仅用1到5个气膜孔训练，竟能精准预测10到20孔冷却布局！
Enhancing generalization in endwall film cooling prediction: Incorporating the superposition principle into transformer-based neural operators
📖 AI 总结
本文提出一种物理增强的神经算子框架，用于提升涡轮端壁气膜冷却布局在气膜孔数量变化时的泛化预测能力。受气膜冷却叠加原理启发，作者构建了基于叠加的深度神经算子模型（SDNO），将端壁温度场预测分为两个阶段：第一阶段用基于Transformer的Calculate Net预测各随机分配气膜孔子区域的温度场，第二阶段用Super Net将各子区域结果叠加为完整冷却布局的温度场。方法还采用对气膜孔位置敏感的符号距离函数（SDF）编码孔位信息，而非直接使用像素化冷却轮廓。模型仅用气膜孔数量为1至5、位置可变的样本训练，却能准确预测训练中未出现的10至20孔冷却布局的气膜冷却效率，且预测精度优于全监督基线。该工作表明，将叠加原理嵌入神经算子可显著增强模型对变孔数、变位置冷却布局的泛化能力，为涡轮端壁冷却预测提供了新思路。
🔑 关键词速览
| 神经算子 | 一种用于学习函数空间之间映射的神经网络，能够处理不同离散化下的偏微分方程求解。 |
| 气膜冷却叠加原理 | 指多个气膜孔冷却效果可以线性叠加的原理，常用于简化复杂冷却布局的分析。 |
| 有符号距离函数 (SDF) | 一种表示空间中点与最近边界距离的函数，符号表示在内部或外部，用于编码几何位置信息。 |
| Transformer | 一种基于自注意力机制的神经网络架构，擅长处理序列数据并捕捉长程依赖关系。 |
| 泛化预测 | 模型在未见过的数据上表现出的预测能力，此处指对训练中未出现的气膜孔数量的冷却布局进行准确预测。 |
📱 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