战斗机设计是一项涉及多学科且具有大量竞争性要求的挑战性任务。随着机器学习技术的日益普及，重新思考和重塑设计流程可能会在成本和整体性能方面带来益处，同时缩短产品上市时间。本次报告将讨论战斗机设计流程，并重点阐述机器学习相较于当前先进水平能带来进展的方面。其中一个方面是确定所涉及构型的气动特性。这包括性能、稳定性与操纵性，以及覆盖整个飞行包线的压力和剪应力分布。此外，数据通常从不同来源收集，包括飞行试验、风洞实验或数值模拟，并且这些数据通常具有不同的保真度，范围从简单的估算方法到高保真度数值模拟，再到飞行中测量。过去几年中，为了进一步增强现有设计和评估方法、评估新技术能力，并在紧密相关的学科中促进高保真度气动数据的可用性，对这些数据源进行高效利用和探索的需求变得日益明显。受此驱动，数据驱动方法的目标是基于各种数据源推导出一致的气动数据模型，但评估时间和存储需求低于原始模型。特别是机器学习（尤其是深度学习）领域工具和硬件的日益普及，进一步加速了需求和发展的进程。另一个方面是利用机器学习模型来驱动整体优化，并以高效、自动化的方式获取不同设计参数以及设计条件之间的权衡。本次报告将重点介绍德国航空航天中心在数据驱动建模领域的一些最新进展，并聚焦于战斗机设计。

飞机设计，特别是战斗机设计，是一项复杂的工程，具有多个阶段、相互作用的学科以及竞争性的要求。图1展示了一个理想化的飞机设计流程，由概念设计、初步设计和详细设计阶段组成，随后是制造、试验和支持阶段。尽管目前正在进行研究活动，旨在通过机器学习技术更紧密地连接这些阶段，甚至将其转化为单一工程，但鉴于系统复杂性和现有的工业流程，至少在可预见的近期内，这似乎不太可能发生。尽管如此，机器学习提供了多种潜力，可以在所有阶段补充和增强当前的设计流程，以期以更低的成本和设计时间获得性能更高的战斗机设计。图1中可以看到一些选定的机器学习应用案例。这些包括：从先前的设计中提取知识，随后可在概念设计阶段加以利用；用于初步设计和详细设计阶段的机器学习驱动优化技术；以及早期试验阶段可用数据的整合。请注意，尽管本文以飞机设计为例，但将其适配于其他复杂系统（如地面车辆、海上舰船或导弹）的设计当然是可能的。

图1：包含选定机器学习潜力的理想化总体飞机设计流程

除了设计流程的顶层之外，机器学习技术在每个设计阶段内部也能带来优势。图2以初步设计阶段为例展示了这一点，在此阶段，气动、结构和推进等多个学科在耦合的迭代循环中相互作用。例如，在定义设计参数时，可以使用机器学习技术来减少自由度，同时确保足够的表达能力以获得改进和/或进行权衡研究。在部件尺寸确定步骤中，可以使用机器学习模型来获得高精度的气动载荷，同时避免直接采用计算流体动力学模拟带来的巨大开销。在性能和稳定性与控制分析中，可以使用多保真度建模来融入更高保真度的方法，而这些方法本身对于初步设计阶段来说成本过高。除了上述提及和展示的用于军用飞行器设计的机器学习潜力之外，还可以设想其他几种潜力，例如使用分类技术快速识别有缺陷的设计，或使用生成式人工智能技术快速推导新设计。尽管所有这些潜力在某种程度上是显而易见的，但机器学习技术是否能实现这些承诺仍有待观察。

上述讨论的任何机会总体上并不需要新的机器学习方法，而是需要在既有的设计活动与机器学习技术之间建立映射关系。查阅文献时会很快发现，为结构尺寸确定步骤提供载荷的模型通常被称为降阶模型，事实上，甚至在机器学习成为关注主题之前就已经存在和使用。类似地，模型辅助的优化通常被称为基于代理模型的优化或贝叶斯优化。将不同信息源组合成一致的气动数据集的研究此前是在"多保真度建模"的术语下进行的，而将具有不同空间分辨率的数据（例如压力测量与全场流场信息）相结合通常被称为"数据融合"。此外，在飞机设计领域之外，机器学习技术也被大量研究用于改变和补充现有的设计流程。与北约AVT团体特别相关的领域包括船舶和地面车辆设计。虽然这些设计过程也面临一些相似的挑战，但也可能存在一些差异，需要略微不同的方法或途径。

下文将简要介绍德国航空航天中心开发的Python代理建模气动数据工具箱，随后展示针对不同飞机设计阶段的几个机器学习应用案例。这些案例包括：处理不同保真度级别的数据以高效预测性能和稳定性与控制特性；使用先进的深度学习架构以获得精确的载荷预测；融合数值模拟和实验结果；以及一个基于代理模型的详细设计应用案例。之后将得出结论，并展望目前尚未或仅部分得到解决的进一步机器学习潜力及需求。

图2：包含选定机器学习潜力的理想化初步设计流程