該研究針對電動垂直起降飛行器（eVTOL）在近地效應（IGE）下產生的非穩態氣動推力問題，提出了一種融合物理機理與數據驅動方法的預測模型。研究團隊來自清華大學車輛與移動教育部重點實驗室，通過建立理論模型與實測數據的結合機制，有效解決了傳統物理模型預測滯后和純數據模型泛化能力不足的難題。

研究背景方面，團隊指出隨著城市空中交通（UAM）的快速發展，eVTOL成為核心研究對象。其中，徑向風洞實驗表明，當飛行器離地高度小于槳葉半徑時，氣動特性將發生顯著變化，推力波動幅度可達總推力的40%。這種非穩態特性源于地面效應導致的流動分離、渦旋生成及旋轉滯留等復雜現象，傳統物理模型難以準確捕捉瞬態波動，而純數據模型存在依賴大樣本、實時性差等問題。

核心創新體現在三個層面：首先在建模架構上，將物理先驗與神經網絡深度融合。通過分解推力為穩態平均分量與動態脈動分量，前者采用理想槳葉扭轉理論結合指數衰減模型計算穩態推力，后者則由改進的UNet結構處理。其次在訓練機制上，引入雙物理參考監督機制，通過有限差分法生成高精度物理參考數據，同時設計可訓練的卡爾曼濾波模塊動態調整模型權重，確保模型在多種工況下的魯棒性。最后在算法優化上，開發了具有置換對稱特性的網絡架構，通過跨層特征融合有效捕捉旋轉滯留現象中的準周期性特征，該結構在保持計算效率的同時，顯著提升了非平穩時間序列的建模能力。

實驗驗證部分采用清華大學自建的Aircar動力測試平臺，配置了工業級鋁型材框架與可調節高度的亞克力地面板。實測數據顯示，傳統物理模型在近地效應下的預測誤差超過30%，而基于遷移學習的純數據模型在環境突變時出現15%以上的性能衰減。對比實驗表明，所提出的PI-PUNet模型在離地高度0.2-0.8槳葉半徑范圍內，推力預測誤差降低至8.7%，響應延遲僅占預測周期的2.7%。特別在遭遇旋轉滯留時的瞬態波動捕捉方面，模型表現出優于傳統RNN結構的處理能力，其時間分辨率達到0.5Hz的實測數據精度。

該模型在實際應用中展現出顯著優勢：在離地高度低于0.3R（槳葉半徑）時，能夠提前0.8秒預測推力突變，有效避免飛行器姿態失控；在復雜氣象條件下（如側風5級），模型仍能保持92%以上的預測準確率，較基線模型提升18個百分點。計算效率方面，經過模型蒸餾和量化處理后，推理速度達到120ms/樣本，滿足實時控制需求。經濟性評估顯示，采用該預測模型可使eVTOL系統在近地運行時的能量損耗降低12-15%，這對提升電池續航能力具有重要價值。

理論貢獻方面，研究首次系統揭示了旋轉滯留現象中的準周期性特征與推力波動的關系。通過分析2000余組高速攝像與壓力傳感器數據，發現當離地高度低于0.4R時，推力波動呈現1:2的諧波關系，這與旋轉滯留的渦旋運動頻率存在對應。該發現修正了傳統流動分離理論中關于渦旋發展時序的假設，為后續改進物理模型提供了依據。

技術實現上，研究團隊開發了獨特的雙通道訓練機制：主通道處理穩態推力，通過改進的BEMT理論計算；輔助通道處理脈動分量，采用改進的UNet結構。網絡架構在傳統UNet基礎上引入三個關鍵創新：1）跨層特征金字塔結構，通過注意力機制實現多尺度特征融合；2）可變形卷積模塊，能夠自動適應不同高度下的流動分離程度；3）動態約束層，將物理方程的微分形式轉化為可微分約束條件，既保證理論正確性又滿足深度學習訓練需求。

在工程應用層面，研究團隊開發了嵌入式推理平臺，采用 arm Cortex-M7內核處理器，通過模型量化與剪枝將參數量壓縮至3.2MB，功耗控制在85mW級別。實測表明，在真實飛行器懸停測試中，該模型可以將推力預測誤差控制在±5%以內，響應延遲低于系統采樣周期（10ms）。特別設計的容錯機制，當檢測到模型置信度低于閾值時，自動切換為物理預測模式，確保極端情況下的系統安全。

未來研究方向方面，團隊計劃將該方法拓展至多旋翼eVTOL系統，并探索在三維空間中的非對稱流動效應建模。技術優化方向包括開發面向邊緣計算的輕量化推理框架，以及建立包含不同地面材質、天氣條件、載荷狀態的數字孿生數據庫。研究還提到正在與多家eVTOL制造商合作，將模型集成到飛行控制系統中，預計在2025年前完成工程驗證。

該成果為解決eVTOL近地運行控制難題提供了新思路，其核心價值在于構建了物理約束與數據驅動之間的有效橋梁。通過將流體力學中的雷諾分解理論應用于模型架構設計，既保留了物理模型的可解釋性，又利用神經網絡處理非線性、高維度的動態特征。這種混合建模方法在航空領域具有廣泛適用性，可延伸至直升機近地懸停控制、無人機低空避障等領域，對提升航空器近地運行安全性和能效具有重要工程意義。