Forskare har utvecklat ett AI-system som kan förbättra hanteringen av turbulens och minska risken för plötsliga höjdändringar under flygning. Studien, genomförd av KTH och Barcelona Supercomputing Center, visar att maskininlärning kan effektivisera experimentella teknologier för att styra luftflödet över vingytor.
Resultaten tyder på att dessa tekniker fungerar bättre i kombination med djup förstärkningsinlärning (DLR), där programmet anpassar sig till luftflödets dynamik baserat på tidigare erfarenheter.
Forskarna har fokuserat på ett särskilt aerodynamiskt fenomen kallat flödesavlösning, eller turbulenta separationsbubblor. Ricardo Vinuesa, forskare i strömningsmekanik och maskininlärning vid KTH, förklarar att detta inträffar när luften som strömmar över vingens yta släpper från ytan istället för att följa dess form. Detta kan leda till ökad luftmotstånd och minskad lyftkraft, vilket gör flygplanet svårare att kontrollera.
"Detta sker oftast när vingens anfallsvinkel är hög eller när luftens hastighet minskar på grund av ökat tryck," säger Vinuesa. "När detta händer minskar lyftkraften samtidigt som luftmotståndet ökar, vilket kan leda till att flygplanet hamnar i en stall-situation."
Forskargruppen har kunnat minska storleken på dessa turbulenta bubblor med nio procent.
Testerna utvärderade hur effektivt AI kunde styra experimentella anordningar som pulserar luft genom små öppningar i vingytan, så kallade syntetiska jetstrålar. Dessa tekniker är fortfarande under utveckling men ses som ett komplement till befintliga aerodynamiska lösningar, exempelvis virvelgeneratorer, som hjälper till att balansera luftflödet över och under vingarna.
Tidigare forskning har pekat på att dessa luftpulser bör ske med jämna mellanrum. Studien visar dock att en sådan metod endast minskar turbulenta separationsbubblor med 6,8 procent.
"Studien visar vilken viktig roll AI kan spela för vetenskaplig utveckling," säger Vinuesa. "Det kan få betydelse för aerodynamik, energieffektivitet och framtida simuleringar av strömningsdynamik."
Källa: KTH