基于风筝的火星空中的风能采集技术：一种结合物理分析、机器学习及不确定性量化的可行性评估框架

《Energy and AI》：Kite-based airborne wind energy on Mars: A hybrid physics-analytical and machine learning feasibility framework with uncertainty quantification

　　罗伊斯坦·V·卡斯特利诺 | 帕纳约蒂斯·科斯莫普洛斯
希腊雅典国家天文台

**摘要**
自主的、耐尘的电力生成是实现火星上持续机器人和载人表面操作的关键前提。太阳能光伏系统会受到逐渐加剧的灰尘影响而退化，而放射性同位素热电发电机则面临严重的可扩展性和燃料可用性限制。本研究首次使用两级混合建模框架，对基于风筝的空中风能技术在火星表面的可行性进行了综合评估。分析层利用火星气候数据库中阿尔西亚山北部的风数据，通过卢克辛格泵送循环公式确定了季节性功率上限。数据驱动层采用基于公开获取的меридional飞行测试数据集（包含7021个样本）训练的极端梯度提升（Extreme Gradient Boosting）模型，并通过八折留一循环交叉验证进行了验证。通过修正的、基于物理信息的缩放程序——包括风筝面积标准化、雷诺数一致的表观风速迭代以及消除先前发现的雷诺数重复计数错误——将地球验证过的模型直接应用于火星条件，而无需重新训练。对于在阿尔西亚山北部、海拔100米处运行的60平方米大风筝来说，修正后的机器学习估计显示其平均净循环功率为663瓦特，年能量产量约为1742千瓦时（在30%的负载循环下）。对八个参数的敏感性分析表明，年产量范围在686至3770千瓦时之间，其中雷诺数幂律指数和自由流速被认为是主要的不确定性因素。这些结果既确立了理论上限，也给出了实际性能预期，并指出了选址和季节性时机作为主要的任务设计考量因素。

**1. 引言**
确保可靠的、自主的、可扩展的能源供应是实现火星上持续人类和机器人操作最具挑战性的工程问题之一。现场资源利用、加压栖息地和生活支持系统需要千瓦级别的持续电力，但目前没有任何现有的火星能源技术能够同时满足这些要求并具备可接受的质量效率和运行韧性。
太阳能光伏（PV）系统一直是所有表面任务的主要能源，但其效果受到灰尘沉积的严重限制。火星表面的平均太阳辐射强度约为590瓦特/平方米——大约是地球值的43%——并且在沙尘暴期间会进一步减弱。NASA的“机遇号”探测器在2018年的全球性沙尘暴中最终因面板输出低于最低工作阈值而失效。“洞察号”着陆器的能量产出下降更为迅速：着陆后不久每日能量产量约为5000瓦时，三年内降至不足400瓦时（见图1）。
放射性同位素热电发电机（RTG）能够提供连续的、不受灰尘影响的电力，但其受到钚-238资源稀缺性的限制。NASA“毅力号”探测器上的多任务RTG仅提供约110瓦特的电力，远远低于人类栖息地或独立能源回收单元（ISRU）所需的千瓦级别电力。虽然光伏-RTG混合方案在概念上具有吸引力，但鉴于目前的钚生产率，其无法扩展以满足栖息地的用电需求。

**图1. NASA“洞察号”着陆器上的带尘太阳能阵列。随着时间的推移，灰尘沉积导致每日能量产量从约5000瓦时降至不足400瓦时。**

这些限制促使人们探索风能作为一种耐尘、可扩展的火星可再生能源。火星大气层（平均表面密度约为0.015千克/立方米，约为地球海平面值的1.2%）在高地形地区支持持续的风速事件，海拔100米处的风速可达15–22米/秒。传统的风力涡轮机由于大气密度低而不适合在这种环境下使用。相比之下，空中风能（AWE）系统利用系绳风筝沿横向轨迹飞行，产生的空气动力远超相同参考面积的固定装置，因此在低密度条件下具有显著优势。

**图2. 地面生成的泵送循环AWE系统的运行原理。**

现有的火星AWE研究通过稳态或分析缩放模型建立了概念上的可行性。然而，这些研究均未解决影响实际泵送循环性能的相位依赖性空气动力学、控制引起的损耗以及低雷诺数过渡效应，也未对机器学习推理的不确定性进行系统量化。

