用于返回舱稳定性表征的自适应贝叶斯学习

为何保证返航航天器保持稳定至关重要

当一个返回舱高速穿过行星的大气层时，微小的俯仰和摆动变化可能决定着是平稳着陆还是危险的翻滚。然而，用以预测这种行为的详细数据稀缺且代价极高。本文提出了一种新方法，能从有限的计算模拟中学习返回舱如何保持稳定以及工程师对这些预测可以有多大信心。该工作也指向了更可信的数字孪生——随着新信息到来能够更新的航天器虚拟副本。

返回舱为何会产生摆动

当钝头返回舱穿行空气时，作用在其表面的力使其像浮标一样前后俯仰。控制这种运动的两个主要成分是：试图将飞行器重新指向气流的恢复力效应，以及使振动衰减或放大的阻尼效应。工程师用随速度和迎角变化的稳定性系数来概括这些行为。在棘手的跨音速和低超音速区间，冲击波、湍流尾流与柔性结构的相互作用使这些系数以复杂的方式变化，难以直接测量。

传统试验为何不够

经典手段——风洞、弹道试验和全三维高保真流体模拟——各自只提供了部分信息。风洞可能扭曲缩比模型周围的流场，射程测试仅给出稀疏的弹道数据，而高保真模拟成本极高，因而只能运行少量情形。以往方法经常在这些离散数据点上拟合简单曲线，但通常只给出单一的最佳估计，而没有清晰的不确定性表征。这使工程师得到的稳定性曲线可能遗漏采样角度之间的重要趋势，也无法指明在哪些位置补充数据最能提高置信度。

填补空白的学习循环

作者提出了一个自适应贝叶斯框架，将未知的稳定性行为视为平滑但存在不确定性的函数，而不是一组孤立的数据点。首先，他们对Genesis样本返回舱在略高于音速的若干速度下进行自由俯仰模拟。一个简化的俯仰运动方程将舱体的迎角随时间的变化与未知的恢复与阻尼项联系起来。通过将全局搜索算法与贝叶斯采样相结合，该方法在若干关键迎角处识别出哪些项值最能再现模拟运动，以及在噪声与模型局限下哪些取值范围仍然合理。

教替代模型下一步去哪儿找数据

接着，团队构建了一个替代模型——一个灵活的统计曲线——用于在连续迎角范围内预测稳定性并为每个预测给出不确定性带。他们采用了高斯过程，这是一种常用来对未知函数建模并内建置信估计的工具。关键在于，他们并不均匀采样迎角。相反，一个自适应规则扫描那些替代模型既不确定又预示响应强烈的迎角与马赫数组合。在这些有希望的位置，他们重新运行局部贝叶斯反演，将新的、更精确的估计加入训练集并更新替代模型。该循环持续，直到整个迎角范围的不确定性趋于平稳。

该方法揭示了舱体行为的哪些特征

将方法应用于Mach数在1.10到1.50范围内的Genesis舱，揭示出稳定且物理合理的趋势。恢复系数始终保持为负，意味着在测试迎角范围内舱体自然会试图将自身指回气流，随速度增加仅发生轻微变化。阻尼行为则更为显著：在非常小的迎角下，运动可能短暂增长，而在较大迎角和较高马赫数下则强烈衰减——在这些条件下，冲击与湍流尾流会耗散振动能量。自适应学习过程将这些曲线中的认识性（基于知识的）不确定性缩小了超过一半，当把所得函数反馈到运动方程中时，无论是训练案例还是留出测试案例，重建出的模拟轨迹均与原始轨迹相差约一度。

这对未来数字孪生意味着什么

通俗地说，作者展示了如何将少量昂贵的高细节模拟转化为关于返回舱如何保持平衡的可靠连续图景，并附以诚实的误差条以显示知识的强弱位置。这类自适应、考虑不确定性的替代模型是航天器数字孪生的关键构件：数字孪生必须在不反复运行庞大模拟的情况下，快速做出安全关键的预测。通过学习额外数据最有价值的位置并量化每次预测的置信度，该框架帮助工程师设计更稳健的返航系统，并为能指导实际航天器安全返回的虚拟孪生铺平道路。

引用: Tiwari, B., Musharrat, L., Romeo, S.A.S. et al. Adaptive Bayesian learning for stability characterization of re-entry vehicles. Sci Rep 16, 10267 (2026). https://doi.org/10.1038/s41598-026-40068-7

关键词: 返回舱, 气动稳定性, 贝叶斯学习, 数字孪生, 高斯过程替代模型