近期，北京大学工学院段慧玲教授以通讯作者身份在《AIP Advances》发表了题为“反向控制吹气方案的湍流减阻特性及其深度学习实现”的文章。

　　反向控制是一种典型的闭环控制减阻方案，通过在壁面上施加与探测平面内法向速度方向相反的吹气或吸气速度，可以对抗近壁区的速度脉动，达到减阻的目的。相比于同时考虑吹气和吸气的反向控制，仅考虑吹气过程的反向控制方案（简称反向控制吹气）可以显著增强减阻效果。然而，在反向控制方案的实际应用过程中，很难直接在探测平面内布置传感器以获取速度信息。因此，通常利用壁面上的切应力信息来预测探测平面内的速度分布。针对反向控制吹气减阻方案，该论文基于直接数值模拟方法，研究了在固定吹气质量流量条件下壁面吹气速度分布对减阻的影响，并采用深度学习算法来实现利用壁面信息预测探测平面信息的过程。具体而言，发现了减阻效果与吹气速度在反向控制吹气位置的分布几乎无关，简化了控制方案，并从统计的角度考察了流向和展向涡量与法向速度之间的关联，证实了分别以壁面切应力和探测平面法向速度方向作为卷积神经网络（CNN）模型输入和输出特征量的合理性。在此基础上，对训练得到的CNN模型开展了先验和后验测试，验证了模型的有效性，并将CNN模型应用于比训练集具有更高雷诺数的流动情况，扩展了CNN模型的适用性（图9）。该论文有助于认识固定吹气分数条件下吹气减阻（包括反向控制吹气）的性质，为反向控制吹气方案的实际应用提供有效指导。

　　论文得到了国家自然科学基金基础科学中心项目（基金号 11988102）的支持。论文链接：https://aip.scitation.org/doi/full/10.1063/5.0042740。

图9. (a) 反向控制吹气方案示意图，代表探测平面；(b) 壁面上的流向和展向切应力被同时作为CNN模型的输入特征量来预测探测平面内法向速度脉动的方向。