**2. 相关工作和现状**
本节回顾了五个主题领域的现有文献，并指出了本研究所要解决的研究空白。

**2.1. 火星大气和风能资源评估**
火星气候数据库（MCD）由法国国家科学研究中心（CNRS）的动力气象学实验室开发，是基于通用环流模型模拟并经过现场和遥感观测验证的火星大气数据的主要来源[5][6][7]。Forget等人[8]奠定了全球气候模型（GCM）的基础。Millour等人[7]描述了MCD 6.1版本，其中纳入了MAVEN、火星勘测轨道器（Mars Reconnaissance Orbiter）和“洞察号”着陆器的观测数据。Hartwick等人[9][10]进行了最全面的火星风能潜力评估，使用了最先进的GCM分析了五十多个潜在地点。他们的结果表明，包括阿尔西亚山在内的高海拔火山地形提供了最强且最可靠的风能资源，这直接促使了本研究中的选址决策。Banfield等人[1]描述了“洞察号”的气象套件，证实了近赤道低海拔地区的风能资源较差。Newman和Lewis[11]使用中尺度模型分析了地形驱动的气流特征。Kaplan[12]提供了“维京号”着陆器的早期环境数据。Delgado-Bonal等人[13]认为对于传统涡轮机而言，风能潜力有限，但这一结论后来被证明受到保守选址和特定涡轮机假设的影响[9]。Silberg[14]提出了基于风筝的火星风能系统。Holstein-Rathlou等人[15][16]首次在模拟的火星条件下（压力低至700帕）提供了风能发电的实验证据。Kundrapu和Lariosse[17]利用火星GCM评估了候选探索地点的风能资源，发现地形较高的地区通常具有更好的风能条件。Rennó等人[18]使用“探路者号”数据研究了火星对流边界层动力学，为高度依赖高度的功率模型提供了风切变估计依据。Schorbach和Weiland[19]分析了“维京号”和“洞察号”的风速记录，评估了涡轮机在沙尘暴中的性能限制，从而间接支持了基于升力的AWE系统的可行性。

**2.2. 地球上的AWE理论和低雷诺数空气动力学**
AWE的理论基础由Loyd[31]奠定，他推导出了横向风筝可实现的最大牵引功率公式：
$$P_{\text{max}} = \frac{427\rho_{\text{AV}}}{3\left(\frac{C_L}{C_D}\right)^2}$$
这表明横向风筝的功率与密度和滑翔比的立方成正比，在密度受限的情况下优化滑翔比是提升性能的关键。Argatov[32]扩展了Loyd的框架，考虑了绳索阻力、重力和离心力，推导出了更精细的横向功率公式，该公式构成了本研究中MATLAB分析框架的基础。Diehl[33]将Betz理论、Loyd的极限以及实际的泵送循环功率界限从第一性原理出发进行了推导。Cherubini[34]首次对AWE架构进行了全面分类，确定了泵送循环地面发电概念作为近期的首选方案。Schmehl[35]编辑了权威的AWE参考文献集。van der Vlugt[36]开发并验证了准稳态泵送循环模型，解决了放出和收回阶段的问题。

**2.3. 机器学习和替代建模**
Chen和Guestrin[49]引入了XGBoost算法，在结构化表格数据集上实现了最先进的性能，该方法具有内置的L1/L2正则化机制，能有效处理缺失数据，并具有良好的可扩展性，特别适合用于基于物理信息的替代模型建模。Bilgili和Gul[50]证明XGBoost在从SCADA数据建模风力涡轮机功率曲线方面优于传统回归方法。胡等人[51]将XGBoost与贝叶斯超参数优化应用于短期风力发电预测，在工业风电场数据上实现了低于百分之一的平均绝对百分比误差。尹等人[52]和李等人[53]的评论证实，梯度提升集成在风力发电基准测试中属于表现最佳的计算算法之一，其性能可与深度学习在结构化表格数据上相媲美，同时所需的训练成本显著降低。