基于叠加原理的深度神经网络算子模型：提升涡轮端壁冷却预测能力

摘要：arXiv 平台发布了一项关于涡轮端壁冷却布局预测的研究，提出了一种基于叠加原理的深度神经网络算子模型（SDNO）。该模型通过将端壁温度场预测分为两个阶段，利用 Transformer 网络分别预测子区域温度场，并结合叠加原理生成整体冷却布局的温度场。SDNO 采用符号距离函数（SDF）编码冷却孔位置信息，显著提升了模型对不同冷却孔数量和位置的泛化预测能力。实验结果表明，SDNO 在预测未见过的冷却布局时表现出色，相较于全监督基线模型，预测精度显著提高。

---

研究背景与动机

在涡轮机械领域，涡轮端壁的冷却布局对设备性能和寿命至关重要。然而，由于冷却孔数量和位置的变化，传统方法在预测冷却效果时存在泛化能力不足的问题。为了解决这一问题，研究人员提出了一种基于叠加原理的深度神经网络算子模型（SDNO）。

模型架构与创新点

1. 两阶段预测方法：

   • 第一阶段：将涡轮端壁的冷却布局划分为多个子区域，每个子区域随机分配冷却孔，并使用基于 Transformer 的神经网络算子（Calculate Net）预测每个子区域的温度场。
   • 第二阶段：另一个神经网络算子（Super Net）将第一阶段预测的子区域温度场进行叠加，生成整体冷却布局的温度场。

2. 符号距离函数（SDF）编码：

   • 为了更好地捕捉冷却孔位置的变化，研究人员采用 SDF 编码冷却孔位置信息，而不是直接使用像素图。这种方法对冷却孔位置的变化更加敏感。

3. 泛化能力提升：

   • 通过训练样本中冷却孔数量从 1 到 5 的变化，SDNO 展示了出色的泛化能力，能够准确预测训练中未见过的 10 到 20 个冷却孔的布局。

实验结果与优势

实验结果表明，SDNO 相较于全监督基线模型，预测精度显著提高，特别是在处理复杂和未见过的冷却布局时表现出色。该模型不仅提升了预测准确性，还为涡轮端壁冷却布局的设计和优化提供了新的技术路径。

行业影响与开发者建议

• 行业影响：该研究为涡轮机械领域的冷却布局优化提供了新的思路和方法，有助于提升设备性能和寿命。
• 开发者建议：对于从事涡轮机械设计和优化的开发者，可以考虑采用类似的两阶段预测方法和 SDF 编码技术，以提升模型的泛化能力和预测精度。

未来展望

未来，研究人员可以进一步探索 SDNO 在其他领域的应用，如流体动力学模拟和热管理优化等。同时，可以结合更多的物理原理和先验知识，进一步提升模型的预测能力和效率。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-09-29)

—— 完 ——

主题标签： #深度学习 #神经网络 #涡轮机械 #冷却布局 #泛化能力