一、研究背景与行业痛点

（1）低空经济真实飞行风险
城市低空流场极度复杂：高楼尾迹涡、民航机尾涡、热岛强上升气流叠加形成随机、强非线性、瞬时突变阵风；阵风可在极短时间内让飞行器气动载荷波动 200% 以上，极易引发机翼抖振、动态失速、飞行器失控坠机，严重限制无人机、载人 eVTOL 全天候商业化运营。

图 1：城市低空阵风场景与无人机应用概念示意图
左列：三类典型城市阵风来源 —— 高层建筑脱落涡、民航客机翼尖尾涡、城市热岛浮力上升流；
右列：受阵风影响的各类低空飞行器任务：无接触物流配送、城市空中出租车、农业植保；
中间：三角翼模型在两种流场下的涡场对比，左侧平稳无风条件涡结构微弱，右侧阵风环境涡结构剧烈紊乱；机翼表面压力传感器采集信号输入 AI 模型，代表智能阵风感知与预测系统。

（2）传统气动建模三大核心短板
经典线性气动力理论完全失效
Theodorsen、Goman-Khrabrov 等传统非定常模型建立在小扰动、附着流假设之上；阵风冲击会诱发前缘分离涡、大范围流动分离、展向横向二次流，强非线性流场下传统模型预测误差极大。

纯 CFD（Fluent 等）仿真算力成本极高
使用 Fluent 开展三维高雷诺数三角翼瞬态阵风仿真，网格规模大、时间步密集，批量多工况计算耗时数天，无法满足机载设备实时预测的需求。

现有机器学习模型存在固有缺陷
MLP 多层感知机：无时间记忆能力，无法捕捉流动迟滞、流场历史演化效应；
LSTM 循环网络：仅建模时序信息，完全忽略机翼不同位置压力测点之间的空间耦合关系；
单一 GNN 图网络：无法捕捉阵风长周期时间演化规律；
过往模型大多独立训练网络分别预测升力、阻力、力矩，泛化能力弱，仅适配简单二维翼型，难以适配带三维横向流动的真实飞行器。

（3）核心科学问题
机翼稀疏压力测点同时具备两类强耦合特征：
① 空间关联：三维涡、横向二次流会造成机翼全域压力相互干扰；
② 时序依赖：当前气动载荷高度依赖阵风全过程的历史流场状态；
如何构建统一模型同时融合时空信息，单模型同步完成多气动载荷高精度预测。

二、数据集设计：二维数值仿真 + 三维水槽真实实验（双层验证体系）

论文采用分层验证逻辑：无噪声理想仿真数据验证模型底层能力，带测量噪声的实物实验验证工程实用性。

图 2：本文两套数据集可视化总览
(a) 二维翼型仿真数据集：阵风下翼型气动响应
(a1) 全部仿真工况升力系数时序曲线，红色高亮代表典型算例；
(a2) 典型时刻瞬时涡量云图；
(a3) 对应上下翼面非定常压力系数 Cp 时空分布；
(b) 三维三角翼实验数据集：三角翼阵风响应
(b1)(b2) 两组不同阵风工况下机翼运动时序，以及对应机翼表面压力云图演化。

1. 低雷诺数二维 NACA0012 翼型仿真数据集
   求解器：WaterLily 可微不可压求解器，Re=1000 层流工况
   实验方案：上游振荡翼型生成尾涡阵风，下游固定翼承受扰动；共 209 组差异化工况，覆盖不同阵风强度、攻角组合
   模型输入：机翼弦向 9 个虚拟稀疏压力测点时序信号
   作用：无传感器噪声、无三维复杂效应，单独验证模型捕捉时序与基础空间耦合的底层性能

2. 高雷诺数非细长三角翼拖曳水槽实验数据集
   几何模型：45° 后掠三角翼（低空无人机主流构型，天然存在强三维前缘涡）；雷诺数 Re=1.5×10⁵~4.5×10⁵湍流工况
   阵风生成：通过拖曳机构加速、俯仰运动，生成轴向、横向复合阵风
   测量硬件：机翼单侧布置 15 个压力传感器 + 根部六分量测力天平，数据包含真实传感器噪声；共计 32 组阵风工况
   核心难点：流场存在横向二次流、前缘涡破裂、全域流动分离，压力场全域耦合，仅局部测点关联会丢失大量流动物理信息

