基于PINNs的单旋翼植保无人机下洗流场预测模型

植保无人机(unmanned aerial vehicle,UAV)进行喷施作业时,旋翼高速旋转所产生的下洗流场是影响雾滴飘移的重要因素.为了快速准确地预测单旋翼植保无人机下洗流场的速度等流场参数,提升无人机精准施药效果,该研究基于物理信息神经网络(physics-informed neural networks,PINNs)构建了单旋翼植保无人机下洗流场的预测模型.在全连接神经网络结构的基础上,嵌入纳维-斯托克斯(Navier-Stokes,N-S)方程作为物理学损失项来参与训练,减轻网络模型对数据依赖性的同时增强了模型的可解释性.通过最小化损失函数,使得该模型学习到流场中流体的运动规律,得到时空坐标与速度信息等物理量之间的映射关系,从而实现对单旋翼无人机下洗流场的速度等参数的快速预测.最后通过风洞试验验证该预测模型的可行性和准确性.结果表明:没有侧风的情况下,预测模型在旋翼下方0.3、0.7、1.1以及1.5 m共4个不同高度处各向速度的预测值和试验值的误差均小于0.6 m/s,具有较小的差异性;不同侧风风速情况下,水平和竖直方向速度的预测值与试验值的总体拟合优度R2分别为0.941和0.936,表明所提出的模型在单旋翼植保无人机下洗流场预测方面具有良好的应用效果,能够快速准确地预测下洗流场的速度信息.研究结果可为进一步研究旋翼风场对雾滴沉积分布特性的影响机理提供数据支撑.