索曼等人[54]回顾了不同时间跨度的风力发电预测方法，明确了本研究中使用的操作性预测与长期资源评估之间的区别。海因曼和克拉默[55]对机器学习集成进行了风力发电预测的基准测试，确定梯度提升在多种聚合设置中的领先地位，支持了此处选择的模型。拉什迪等人[4]证明XGBoost回归能够从飞行测试特征中高精度预测瞬时泵送循环机械功率，这是迄今为止最接近本研究所采用方法的现有技术。卡帕特涅等人[56]提出的物理指导型机器学习范式为特征工程策略提供了基础：将空气动力缩放定律P∝ρAV3作为显式输入，使得模型能够在不重新训练的情况下进行跨环境泛化。目前用于训练的Meridional数据集[57]是关于实际泵送循环AWE飞行动力学最详细的开放访问记录之一。本研究是首次将该数据集用于跨领域转移到地外大气环境中。2.4. 研究空白与文献比较表1从六个维度比较了关键前期研究与本工作，这些维度共同定义了创新空间。本工作还与更广泛的可持续发展目标相联系。火星上的基于风筝的空中风能直接推进了可持续发展目标——SDG 7（负担得起和清洁的能源），通过为长时间太空任务提供一种可再生且抗尘的能源途径；同时通过开发新型混合物理-机器学习建模基础设施为SDG 9（工业、创新和基础设施）做出了贡献。跨领域转移框架进一步促进了SDG 13（气候行动）的实现，因为它推动了可转移至地球AWE资源评估和混合微电网设计的低碳能源技术。表1. 与本工作相比的先前火星AWE和机器学习风能研究。研究火星MLCross-Uncert.Cross-Scaling空白单元格站点空白单元格领域空白单元格值空白单元格Ouroumova等人[21]?–––––Schmehl等人[23]?–––––Gaunaa等人[25]?–––––Rushdi等人[4]–?––––Hartwick等人[9]?–––––本工作??????3. 方法论本研究采用了两级混合建模策略。基于物理的MATLAB框架提供了可解释的、上限的可行性估计。机器学习框架捕捉了更高阶的非线性和相变动态。两者共同界定了预期的性能范围。表2列出了所有缩写和主要符号。表2. 术语表：缩写和主要符号。符号/缩写定义AWE空中风能MCDM火星气候数据库XGB极端梯度提升LOOCV留一周期交叉验证AEP年能源产出RMSER均方根误差MAE平均绝对误差NRMSE标准化均方根误差ρ大气密度 [kg m?3]μ动态粘度 [Pa s]AKite参考面积 [m2]cKite弦长 [m]V∞自由流风速 [m s?1]Vapp表观（侧风）风速 [m s?1]vr放出速度 [m s?1]Re雷诺数L/D升阻比Pnet网络平均循环功率 [W]ηcycle网络泵送循环效率βRe雷诺功率定律指数Ls地球心经度 [deg]df运行效率因子3.1. 基于MATLAB的物理仿真框架MATLAB框架提供了火星季节性AWE潜力的物理驱动评估。环境输入来自MCD v6.1，包括10米和100米处的地球心经度依赖风速、大气密度、温度和热物理属性（见图3）。可用的空气动力功率模型为：(2)Pout=12ρACPV3，其中CP=(4/27)CL(CL/CD)2是Loyd的上限功率系数。Luchsinger泵送循环的总上限为：(3)Pgross=227ρA(L/D)3(L/D+1)2V∞3，网络循环功率为：(4)Pnet=ηcyclePout，其中ηcycle=0.35考虑了所有循环损失。在火星上，由于雷诺数较低，L/D比率会降低：(5)(L/D)Mars=(L/D)EarthReRerefβRe，其中(L/D)Earth=7.0，Reref=106，βRe=0.3。雷诺数为：(6)Re=ρVappcμ，其中c=2.5 m。每个循环的放出功率和收回能量为：(7)Pout=Ftvr,Ein=12ρACD,depvr2ΔL，年能源产出为：(8)Eannual=∑j=125Pnet(Ls,j)Δtj×df，其中df=0.30是运行效率因子。表3总结了所有仿真参数（见图4）。下载：下载高分辨率图像（201KB）下载：下载全尺寸图像图3. 