0012翼型前方，探讨了着陆过程中轮毂涡与展开襟翼相互作用噪声的问题。通过实验和建模方法，研究了圆柱体涡与下游翼型相互作用产生的声场和流动现象。
2026-05-21 physics.flu-dyn
A deep neural network physics-based reduced order model for dynamic stall
Politecnico di Milano（米兰理工大学）
本文提出了一种基于深度神经网络的物理引导降阶模型，用于高效预测pitching NACA0012翼型在动态失速情况下的气动性能。
2024-02-19 physics.flu-dyn
Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations
Airbus（空中客车公司）；ISAE-Supaero（法国高等航空与空间研究院）
本文提出基于隐式神经表示的Aero-Nef代理模型，用于非结构化网格上的稳态飞机气动仿真，可泛化至未知三维形状，并在翼型与机翼数据集上显著降低误差、实现比高保真求解器快五个数量级的推理。
2024-07-29 cs.CE cs.LG cs.NA
Towards a Generalized SA Model: Symbolic Regression-Based Correction for Separated Flows
本文提出基于符号回归修正SA湍流模型生成项的数据驱动方法，通过翼型数据同化构建白盒修正模型，在多种翼型和机翼上验证，显著提升分离流预测精度，失速迎角升力预测误差降低69.2%。
2025-03-12 physics.comp-ph physics.flu-dyn
AeroDiT: Diffusion Transformers for Reynolds-Averaged Navier-Stokes Simulations of Airfoil Flows
针对传统CFD方法难兼顾效率与精度的问题，提出融合扩散模型与Transformer、加入物理信息损失的代理模型AeroDiT，可快速高精度预测翼型RANS流场。
2025-10-22 physics.comp-ph physics.flu-dyn
Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning
Graduate Student, Department of Aerospace and Mechanical Engineering（航空航天与机械工程系）；Postdoctoral Research Associate, Mathematical Institute（数学学院）；Assistant Professor, Department of Aerospace and Mechanical Engineering（航空航天与机械工程系）
本研究利用伴随深度学习训练神经网络控制器，通过吹吸气射流优化湍流翼型升阻比，显著改善二维和三维NACA 0012翼型的气动性能，并验证了跨维度应用的鲁棒性。
2025-10-08 cs.LG physics.flu-dyn
Hybrid Quantum Physics-informed Neural Network: Towards Efficient Learning of High-speed Flows
本研究提出并行集成参数化量子电路与经典神经网络的混合量子物理信息神经网络HQPINN，通过物理信息损失训练，在多类流动基准测试中兼具精度、参数效率与泛化性，有望成为通用流动求解器。
2025-08-01 physics.comp-ph physics.flu-dyn
Mixed data-source transfer learning for a turbulence model augmented physics-informed neural network
University of Southampton（南安普顿大学）
本文提出混合数据源迁移学习方法，结合湍流模型和硬约束，提升物理信息神经网络在PIV数据中的预测精度与效率。
2026-01-08 physics.flu-dyn
Discontinuity-aware KAN-based physics-informed neural networks
School of Interdisciplinary Science, Beijing Institute of Technology（北京理工大学交叉科学学院）；School of Mechatronical Engineering, Beijing Institute of Technology（北京理工大学机电工程学院）；Beijing Institute of Technology (Zhuhai)（北京理工大学（珠海））
本文提出一种考虑不连续性的物理信息神经网络DPINN，通过自适应傅里叶特征嵌入层、不连续性感知网络、网格变换和可学习的局部人工粘性来提高求解具有尖锐空间过渡或快速时间演化的偏微分方程的准确性。
2026-03-24 physics.comp-ph physics.flu-dyn
Physics-Informed Chebyshev Polynomial Neural Operator for Parametric Partial Differential Equations
本文提出了一种基于Chebyshev多项式基的物理信息神经算子，用于解决参数化偏微分方程，通过改进的基变换和调制机制提升模型的鲁棒性和精度。
2026-02-02 cs.LG physics.flu-dyn
Nonlinear Reduced-Order Modeling of Compressible Flow Fields Using Deep Learning and Manifold Learning
本文提出DeepManifold（DM）-ROM框架，结合深度学习和流形学习预测含激波的压缩流场，在RAE2822翼型上实现约3.5%的预测误差，优于POD-ROM和ISOMAP-ROM。
2024-12-16 physics.flu-dyn
Physics-informed neural networks for solving Reynolds-averaged Navier$\unicode{x2013}$Stokes equations
University of Tehran（德黑兰大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
物理信息神经网络（PINN）是用于求解和识别偏微分方程（PDE）的成功机器学习方法。我们采用PINN求解不可压缩湍流的雷诺平均Navier $\unicode{x2013}$ Stokes（RANS）方程，而不需要任何特定的湍流模型或假设，并且只需要域边界上的数据。我们首先通过求解Falkner $\unicode{x2013}$ Skan边界层来证明PINN求解层流Navier $\unicode{x2013}$ Stokes方程的适用性。然后，我们将PINN应用于四种湍流情况的模拟，即，零压力梯度边界层、逆压力梯度边界层和湍流在NACA 4412翼型和周期性山丘上的流动。我们的研究结果表明，PINN的层流与强压力梯度，预测误差小于1%，可以得到很好的适用性。对于湍流，我们也得到了很好的精度模拟结果，即使是对螺栓应力分量。
2021-07-22 cs.LG physics.comp-ph physics.flu-dyn
Geometry-aware PINNs for Turbulent Flow Prediction
Siemens Corporation（西门子公司）；Princeton（普林斯顿大学）
针对湍流场景中几何变化设计迭代的高成本问题，提出几何感知参数化PINN替代模型，结合局部+全局嵌入方法，可预测不同NACA翼型及未知雷诺数下的流场，为几何可变的湍流预测提供了高效方案。
2024-12-02 cs.LG cs.NA math.NA
Parametric vector flows for registration fields in bounded domains with applications to nonlinear interpolation of shock-dominated flows
本文提出了一种基于参数流场的注册方法，用于在有界域中进行非线性插值，以提高激波主导流场的精度。
2026-01-30 cs.NA math.NA physics.flu-dyn
CoFINN: Conservation Flux Informed Neural Networks for Physics Problems Governed by Conservation Laws
Middle East Technical University（中东技术大学）
CoFINN是用于守恒定律支配物理问题的深度学习框架，将有限体积守恒物理嵌入训练，从有限体积视角强制守恒一致。在翼型跨音速流预测中评估，提高了气动力预测精度，尤其在有限数据时表现出色，保持效率优势并可扩展。
2026-07-09 cs.CV physics.flu-dyn
Physics-informed, boundary-constrained Gaussian process regression for the reconstruction of fluid flow fields
ONERA（法国航空与航天研究学院）；Institute of Mathematics of Toulouse, INSA Toulouse（图卢兹数学研究所，图卢兹国立应用科学学院）；Université Paris-Saclay（巴黎萨克雷大学）
提出一种通用方法，通过边界约束和物理信息核函数，实现无边界观测的不可压缩流场重建。
2026-05-29 physics.flu-dyn stat.ML