三、核心模型：Graph Transformer 时空融合框架

整体架构分为两大核心模块：GNN 图神经网络提取瞬时空间压力特征 + Transformer 自注意力机制建模长时间时序演化，一套网络完成三类预测任务。

图 3 Graph Transformer 整体框架与三大预测任务总览
左上角：带压力测点的 NACA0012 剖面三角翼几何模型；
中间一行：三种图连接拓扑结构（流向单连接、横向单连接、全连接图），标注测点节点与连接权重；
底部：完整 Graph Transformer 网络结构，配套本文设计的三项预测任务介绍。

1. 空间模块：GNN 图网络 —— 刻画机翼测点全域空间耦合
   1、图结构定义：每一个机翼压力传感器作为图节点，节点特征为实时壁面压力系数 Cp；
   2、三类图拓扑消融对比（核心结论）：
   仅流向连接：只关联弦向测点，忽略展向横向流动耦合，预测误差大幅升高；
   仅横向（展向）连接：丢失主流方向压力传递规律，误差显著超标；
   全连接图 Full-link graph（最优结构）
   ：所有测点两两建立加权边，边权重由测点空间归一化距离计算；三维阵风涡结构会造成全机翼压力互相干扰，仅全连接拓扑可完整捕捉全域耦合关系，相比稀疏连接误差降低 50% 以上；
   3、GNN 计算逻辑：逐层聚合全部邻接节点压力特征，提取单时刻完整机翼空间压力表征。

2. 时序模块：Transformer 自注意力 —— 捕捉阵风全周期演化记忆
   阵风载荷存在明显时间滞后效应（涡生成、输运、撞击机翼存在时间差），瞬时载荷高度依赖数十步历史压力时序：
   输入序列：每一时刻 GNN 输出的空间特征拼接为长时序；
   自注意力核心作用：自动分配时序权重，主动聚焦阵风起始时刻、载荷峰值、涡脱落关键区间，弱化平稳无风扰动时段；
   优势：相比 LSTM，长时序依赖捕捉能力更强，注意力热力图可直观解释模型判断依据，解决深度学习 “黑盒” 问题。

3. 三大一体化预测任务（单模型通用，多任务联合训练）
   

四、定量定性核心实验结果

5.1 二维翼型仿真结果（任务 1）

图 4 二维翼型任务 1：阵风载荷预测与误差量化分析
(a) 两组典型仿真工况预测对比，左侧弱阵风附着流工况、右侧强阵风分离涡工况；实线为仿真真值，虚线为模型预测；背景色为时序注意力权重；最右侧为对应时刻涡场云图；
(b) 全二维测试集误差统计气泡图，气泡大小、颜色代表升力预测 MSE，同时展示误差最大工况的真值 - 预测对比曲线。
1、预测精度：无论弱附着流、强涡分离冲击阵风，升力预测 MSE 普遍低于 0.003；
2、注意力规律：平缓弱阵风注意力仅集中在阵风起始区间；强分离涡工况注意力覆盖完整载荷波动周期，与流动物理完全匹配。

5.2 三维三角翼实验正向载荷预测（任务 1）

图 5 三维三角翼任务 1：阵风载荷预测与误差量化
(a) 4 组代表性实验工况 (A-D) 升力、阻力、力矩预测曲线与真值对比，下方对应 Transformer 时序注意力权重热力图，上方标注关键时刻机翼压力云图；
(b) 四组工况 CL、CD、CM 三项气动系数预测均方误差柱状对比。
1、整体精度：单模型同步预测三组气动力，绝大多数工况 MSE＜0.005；仅少数瞬时载荷尖峰存在小幅低估 / 高估，根源为实验强阵风样本数量有限、传感器噪声干扰；
2、多任务优势：共享时空特征实现升 / 阻 / 力矩联合预测，充分利用三者内在物理关联，模型复杂度更低、稳定性更强。