基于MATLAB的物理驱动仿真框架，显示环境输入、空气动力功率建模、泵送循环能量学和电力估计。表3. MATLAB物理仿真框架中的关键参数。符号描述值/范围作用Ls地球心经度0 – 360°季节指数ρ火星密度0.0089 – 0.0110 kg/m3功率缩放V10,V100风速10, 100 m ALS高度效应AKite面积60, 100 m2尺寸缩放CPP功率系数0.25空气动力效率ηcycle循环效率0.35网络功率βRe雷诺指数0.30L/D退化(L/D)Earth地球L/D参考7.0Re校正基础c弦长2.5 m雷诺数df效率因子0.30AEP积分下载：下载高分辨率图像（278KB）下载：下载全尺寸图像图4. 机器学习框架：从原始飞行测试数据到物理信息驱动的特征工程、XGBoost训练、留一周期交叉验证和火星缩放。3.2. 基于机器学习的建模框架训练数据集。ML替代模型在Meridional数据集[57]上进行训练，该数据集是Kite Power Ltd. 40 m2泵送循环AWE系统的开放访问真实世界飞行测试记录。经过清理后，保留了7021个样本，时间分辨率为0.1秒（10 Hz），涵盖了八个完整的泵送循环。循环0-6（6284个样本）用于训练；循环7（737个样本）完全保留用于最终测试。使用真实飞行数据确保训练分布中包含了过渡阶段动态、控制饱和度和传感器噪声。回归目标。回归目标是在10 Hz下测量发电机轴上的瞬时机械功率Pmech [W]。通过数值积分预测的功率时间序列来恢复用于AEP估计的网络平均循环功率：(9)Pnet=1Tcycle∫0TcycleP?mech(t)dt，其中Tcycle是循环持续时间。特征工程。构建了十个基于物理信息的特征：(10)x=[Vapp,vr,vr/Vapp,θ?,?i,1vr>0,sinα,cosα,sinβ,cosβ]?，其中Vapp是表观风速，vr是放出速度，vr/Vapp是放出比例，θ?是风筝旋转速率，?i∈{1,2,3,4}是飞行阶段指数，1vr>0是二进制放出指示器，(α,β)以正弦-余弦对编码来保持角度周期性。表4总结了特征及其物理作用。模型架构和超参数。采用了一个XGBoost回归模型，超参数固定如表5所示。正则化损失函数为：(11)L=∑i=1Nyi?y?i2+∑k=1KΩ(fk)，其中Ω(fk)=γTk+12λ∑jwkj2用于惩罚树结构复杂度。表4. XGBoost替代模型的输入特征和输出。所有十个特征均用于地球验证和火星缩放推理。类别特征符号物理作用空气动力表观风速Vapp主要功率驱动器空白单元格放出速度vr发电机负荷空白单元格放出比例vr/Vapp尖端速度比模拟运动学旋转速率θ?侧风路径曲率相位阶段索引?i状态标识符空白单元格是否放出（二进制）1vr>0状态标志姿态inα,cosα–俯仰（周期性编码）空白单元格inβ,cosβ–滚转（周期性编码）目标瞬时机械功率Pmech评估指标。(12)RMSE=1N∑i(yi?y?i)2,(13)MAE=1N∑i|yi?y?i|,(14)NRMSE=RMSE/range(y),(15)R2=1?∑i(yi?y?i)2/∑i(yi?y?)2。表5. 所有实验中使用的XGBoost超参数设置。超参数值估计器数量（K）500最大树深度6学习率0.03子样本比率0.8每树的列子样本0.8目标reg：平方误差随机种子423.3. 校正后的物理信息火星缩放程序将地球训练的替代模型转移到火星条件需要三个相对于先前实现的校正。校正1：区域标准化。Meridional训练数据集对应于Kite Power Ltd. 40 m2系统。火星参考系统是60 m2的风筝。由于空气动力功率与风筝面积线性相关，因此明确应用了AMars/AEarth=60/40=1.5的因子。校正2：消除雷诺数的重复计算。以前的实现除了通过迭代求解器在表观风速中已经嵌入的雷诺数退化的L/D之外，还应用了(Re/Reref)βRe乘数。这构成了重复计算。移除这个单独的乘数后，校正后的平均循环功率估计从235 W增加到663 W。