Transformer增强型神经算子(TNO)发布:革新涡轮机械气动性能预测
摘要:本研究提出了一种基于Transformer增强型神经算子(TNO)的全景气动性能预测框架,用于涡轮机械设计中的快速灵活性能评估。与传统方法不同,该框架首先预测Navier-Stokes方程的基本参数(如温度、压力和密度),然后利用这些物理量预测涡轮级子午面的关键性能参数。TNO在预测总熵效率、质量流量和总压比分布等参数时表现出色,误差低于现有的深度学习算子(如FNO和DeepONet)。此外,TNO在下游任务(如敏感度分析和目标函数优化)中展现出接近CFD模拟器的性能,同时将计算成本降低了四个数量级,展示了其在工程设计中的巨大潜力。
背景与动机
在涡轮机械设计中,快速且准确的气动性能评估至关重要。传统方法通常依赖于计算流体动力学(CFD)模拟,但这类方法计算成本高且耗时,难以满足现代工程设计的需求。因此,研究人员提出了基于深度学习的预测模型,以期在保证精度的同时提高效率。
方法与创新
本研究提出了一种基于Transformer增强型神经算子(TNO)的全景气动性能预测框架。其核心创新点包括:
- 分阶段预测策略:不同于直接预测目标函数,该方法首先预测Navier-Stokes方程的基本参数(如温度、压力和密度),然后利用这些物理量预测涡轮级子午面的关键性能参数。
- Transformer增强:引入Transformer架构以增强神经算子的表示学习能力,从而提高预测精度。
- 多任务适用性:TNO不仅能预测总熵效率、质量流量等总参数,还能预测总压比分布等细节参数。
实验与结果
研究以Rotor 37叶片为参考,训练TNO预测跨音速压缩机叶片在子午面的性能。实验结果表明:
- TNO在预测总熵效率、质量流量和总压比分布等参数时,误差低于现有的深度学习算子(如FNO和DeepONet)。
- 在下游任务(如敏感度分析和目标函数优化)中,TNO展现出接近CFD模拟器的性能,同时将计算成本降低了四个数量级。
行业影响与未来展望
TNO的提出为涡轮机械设计提供了一种高效且准确的气动性能预测工具,具有以下潜在影响:
- 加速设计迭代:工程师可以更快速地评估设计方案,从而加速设计迭代过程。
- 降低计算成本:相比传统CFD模拟,TNO显著降低了计算成本,使得大规模优化成为可能。
- 推动AI在工程领域的应用:TNO的成功应用展示了AI在复杂工程问题中的巨大潜力,为其他领域的类似问题提供了参考。
开发者建议
对于从事涡轮机械设计的工程师和研究人员,建议关注TNO的应用潜力,并考虑将其集成到现有的设计流程中。同时,建议关注TNO的进一步优化和扩展,例如在不同类型的涡轮机械(如燃气轮机、风力涡轮机等)上的应用。
—— 完 ——消息来源:ArXiv Machine Learning (cs.LG) (2026-09-16)
主题标签: #Transformer #神经网络 #涡轮机械 #气动性能 #深度学习
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区