人工智能在壓氣機氣動設計中的應用與發(fā)展

以人工智能（AI）為主要驅(qū)動的新一輪技術(shù)革命和產(chǎn)業(yè)變革正在悄然改變著世界，研究人員對AI在壓氣機氣動設計中的應用開展了諸多有益的探索與嘗試，智能化技術(shù)為壓氣機氣動設計提供了新的思路和手段。隨著現(xiàn)代航空發(fā)動機性能要求的不斷提高，壓氣機設計呈現(xiàn)高效率、高級負荷、高緊湊性等發(fā)展趨勢。在傳統(tǒng)壓氣機設計中，設計人員主要依靠手動調(diào)整參數(shù)，反復迭代修改來達到設計目標，存在設計周期長、效率低、對設計人員經(jīng)驗依賴性強等問題。將AI技術(shù)與壓氣機設計有機結(jié)合，融合多源信息以及人的先驗知識，促使設計方案更加多樣、設計周期更短、設計效果更優(yōu)，實現(xiàn)壓氣機體系化的智能性設計，將會在未來壓氣機研發(fā)中起到重要的作用。發(fā)展與現(xiàn)狀AI是研究開發(fā)能夠模擬、延伸和擴展人類智能的理論、方法、技術(shù)和應用系統(tǒng)的技術(shù)學科。從20世紀中葉AI概念的首次提出至21世紀初期，AI研究歷經(jīng)了多次起落，各學派之間的學術(shù)爭論推動著AI技術(shù)的不斷革新與發(fā)展。世紀之交，AI研究的重心逐漸從基于知識系統(tǒng)轉(zhuǎn)向了基于數(shù)據(jù)驅(qū)動、用于對數(shù)據(jù)間的內(nèi)部關(guān)系進行建模的機器學習（ML）方向。2006年，深度學習（DL）的提出開啟了AI技術(shù)研究的新浪潮，以DL為代表的AI技術(shù)飛速發(fā)展，多種深度神經(jīng)網(wǎng)絡在不同領(lǐng)域的問題上取得了令人矚目的成果，DL也成為AI領(lǐng)域最受重視和最成功的方法。AI技術(shù)的應用極大地推動了互聯(lián)網(wǎng)等領(lǐng)域的技術(shù)革新，但在航空發(fā)動機領(lǐng)域，AI技術(shù)應用相對較少，在壓氣機設計方面更是處于起步階段。壓氣機設計中存在眾多相互耦合影響的因素，設計參數(shù)和性能參數(shù)的關(guān)聯(lián)十分復雜，具有顯著的非線性，往往難以直接找到內(nèi)在的物理關(guān)聯(lián)機理。因此，采用基于數(shù)據(jù)驅(qū)動的ML方法，直接對大量數(shù)據(jù)間的關(guān)聯(lián)關(guān)系進行建模，成為了一種典型應用。從廣義上講，使用壓氣機試驗或仿真數(shù)據(jù)作為樣本進行訓練，使用二次多項式響應面、克里金（Kriging）響應面、徑向基函數(shù)響應面、多層感知機、支持向量機、人工神經(jīng)網(wǎng)絡等各種方法來構(gòu)建關(guān)聯(lián)模型均屬于ML方法的應用，其發(fā)展表現(xiàn)為新的ML方法提出后被應用推廣到壓氣機設計的各個環(huán)節(jié)。在一維設計階段應用于一維氣動特性預測；在二維設計階段應用于葉型損失與落后角模型構(gòu)建、葉型氣動特性預測等方面；在三維設計階段應用于流場重構(gòu)及預測、湍流模型替代、氣動力模型建模等方面；在優(yōu)化設計階段應用于代理模型構(gòu)建、設計變量間關(guān)聯(lián)的探索、降階模型構(gòu)建等方面。在DL方法被提出之前，大多數(shù)建立的模型是淺層模型，分析歸納能力有限，依賴設計人員對特征進行精選以縮減問題規(guī)模，導致只能擬合原始函數(shù)空間中的部分子集，對整個復雜函數(shù)空間的擬合能力有限，由于模型大多局限于反映流場中單個特性的平均氣動性能，不能準確、完整地描述流場結(jié)構(gòu)。DL方法通過海量訓練數(shù)據(jù)和更加復雜和深層次的模型結(jié)構(gòu)，使歸納能力得到極大提升，可以以流場結(jié)構(gòu)為優(yōu)化對象，直接針對流場結(jié)構(gòu)（如旋渦、邊界層、二次流等）進行觀察分析，并通過優(yōu)化實現(xiàn)對這些流場結(jié)構(gòu)的調(diào)控，從而獲得更全面均衡的性能。