校正3：雷诺数一致的表观风速迭代。火星上的表观风速通过以下方式迭代计算：(16)Vapp(k+1)=LDRe(k)(V∞?vr)2+(V∞?vr)2，其中vr=V∞/3且Re(k)=ρVapp(k)c/μ。迭代在不到十步内收敛到10?10m/s的容差。完整的校正缩放公式为：(17)PnetMars=PnetEarth×AMarsAEarth×ρMarsρEarth×VappMarsVappEarth3，其中VappEarth=22.09m/s是地球测试循环的平均表观风速，PnetEarth=6,631W是ML预测的网络平均功率。L/D的雷诺数退化完全嵌入在收敛的VappMars中，不作为单独的乘数出现。这个程序代表了一个基于物理的可行性估计。由于缺乏火星AWE飞行数据，跨领域转移具有固有的外推不确定性，通过第4.6节的敏感性分析进行了量化。4. 结果4.1. 火星的季节性风特性图5展示了Viking-1站点在10米和100米高度的水平风速变化。图6显示了Arsia North的风速剖面。与Viking-1相比，Arsia North表现出更高的风速和更强的垂直剪切，因此被选为主要分析地点。下载：下载高分辨率图像（211KB）下载：下载全尺寸图像图5. Viking-1着陆器站点（纬度22.27°N，经度312.05°E）在10米和100米高度的水平风速季节性变化，数据来自MCD v6.1。有限的高度增益表明垂直风剪切较弱。下载：下载高分辨率图像（224KB）下载：下载全尺寸图像图6. Arsia Mons North提议栖息地站点（纬度3.06°S，经度236.07°E）在10米和100米高度的水平风速季节性变化，数据来自MCD v6.1。该站点更强的风资源和垂直剪切使其成为AWE分析的理想选择。4.2. 分析功率估计图7和图8分别展示了Arsia North在60 m2和100 m2风筝下的季节性平均循环功率。图9显示了地球等效参考功率，隔离了大气密度对火星-地球功率比的贡献。下载：下载高分辨率图像（233KB）下载：下载全尺寸图像图7. 使用MATLAB分析模型计算的Arsia North在10米和100米操作高度的60 m2风筝的季节性平均循环功率。强烈的高度依赖性反映了功率与风速的立方比例关系。下载：下载高分辨率图像（219KB）下载：下载全尺寸图像图8. 使用MATLAB分析模型计算的Arsia North在10米和100米操作高度的100 m2风筝的季节性平均循环功率。从60 m2到100 m2的缩放产生了大致线性的功率增加（P∝A），但高度选择仍然是更重要的设计因素。下载：下载高分辨率图像（287KB）下载：下载全尺寸图像图9. 使用Arsia North风速剖面和地球大气密度（ρEarth=1.225kg/m3）计算的地球等效平均循环功率。比较隔离了密度对火星-地球功率比的贡献。4.3. 地球机器学习验证和模型比较4.3.1. 相位分辨率功率预测图10显示了XGBoost预测和测量的每个泵送阶段（循环7）的瞬时机械功率。图11总结了每个阶段的预测误差。NRMSE值从放出阶段的0.025到收回阶段的0.193不等。下载：下载高分辨率图像（666KB）下载：下载全尺寸图像图10. XGBoost预测和测量的测试循环7的四个泵送阶段的瞬时机械功率[kW]。RMSE、NRMSE和R2为每个阶段进行了标注。该模型保留了所有阶段的正确功率符号和时间演变。表6报告了数值误差值。下载：下载高分辨率图像（254KB）下载：下载全尺寸图像图11. XGBoost模型在测试循环7上的相位分辨率预测误差指标（RMSE [kW]，MAE [kW]，NRMSE，R2）。放出阶段的较低标准化误差反映了牵引阶段的准稳态空气动力特性。收回阶段的负R2表明，在这个阶段，平均值比模型预测得更准确。这是物理上预期的：收回阶段是一个控制主导阶段，变化迅速，而模型主要在较大的放出阶段进行训练，因此其解析能力有限。这对AEP估计的影响较小，因为收回阶段仅占循环时间的8.5%。