基于简化潜在空间的稀疏测量中扰动气动流动的序列估计
流体动力学
2026-03-20 v2
摘要
本文提出一种快速、具不确定性感知能力的序列数据同化框架，用于估计在严重气流遇合期间的关键气动状态（例如瞬时涡流场和气动负载），其中涡流-气流相互作用显著影响流动动力学。该框架由一套集成卡尔曼滤波器（EnKF）组成，旨在检测并重建来自任意时间的各种强度和方向的近脉冲流动扰动。EnKF的预测和测量更新阶段由学习算子组成，这些算子来自于通过物理增强自编码器获得的低维潜在空间。预测算子传递未受扰动的基线动态，但无法预测随机气流引起的偏差。因此，分析阶段会频繁地同化表面压力测量，以检测扰动信号并启动从名义轨迹的偏差。该方法在两个二维气动翼-气流遇合的高保真仿真流场快照以及相应稀疏压力数据上进行训练和测试。由于同化完全在潜在空间中进行，更新计算效率高，可以从流式压力测量中持续估计气动状态。通过解码到原始高维流，潜在状态保持物理可解释性。对状态和观测格拉曼矩阵的特征值分解揭示了捕获扰动所需的主要校正方向，并量化了传感器如何在气流相互作用期间影响状态校正。该框架还考虑了传感器故障：传感器丢失实验表明，EnKF会自适应地重新加权相邻传感器以补偿丢失的信息，在感知受损时保持估计质量。
引用
@article{arxiv.2509.03795,
title = {Sequential estimation of disturbed aerodynamic flows from sparse measurements via a reduced latent space},
author = {Hanieh Mousavi and Anya Jones and Jeff Eldredge},
journal= {arXiv preprint arXiv:2509.03795},
year = {2026}
}