近年來，以DL為代表的最新AI技術(shù)在壓氣機氣動設計中的應用研究逐步成為熱點，相關(guān)研究主要集中在流動仿真智能化和優(yōu)化設計智能化兩方面。流動仿真智能化流動仿真是壓氣機氣動設計體系的重要組成部分。流動仿真智能化最直接的方式是利用仿真、試驗等數(shù)據(jù)作為樣本，使用ML手段建立幾何參數(shù)、邊界條件與性能參數(shù)之間的關(guān)聯(lián)關(guān)系，用學習得到的模型替代數(shù)值模擬過程，實現(xiàn)流動特性的快速預測。新加坡國立大學基于深度神經(jīng)網(wǎng)絡開發(fā)了一種快速預測翼型流場的計算模型，在二維定常層流中取得了很好的效果；日本慶應義塾大學采用卷積神經(jīng)網(wǎng)絡對低分辨率流場圖像樣本進行學習，實現(xiàn)了流場的高分辨率預測；瑞士蘇黎世聯(lián)邦理工學院提出了一種基于生成對抗網(wǎng)絡構(gòu)建的生成模型，可以從一組簡化的參數(shù)中生成流場，減少了計算時間；西北工業(yè)大學將Transformer網(wǎng)絡架構(gòu)運用到翼型流場的快速預測中，極大地提升了流場建模和設計效率,如圖1所示。圖1

基于Transformer網(wǎng)絡架構(gòu)的流場仿真總體框架同時，利用ML算法可以改進湍流模型。美國斯坦福大學構(gòu)建了替代SA模型中源項的神經(jīng)網(wǎng)絡模型；意大利羅馬大學以大渦模擬和試驗結(jié)果作為訓練集，開發(fā)了一種ML自適應壁面模型；日本東北大學利用神經(jīng)網(wǎng)絡實現(xiàn)了亞格子應力張量的分量求解，探索了ML在大渦模擬領(lǐng)域的應用。近幾年的研究成果表明，ML除了可以輔助提升湍流模型精度，同樣也可以訓練得到湍流黑箱模型，實現(xiàn)湍流的直接預測。西北工業(yè)大學發(fā)展了直接構(gòu)建純數(shù)據(jù)驅(qū)動的湍流黑箱代數(shù)模型，并成功實現(xiàn)了模型與納維-斯托克斯（N-S）方程之間的耦合求解；南京航空航天大學通過特征選擇算法獲取影響渦黏系數(shù)的特征變量，離線訓練神經(jīng)網(wǎng)絡，學習得到的湍流代數(shù)模型嵌入到計算流體力學（CFD）中，相比原數(shù)值仿真可顯著降低計算時間。優(yōu)化設計智能化優(yōu)化設計智能化主要體現(xiàn)在將DL、強化學習（RL）等新型ML技術(shù)引入傳統(tǒng)的壓氣機優(yōu)化設計過程，最直接的應用是用多層感知機、深度神經(jīng)網(wǎng)絡等來替代傳統(tǒng)的代理模型。意大利羅馬大學基于多層感知機模型探索渦輪轉(zhuǎn)子葉片的設計空間，并構(gòu)建模型評估葉片性能和幾何參數(shù)之間的關(guān)系；美國聯(lián)合技術(shù)公司提出了一種ML氣動優(yōu)化框架，通過ML實現(xiàn)代理模型的動態(tài)選擇和自我更新，加速設計優(yōu)化，如圖2所示，利用該框架調(diào)用100個CPU的計算資源，在48h內(nèi)實現(xiàn)了對Rotor37轉(zhuǎn)子的多目標優(yōu)化；西安交通大學基于計算機視覺領(lǐng)域成果大場景點云技術(shù)構(gòu)建了流場信息編碼器RandLA-encoder，并根據(jù)RandLA-encoder的神經(jīng)網(wǎng)絡子模型訓練建立離心葉輪全三維優(yōu)化平臺，實現(xiàn)了全三維離心葉輪自動化優(yōu)化方案。圖2