表6. XGBoost替代模型在保留的测试循环7上的相位分辨率预测误差。泵送阶段RMSE [W]MAE [W]NRMSER2放出（pp-ro）7205260.0250.989过渡（pp-rori）13857210.0470.982收回（pp-ri）809958230.193?0.138过渡（pp-riro）803343630.1530.652全局（循环7）4,5631,8740.0600.9284.3.2. 模型比较图12比较了XGBoost与随机森林和线性回归。XGBoost的RMSE = 4,563 W和R2 = 0.928，而随机森林（RMSE = 4,463 W，R2 = 0.931）和线性回归（RMSE = 5,235 W，R2 = 0.905）。尽管随机森林在这个单一测试周期上略微优于XGBoost，但由于其在基于增益的特征重要性方面的卓越可解释性和在高维表格回归中的公认优势，XGBoost仍被选为主要模型。下载：下载高分辨率图像（303KB）下载：下载全尺寸图像图12. 在RMSE [kW]、MAE [kW]、NRMSE和R2方面比较XGBoost、随机森林和线性回归替代模型。XGBoost和随机森林的表现相当；两者都显著优于线性回归，证实了非线性建模的必要性。4.3.3. 特征重要性图13显示了基于增益的特征重要性。表观风速在所有其他特征中占据主导地位，这与P∝Vapp3的缩放定律一致。下载：下载高分辨率图像（159KB）下载：下载全尺寸图像图13. XGBoost基于增益的特征重要性。表观风速是最重要的预测因子。飞行阶段指数和放出速度分别是第二和第三重要的特征，证实了特征集编码了主导的物理关系。4.4. 留一周期交叉验证进行了八折留一周期交叉验证（LOOCV），以评估替代模型在单个保留测试周期之外的鲁棒性。在每轮中，保留一个周期，并在剩余的七个周期上重新训练模型。表7总结了LOOCV的结果。平均绝对误差在净平均周期功率上为358瓦，相对于所有周期的平均值7030瓦，误差为5.1%。图14中的分布显示预测结果相关性良好，没有系统性偏差，证实了在整个季节范围内替代模型的性能是一致的。下载：下载高分辨率图片（235KB）下载：下载全尺寸图片图14. 留一周期交叉验证结果。左图：每个折叠（C0-C7）的机器学习预测净值周期功率与实测值的散点图，按平均视风速着色。右图：每个折叠的净功率预测误差。所有折叠的平均绝对净功率误差为358瓦。表7. XGBoost替代模型的留一周期交叉验证结果。折叠Ptrue [W]Ppred [W]Error [W]RMSE [W]V?app [m/s]C010,89511,514＋619405123.7C112,0311,486?545350723.1C263026210?92349621.6C372457902＋656361622.6C466206974＋354449622.2C592169175?41380322.7C659906237＋247305721.6C769456631?314456322.1平均±3583,8244.5. 火星功率预测和季节性分析使用第3.3节中的校正比例尺，将地球训练的XGBoost替代模型应用于火星条件。图15展示了在Arsia Mons完整的泵送周期内，机器学习比例尺下的机械功率。图16展示了季节平均净周期功率与天球经度的关系，以及Luchsinger解析界限和±15%的不确定性范围。下载：下载高分辨率图片（782KB）下载：下载全尺寸图片图15. Arsia Mons上60平方米风筝的相位分辨机器学习比例尺机械功率[W]（Ls=0°, V∞=16.7m/s, ρ=0.0088 kg/m3, Re≈88,700, L/D=3.73）。这代表了一个基于物理信息的可行性估计，而不是经过验证的火星飞行预测。季节平均净周期功率为663瓦，对应的年能量生产（AEP）为1742千瓦时。机器学习估计值介于Luchsinger的粗略界限（556瓦）和净界限（195瓦）之间，与物理上现实的动力损失水平一致。