5.3 三种图结构消融对比实验

图 6 不同图拓扑模型阵风载荷预测 MSE 对比
以全连接图模型误差为基准，展示仅流向连接、仅横向连接模型的相对误差百分比；多数工况稀疏连接模型误差高出 100%~200%。
核心结论：三维阵风流动下机翼压力全域耦合不可忽略，仅保留单向局部测点连接会严重丢失流场空间信息，全连接图是高精度预测的必要条件。

5.4 三维逆向攻角反演（任务 2）

图 7 逆问题任务 2：实时迎角 AoA 预测结果
上图：4 组工况预测 AoA 与实验真值曲线对比，背景为时序注意力权重；上方标注关键时刻三角翼姿态示意图；
下图：四组工况 AoA 预测 MSE 柱状图。
模型可依靠纯压力时序反演飞行攻角，多数工况 MSE 仅 1.1~2.3；仅强不对称阵风工况出现一定偏差，原因为压力 - AoA 映射存在多解性。

5.5 压力 + AoA 融合优化预测（任务 3）

图 8 融合任务 3 预测效果对比
(a) 4 组工况融合模型载荷预测曲线与时序注意力图谱；
(b) 任务 1（仅压力输入）与任务 3（压力 + AoA 融合）预测误差对比，空心标记 = 任务 1，实心标记 = 任务 3。
引入反演得到的攻角信息可优化极端阵风下阻力峰值预测，最高降低 30% 过拟合偏差；但 AoA 反演存在噪声时，优化效果会减弱。

5.6 主流 AI 模型横向性能对比
原文表 2 统一测试三维实验数据集，在相同超参下对比：
本文 Graph Transformer：MSE=2.53×10⁻³，单样本推理 30ms；
纯 Transformer（无图空间模块）：误差提升近 5 倍；
ChebConv、TAGConv 传统图卷积：仅建模空间、缺失长时序记忆，推理速度慢、误差放大 10~15 倍；
充分证明
空间图建模 + 时序自注意力
双模块缺一不可，混合架构是阵风预测最优方案。

5.7 模型鲁棒性验证
1、传感器缺失测试：随机删除 1~5 个压力测点，模型误差平缓上升，不会直接失效，适配机载传感器故障场景；
2、噪声鲁棒性：输入叠加 10% 测量噪声，整体 MSE 仍维持 10⁻³ 量级，适配真实飞行测量环境；
3、跨工况泛化：在低 Re 二维层流、高 Re 三维湍流两套完全无关数据集均可稳定收敛，泛化能力优异。

5.8 模型可解释性优势
Transformer 时序注意力热力图可直观定位模型关注的阵风关键时间区间：弱扰动仅关注阵风启动段，强涡分离覆盖完整载荷波动周期，可反向验证流动物理规律，摆脱传统深度学习纯数值拟合、无物理解释的弊端。

五、论文学术价值与工程落地价值

1. 学术价值（流体力学 + AI 交叉 CFD 方向）
   1、首创
   图神经网络 + Transformer 时空耦合数据驱动气动建模范式
   ，专门适配带三维横向二次流、前缘分离涡的非定常阵风问题；
   2、定量证实三维飞行器表面压力存在全域跨区域耦合，修正过往仅采用局部测点邻接建模的行业误区；
   3、搭建 “低 Re 仿真基准 + 高 Re 水槽流体实验” 标准化 AI 气动模型验证流程，为 CFD 降阶代理模型（ROM）提供通用研究框架；
   4、实现气动载荷正向预测、飞行姿态逆向反演一体化多任务学习，拓展非定常气动数据驱动建模思路。

2. 工程落地价值（低空无人机 /eVTOL）
   1、大幅替代海量瞬态 CFD 仿真：单次模型推理仅 30ms，无需 Fluent 长时间非定常仿真，降低飞行器阵风工况校核算力成本；
   2、机载轻量化实时阵风感知：仅少量机身压力传感器即可实时输出全套气动载荷，为飞控系统提供阵风前馈补偿信号，提升恶劣风场飞行稳定性；
   3、飞行器硬件减重降本：无需全域密布压力传感器，仅前缘关键测点即可高精度预测，减少布线、传感器重量与整机成本；
   4、支撑低空经济商业化落地：攻克城市复杂阵风环境飞行器安全控制核心技术瓶颈。