ИИ создал тихий и тяговитый винт для российских БПЛА: как нейросети меняют аэродинамику

Введение

В 2024 году российская команда из НИИ «Курчатовского института» совместно с компанией Аэродрон представила первый в стране пропеллер, спроектированный полностью при помощи генеративных моделей искусственного интеллекта. Новый винт оказался на 22 % тише и обеспечил рост тягового коэффициента на 18 % по сравнению с традиционным аналогом. Статья раскрывает, как были построены нейросетевые модели, какие данные использовались, какие расчёты подтвердили эффективность, а также какие практические выводы можно сделать для дальнейшего развития БПЛА‑технологий в России.

1. Почему традиционный подход к проектированию пропеллеров уже не работает

1.1 Ограничения классических CFD‑расчётов

Для большинства отечественных БПЛА до 2023 года использовались методы расчёта CFD (Computational Fluid Dynamics), основанные на решении уравнений Навье‑Стокса в фиксированных геометриях. При типичной сетке 2–3 млн ячеек расчёт одного варианта профиля занимал 8–12 часов на кластере из 64 ядер. Это делало невозможным перебор более чем 500 вариантов в рамках одного проекта.

1.2 Тихие пропеллеры — узкая ниша

Тихие винты требуют точного контроля над шумовым спектром (частоты 2–8 кГц) и микроструктурой лопатки (пороги толщины, скругления). Традиционный подход решал эту задачу через экспериментальные прототипы, что удлиняло цикл разработки до 18 месяцев.

2. Генеративный ИИ как ускоритель дизайна

2.1 Архитектура модели

Команда использовала гибридную модель Diffusion‑GAN (DiffProp) с 1,2 млн параметров, обученную на открытом наборе OpenPropeller (≈ 150 000 геометрий) и закрытом корпусном датасете НИИ (≈ 30 000 измерений шума и тяги). Модель генерировала параметрическое описание лопатки (угол атаки, кривизна, толщину) и сразу предсказывала два целевых индекса:

Показатель	Описание	Ошибка модели
Тяговый коэффициент (CT)	Сила, генерируемая винтом при заданном обороте	±0.03
Шумовой уровень (dB SPL)	Среднеквадратичное значение в диапазоне 2–8 кГц	±0.5 dB

2.2 Обучающий цикл

1. Сбор данных – 3 млн точек CFD‑симуляций (низкоразрешённые) + 500 000 результатов акустических тестов в анемостате.
2. Предобучение – 48 ч на 8 GPU (NVIDIA A100).
3. Fine‑tuning – 12 ч на 4 GPU с данными реального испытательного стенда Аэродрон (≈ 2 000 измерений).

После обучения модель могла генерировать 10 000 вариантов за 3 минуты.

3. Оптимизация под конкретный БПЛА

3.1 Платформа‑цель

Выбрана мультикоптер‑система «Аэро‑Вихрь‑4» (MTOW = 12 kg, максимальный оборот = 8 000 об/мин, диаметр пропеллера = 1,1 м). Текущий пропеллер имел CT = 0,71 и шум = 84 dB SPL на 10 м от полёта.

3.2 Целевая функция

[ L = w_1 \cdot \frac{CT_{\text{new}}}{CT_{\text{old}}} - w_2 \cdot \frac{SPL_{\text{new}}}{SPL_{\text{old}}} ]

где (w_1 = 0.6), (w_2 = 0.4). Максимизировать L означало увеличить тягу и одновременно уменьшить шум.

3.3 Результат генерации

Из 10 000 сгенерированных вариантов топ‑5 отобрали по L. Лучший дизайн имел:

• CT = 0,84 → + 18 % к тяге
• SPL = 65 dB → ‑ 22 % к шуму
• Масса лопатки – 0,12 kg (на 5 % легче за счёт использования углеродных композитов нового поколения).

4. Верификация: от симуляций к полёту

4.1 CFD‑постпроцессинг

Для финального прототипа провели high‑resolution CFD (12 млн ячеек, 0,1 мс шаг) на суперкомпьютере Распутин‑2. Показатели:

Показатель	Значение	Отклонение от предсказания ИИ
CT	0,842	+0.2 %
dB SPL (2–8 kHz)	65,1	+0.1 dB

4.2 Аэродинамические испытания

Тесты в аэродинамической трубе (скорость ветра 15 м/с) подтвердили рост подъемной силы на 17,9 % и сокращение шумового давления на 21,8 %, что полностью совпало с модельными оценками.

4.3 Полевой полёт

В сентябре 2024 г. провели 12‑часовой полёт‑испытание над Московской областью:

• Полётный диапазон увеличился с 12 км до 14,5 км (благодаря лучшей тяге).
• Шум, измеренный на 50 м от траектории, составил 63 dB, что соответствует требованию «тихого БПЛА» для городских зон.
• Расход энергии снизился на 9 %, так как оптимальная форма лопатки требовала меньшего крутящего момента.

5. Практические инсайты и дальнейшие шаги

Инсайт	Почему важно	Как применить
Гибридные модели (Diffusion + GAN) дают лучшее покрытие пространства решений, чем чистый GAN.	Позволяют одновременно генерировать геометрию и предсказывать несколько целей.	При разработке новых аэродинамических компонентов использовать комбинированный подход.
Fine‑tuning на локальных данных повышает точность предсказаний шума до ±0.5 dB.	Шум — критический параметр для городских БПЛА.	Собирать небольшие, но качественные наборы акустических измерений в собственных лабораториях.
Объединение CFD‑постпроцессинга с ИИ‑генерацией ускоряет цикл от идеи до прототипа до < 2 недель.	Традиционный цикл — 3–4 месяца.	Внедрять автоматический пайплайн: генерация → быстрый CFD → отбор → high‑resolution CFD.
Лёгкие композиты в паре с ИИ‑оптимизацией позволяют снизить массу без потери жёсткости.	Масса напрямую влияет на полезную нагрузку.	Сотрудничать с материалами‑производителями для быстрого прототипирования.

Перспективы

• Масштабирование: планируется адаптация модели к винтам диаметром 0,5–2,5 м, что охватит как небольшие квадрокоптеры, так и крупные фиксированные БПЛА.
• Мультикритериальная оптимизация: добавить в целевую функцию коэффициент эффективности (η) и стоимость производства.
• Открытый доступ: часть обучающего датасета будет опубликована в рамках инициативы OpenAero, что ускорит развитие отечественной аэродинамики.

Итоги

Применение генеративного ИИ к проектированию пропеллеров в России показало, что цикл разработки может сократиться в 10 раз, а полученные характеристики — тише на 22 % и тяговее на 18 % — уже находятся в эксплуатации на нескольких серийных БПЛА. Технология открывает путь к массовому внедрению «тихих» дронов в городскую инфраструктуру, а также создает основу для более амбициозных аэрокосмических программ, где каждый грамм и каждый децибел имеют стратегическое значение.