下载：下载高分辨率图片（252KB）下载：下载全尺寸图片图16. Arsia Mons北部的季节平均净周期功率。机器学习估计值（校正比例尺）显示了±15%的不确定性范围。Luchsinger的粗略解析界限（公式（3）和净界限（×ηcycle）作为参考。图17展示了季节性雷诺数和视风速。系统在整个火星年的雷诺数范围大约为Re≈82,000 - 122,000，比地球训练范围的Re≈3.7×10^6低30-45倍。这种外推差距是主要的不确定性来源，并在第4.6节中进行了讨论。图18比较了地球测试周期的平均循环能量与火星估计值。图17. Arsia Mons北部雷诺数[×10^3]和视风速[m/s]的季节变化。雷诺数大约在82,000到122,000之间变化，比地球训练范围低30-45倍。图18. 地球与火星平均循环能量在对数尺度上的比较。火星估计值大约比地球测试周期值低两个数量级，这与较低的大气密度、较低的雷诺数和面积归一化的综合效应一致。4.6. 敏感和不确定性分析对八个参数扰动进行了系统敏感性分析。表8报告了结果，图19以龙卷风图的形式展示了这些结果。雷诺数幂律指数βRe是影响最大的参数：减少0.10（意味着L/D退化较轻）使年能量生产（AEP）增加到3770千瓦时（增加116%），而增加0.10则减少到686千瓦时（减少61%）。这表明雷诺指数是在火星大气条件下需要实验验证的最关键量，这是文献中之前未报告的优先事项。表8. 年能源生产（AEP）对八个关键参数逐一扰动的敏感性。基线AEP = 1742千瓦时/年。参数扰动AEP [千瓦时/年]ΔAEP [千瓦时/年]ΔAEP [%]V∞ + 20%3723＋1981＋114V∞ - 20%690?1,051?60βRe -0.103770＋2028＋116βRe + 0.10686?1,056?61L/D + 15%3016＋1274＋73L/D - 15%945?797?46ρMars + 10%2140＋399＋23ρMars - 10%1388?354?20下载：下载高分辨率图片（176KB）下载：下载全尺寸图片图19. AEP对逐一参数扰动的敏感性龙卷风图（基线AEP = 1742千瓦时/年）。雷诺数指数βRe和自由流风速V∞是主要的不确定性驱动因素，每个都能使AEP变化超过两倍。大气密度的个体影响最小。5. 讨论5.1. 风资源、场地依赖性和大气密度季节性风分析表明，火星的空气动力能量（AWE）潜力受到大尺度大气环流的影响，这种环流随天球经度变化，与Hartwick等人[9]和Kundrapu及Lariosse[17]的研究结果一致。Arsia North由于与Tharsis火山省相关的区域地形和动态，提供了比Viking-1更高的风速。在所有季节中，100米高度的风速都超过10米高度的风速，这证实了在近表面边界层以上运行的重要性。将风筝面积从60平方米扩大到100平方米会导致平均周期功率（P∝A）大约线性增加。然而，这种几何比例扩展并没有像增加高度那样有效地克服密度限制。对于质量受限的发射架构，发射质量的分配更倾向于提高高度而不是风筝面积。5.2. 机器学习性能和跨领域推理地球训练的XGBoost模型在全局测试周期上的R2=0.928，RMSE = 4,563瓦，NRMSE = 0.060，与随机森林相比具有竞争力，并且明显优于线性回归。八折留一周期交叉验证确认这些结果不是由于有利测试周期造成的：平均绝对净功率误差为358瓦（相对于所有周期的平均值5.1%），表明在整个季节范围内的替代模型性能一致。相位分辨分析揭示了预期的模式。放出阶段的总误差（NRMSE = 0.025）和R2=0.989。收回阶段产生的绝对误差最大（NRMSE = 0.193），与其高度非线性的控制主导动态和在训练数据中代表性不足相符。收回阶段的负R2并没有显著影响AEP估计，因为收回阶段仅占周期时间的8.5%。校正后的机器学习比例尺得出的平均净周期功率为663瓦，介于Luchsinger的粗略解析界限（556瓦）和净界限（195瓦）之间。