Transformer神经算子让叶轮机械气动预测像CFD一样全景，计算成本直降四个数量级！
A panoramic aerodynamic performance prediction method for turbomachinery cascades using transformer-enhanced neural operator
📖 AI 总结
本文提出一种面向叶轮机械叶栅的全景气动性能预测框架，其思路不同于以往直接预测目标函数的模型：先预测纳维-斯托克斯方程的基本物理量（温度、压力、密度），再据此推算涡轮级子午面上的关键性能参数，从而使该框架具备类似CFD模拟器的功能，可灵活输出设计者关注的多种目标。为提升精度，作者引入Transformer增强的神经算子（TNO），以Rotor 37叶片为参照，对跨声速压气机叶片子午面性能进行训练。结果显示，TNO能准确预测等熵效率、质量流量及总压比分布等总量参数，误差小于FNO、DeepONet等先进深度学习算子。该模型还被用于敏感性分析与多目标优化等下游任务，在接近CFD模拟器表现的同时，将下游任务计算成本降低约四个数量级，验证了其有效性与可靠性。
🔑 关键词速览
| Transformer-enhanced neural operator (TNO) | 一种结合Transformer架构的神经算子，用于学习偏微分方程的解算子，提高预测精度。 |
| Navier-Stokes equations | 描述流体运动的基本方程，包括质量、动量和能量守恒。 |
| Rotor 37 | 一个经典的跨音速压气机转子叶片，常用于CFD验证和机器学习基准测试。 |
| FNO (Fourier Neural Operator) | 傅里叶神经算子，一种在频域中学习偏微分方程解算子的深度学习模型。 |
| DeepONet | 深度算子网络，一种用于学习非线性算子的深度学习框架，常用于求解偏微分方程。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