基于深度神经网络自适应流场剖分的风扇阵列风洞(FAWT)开源设计与控制

《Array》：Design and control of an open-source fan array wind tunnel for adaptive flow profiling using deep neural networks

　　

摘要：风扇阵列风洞(Fan Array Wind Tunnel, FAWT)可为空气动力学及土木工程研究提供可编程的空间结构化来流，但设施专用化实现方式及缺乏基于学习的控制之开放基准阻碍了可重现性研究。本文提出一个开源FAWT平台及配套基准测试套件，受逆流控制的启发但聚焦于模块化6×4风扇阵列配合多点距速度测量的正向代理学习(forward-surrogate learning)。研究人员发布了硬件设计、控制固件、软件接口及大规模实验数据集，并提供统一的训练/测试协议以系统比较模型。利用此基准评估了三种典型神经网络架构——多层感知机(MLP)、二维卷积神经网络(CNN2D)及带注意力机制的CNN2D(CNN2D+Attention)——建立风扇指令至下游速度场的映射，并在七个下游平面(18–78 cm)报告性能。研究人员进一步引入简单的下游混合正向基线(恒等/仿射、岭回归及共享非负局部混合核)以阐明空间耦合并提供可解释参照点。除总体精度指标外，研究人员报告了参考距离(78 cm)多随机种子验证及不确定区间，并对架构间做配对显著性检验。研究人员还分析了无约束回归在此数据集上的显著失效模式：零速度区系统性偏差，这为可靠闭环部署中引入物理引导约束提供了依据。总体而言，本文贡献了一个可重现的数据集—代码基准及实证表征——阐明空间归纳偏置与最少物理结构如何影响小型FAWT阵列的性能。

论文解读：

【研究背景与意义】

传统风洞难以产生时空可变的空间结构化来流，而风扇阵列风洞(Fan Array Wind Tunnel, FAWT)用多个独立可控风扇替代单一大型风扇可产生复杂流场，适用于无人机(UAV)、土木工程及环境风工程研究。然而现有FAWT多为设施专用闭源系统，缺乏开放硬件设计、标准化数据集与统一评估协议，且数据驱动逆控制(inverse control)研究受限于可重复基准。此外多数文献未报告不确定性量化与跨架构系统比较。为此，Daniel Aláez、Fermín Sola与Jesús Villadangos（Universidad Pública de Navarra, Spain）设计并发布了名为JavaFAWT的开源FAWT平台、大规模实验数据集及标准化深度学习基准，发表于《Array》，旨在为FAWT自适应流场控制的数据驱动方法提供可重现的评测基础。

【关键技术方法】

研究人员搭建由4个模块组成的小型FAWT演示装置，每模块含6个Bgears b-Blaster 140 mm PWM风扇（6×4=24风扇网格），配铝蜂窝整流器及可移动皮托管耙(pitot rake)搭载nanoDAQ-LTS 32通道压力扫描仪测量24点动态压力并换算为速度（伯努利方程 v=√(2ΔP/ρ)）。硬件含开源PCB接口板将Raspberry Pi Zero 2W的3.3 V PWM升压至6 V驱动风扇，采用Wi?Fi TCP客户端—服务器架构（Python客户端pwm_client.py + Java服务器端GUI）。实验采集45,176组风扇占空比指令(0–100%)与下游速度场同步样本，覆盖7个下游距离平面(18–78 cm，间距12 cm)，以random_state=42做80/20固定划分，列方向z?score标准化且仅用训练集拟合缩放参数。研究人员以正向代理学习(fan commands p∈[0,100]²⁴→ downstream velocities v∈R²⁴)为目标，用MSE损失训练并比较三种架构：四层MLP(256→256→128→64, ReLU, dropout)，CNN2D(输入重塑为6×4×1经3×3卷积块32/64/128滤波器、最大池化、全局平均池化及全连接层)，CNN2D+Attention(卷积编码后接4头自注意力MultiHeadAttention(key_dim=32)、残差连接与层归一化)。在78 cm距离以5个随机种子(0–4)重复训练量化初始化变异，其余距离单次训练。简单基线含恒等仿射(ap+b)、岭回归及共享3×3非负最小二乘局部混合核(NNLS, k_m,n≥0)。

【研究结果】

■ 9.1. Forward baseline comparison: linear and local mixing priors

三个闭合形式基线在78 cm处R²分别为恒等仿射0.500、岭回归0.542、共享核NNLS 0.506，说明即使强约束局部混合先验已较纯逐点缩放捕获更多致动器耦合信息，但远不及深层模型(R²≈0.83)，证实非线性空间模型价值。

■ 9.2. Multi-distance performance analysis

在七距离评估显示28–68 cm区间性能最优（28 cm处CNN2D R²=0.928），过近(18 cm)射流未充分发展湍流复杂，过远(78 cm)混合耗散降低空间相干性使性能略降。CNN2D一致优于MLP（R²相对提升0.81%–2.81%），CNN2D+Attention仅在少数距离微幅超越CNN2D（最大0.45%于68 cm），表明6×4网格上空间归纳偏置获益大于长程注意力。

■ 9.3. Multi-seed validation at 78 cm

五种子重复训练均值±标准差：MLP R²=0.817±0.001(RMSE=1.015±0.002 m/s)，CNN2D R²=0.830±0.000(RMSE=0.977±0.001 m/s)，CNN2D+Attention R²=0.832±0.000(RMSE=0.973±0.001 m/s)。配对t检验CNN2D显著优于MLP(p<10^?4)，CNN2D+Attention轻微但显著优于CNN2D(p=0.011)，低标准差证明结果对权重初始化稳定。

■ 9.4. Architecture performance ranking

综合各距离CNN架构始终优于MLP，注意力机制贡献边际；空间邻域归纳偏置是此小阵列上主要性能增益来源。

■ 9.5. Prediction accuracy and spatial coherence

散点图与6×4空间热图显示CNN类模型预测更紧靠对角线且误差具空间相干性——中心区误差低，边界效应区误差略高，符合物理预期。

■ 9.6. Computational efficiency and real-time performance

MLP推理<1 ms，CNN2D约2–3 ms，CNN2D+Attention额外<0.5 ms，均满足风洞准实时控制潜在需求。

■ 9.7. Prediction bias analysis and zero-velocity challenges

数据56.21%测点为确切0 m/s（对应部分风扇0%占空比），标准MSE回归与z?score归一化致模型对真值为0的速度预测偏高(达6+ m/s)，因未嵌入物理约束"fan power=0%→local velocity=0 m/s"。此失效模式指明未来需引入物理引导约束或零膨胀建模。

■ 9.8. Model comparison summary

多距离评估支持卷积空间偏置持续有益，注意力仅边际改善；正向代理可作为未来逆控制管线构建块。

【讨论与结论】

讨论指出局限含单split内插而非严格OOD泛化、未量化不确定性、零速度物理不一致性及未演示真实闭环控制；建议未来引入物理信息神经网络(PINN)、加权损失或显式掩码处理零膨胀目标、扩展多距多划分验证及闭环瞬态目标研究。

结论：研究人员提供了完整开源FAWT平台(机械设计、电子、固件、Java/Python软件、GitHub仓库https://github.com/UPNAdrone/JavaFAWT)及大规模基准数据集与统一训练—测试协议。系统评估表明空间归纳偏置(CNN2D)较MLP获稳定R²提升(~0.013)，注意力仅再微增(~0.001)；发现并记录了无约束回归在零速度区的系统性偏差。该开源框架为FAWT数据驱动流场控制算法的开发、比较与压力测试提供了透明可重现的基础。