在地球飞行数据中测量的实际横向风放大比率为3.34（平均视风速22米/秒对比平均地面风速6.6米/秒），超过了理论模型的假设，这在风力条件有利的短周期内是物理上合理的。火星预测代表了基于物理信息的可行性估计，而不是经过验证的火星飞行数据。跨领域 transfer 在大约35倍的雷诺数范围内存在固有的外推不确定性，这一点在第4.6节中的敏感性分析中得到了量化。5.3. 混合建模的协同作用和火星AWE部署分析和机器学习方法的互补优势得到了展示。MATLAB框架建立了可行性界限和比例定律。机器学习框架捕获了更高阶的非线性和瞬态效应。它们共同框定了预期的性能范围——这是相对于之前纯解析火星AWE研究的新贡献。校正后的机器学习预测年能量生产（AEP）为1742千瓦时/年，超过了InSight着陆器最后一年的总年能源生产，并足以连续为消耗50-70瓦的科学仪器系统供电。对于模块化的多风筝配置，总能源生产与单元数量大致成线性关系。最具有影响力的近期应用是与光伏系统的混合。AWE和PV具有互补的故障模式：光伏在沙尘暴期间会退化，而此时风速升高。60平方米的AWE单元结合光伏阵列（10-15平方米）和电池缓冲（2-5千瓦时）原则上可以满足科学地面站的能源自主需求。敏感性分析表明，即使在保守的年能量生产下限686千瓦时/年，与光伏的混合仍然对仪器级负载是可行的。6. 结论本研究提出了一个校正和扩展的混合物理-分析和机器学习可行性框架，用于火星上的风筝式空中风能。主要结论如下：1. 在场地和高度限制条件下，可行性得到确认。校正后的平均净周期功率为Arsia Mons北部60平方米风筝的663瓦——比之前的公式高出2.8倍，这是因为消除了雷诺数重复计算的错误，并在地球训练系统和火星参考系统之间添加了风筝面积归一化。火星的空中风能受到密度限制，但并非注定失败：有利场地、较高高度和优化的气球几何形状共同决定了能源产出的任务实用性。2. 高度接入是主要的性能杠杆。在100米高度运行相比在60平方米高度运行，平均周期功率的增加幅度大于从60平方米扩大到100平方米风筝面积的效果。在质量受限的发射架构中，任务设计者应该优先考虑高度接入而不是风筝面积。3. 校正后的年能源生产为1742千瓦时/年。八参数敏感性分析显示范围为686-3770千瓦时/年。雷诺数幂律指数和自由流风速是主要的不确定性驱动因素。这是首次系统性地量化火星空中风能系统的不确定性，并确定了雷诺指数作为最高的实验优先事项。4. 八折留一周期交叉验证确认了替代模型的鲁棒性。所有折叠的平均绝对净周期功率误差为358瓦，确认了经过地球验证的模型并不是过度拟合于单个测试周期，解决了关于单个保留周期是否充足的根本方法问题。5. 年能源生产支持混合架构。在Arsia North估计的1742千瓦时/年，结合光伏发电，足以在所有火星季节保持科学仪器负载的电力连续性，包括光伏输出最低的沙尘暴时期。6.1. 未来工作和更广泛的影响确定了几个关键的下一步。未来的模型应该解决牵引绳动态、卷绕机制和风筝控制规律在时域模拟中的问题。在低压二氧化碳条件下的实验验证对于测量Re≈105时的升力和阻力系数至关重要，并且可以限制这里确定的主要不确定性因素——雷诺数幂律指数。应该探索协调的多风筝系统以提高容量因子。自主飞行控制算法和完整的混合光伏-空中风能-电池微电网协同优化是未来工作的优先事项。从长远来看，火星风筝动力系统可以为科学站和早期栖息地提供分布式、模块化的电力，与太阳能光伏系统协同工作，以平衡昼夜和沙尘暴的变化，并为其他低密度行星体上的未来气球系统提供实验平台。通过结合牵引绳飞行的简单性与自主控制和混合集成，空中风能为行星探索提供了有前景的可再生能路径。cRediT作者贡献声明Roystan V. Castelino：撰写——原始草稿、可视化、验证、软件、方法论、形式分析、数据管理。Panagiotis Kosmopoulos：撰写——审阅与编辑、监督、资源、项目管理、调查、资金获取、概念化。