数据驱动的极端涡旋阵风 - 翼型相互作用瞬态升力衰减

我们提出了一种数据驱动的前馈控制方法，用于衰减翼型在受到极端离散涡旋阵风扰动时所经历的大幅瞬态升力。当前分析使用非线性机器学习技术将高维流动动力学压缩到低维流形上。虽然翼型与极端涡旋阵风之间的相互作用动力学由其尺寸、阵风比和位置参数化，但尾流响应在此简单流形上得到了很好的捕捉。极端涡旋扰动对未受扰动基准流的影响可以以物理可解释的方式提取。此外，我们调用相位 - 振幅约化方法来建模和控制复杂的非线性极端空气动力学流动。当前的相位 - 振幅约化模型揭示了动力系统相对于基准周期轨道，在外力诱导下的相位偏移和振幅变化的敏感性。通过对稀疏回归识别的潜在动力学模型进行相位 - 振幅分析，推导出了低维化空气动力学流动的相位和振幅敏感性函数。利用相位和振幅敏感性函数，可以确定最优强迫，以便在低阶空间中快速抑制极端涡旋阵风的影响，使其回归未受扰动状态。这种建立在机器学习低维子空间基础上的当前最优流动修正，能够快速缓解各种极端空气动力学场景下瞬态涡旋阵风的影响，为小型飞行器在恶劣大气条件下的飞行提供了潜在基础。