基于構(gòu)建代理模型優(yōu)化設計的流程RL不需要提前擁有大量的數(shù)據(jù)來訓練，智能體可通過與環(huán)境的不斷交互來更新自身的模型參數(shù)，同時RL還具有一定的泛化能力，可通過預訓練模型來解決類似的新問題，大大縮短了設計周期。法國巴黎文理研究大學探索了深度強化學習（DRL）在優(yōu)化設計中的應用，表明通過RL訓練的神經(jīng)網(wǎng)絡可以自行生成最佳幾何，無須任何先驗知識，并且可以在有限時間內(nèi)完成；日本東京大學提出了一個使用DRL進行機翼優(yōu)化設計的框架，將其用來優(yōu)化機翼的迎角并驗證了其泛化能力；清華大學將RL方法引入超臨界翼型設計中，說明了RL具有一定學習氣動修型方法的能力。難點與挑戰(zhàn)

盡管以DL為代表的AI技術(shù)發(fā)展日新月異，但將其應用于壓氣機設計工作，在高質(zhì)量數(shù)據(jù)獲得、模型泛化能力、可解釋性等方面仍然存在一定的難點和挑戰(zhàn)。高質(zhì)量數(shù)據(jù)的獲得以DL為代表的AI算法，需要大量數(shù)據(jù)進行訓練。為保障訓練所得模型在現(xiàn)實場景中具有高性能，需要確保訓練數(shù)據(jù)的高質(zhì)量，理想情況是采用實體硬件直接采樣。但是對于壓氣機這種量級的工業(yè)產(chǎn)品，高資金投入、長獲取周期，以及對人工干預和設備維護的高需求顯著提升了數(shù)據(jù)成本，大規(guī)模高質(zhì)量數(shù)據(jù)的獲取是極其困難的。因此，在壓氣機領(lǐng)域開展相關(guān)研究的普遍做法是使用模擬器對真實壓氣機環(huán)境進行仿真，從而獲得相對低成本的大量數(shù)據(jù)用于AI算法訓練。目前，壓氣機三維數(shù)值仿真方法得到廣泛應用，相較于直接實體采樣，數(shù)值仿真的速度可以通過并行計算等手段進行提升，從而在數(shù)據(jù)獲取速度方面有著顯著優(yōu)勢。但是，由于壓氣機仿真本身的復雜性，仿真結(jié)果目前尚無法做到完美復刻物理現(xiàn)實，因此將仿真環(huán)境訓練得到的模型部署到現(xiàn)實場景時會存在一定程度的偏差，導致AI技術(shù)難以有效發(fā)揮作用。泛化能力當前大多數(shù)AI研究的核心問題是如何將算法泛化到不可見數(shù)據(jù)。在ML的背景下，大多數(shù)模型都是建立在數(shù)據(jù)是獨立同分布的基礎(chǔ)之上進行訓練和評估的，這意味著對于同一個給定任務來說，需要對相同分布的訓練數(shù)據(jù)和測試數(shù)據(jù)進行采樣。在AI賦能壓氣機設計這一特定問題中，泛化能力意味著可以將在一型壓氣機設計中訓練得到的模型應用到下一次另一型壓氣機設計中。近年來，學術(shù)界對于AI算法的泛化性研究已經(jīng)有了一些進展，如元學習、預訓練、遷移學習等方法的出現(xiàn)，然而，不管是元學習還是預訓練，場景化地用于某個特定任務時，依舊需要算法工程師進行微調(diào)。這個過程對于目標、優(yōu)化器都有一定要求，也有較嚴苛的數(shù)據(jù)質(zhì)量需求，仍難以真正泛化到跨度大的場景。針對泛化性問題，目前仍然缺乏一個普適的理論，對于具體的問題也無法確切地給出一個模型的泛化邊界，因此大大限制了模型的應用范圍，降低了設計人員對于模型的信心。可解釋性并非所有的AI方法都是黑箱算法，但就當前而言，ML模型尤其是DL模型往往是不透明的，難以為人類所理解。因此，目前的AI算法在多尺度非線性映射、大數(shù)據(jù)關(guān)聯(lián)關(guān)系挖掘與決策等方面表現(xiàn)出了強大的優(yōu)勢，但在深層邏輯推理與物理聯(lián)系等方面還存在著明顯不足。壓氣機是典型的非線性系統(tǒng)，其中大量不確定性因素的作用機制尚不明晰，在壓氣機設計中采用完全由數(shù)據(jù)驅(qū)動的黑箱式學習方法，獲得的特征與人為定義的物理特征難以對應，這既不利于設計人員加深對壓氣機設計的理解，也無法在設計進步的同時實現(xiàn)知識的更新。當數(shù)值模擬與試驗結(jié)果還存在一定偏差時，在壓氣機設計中準確量化潛在的物理機制以便進行分析顯得更為重要，否則在樣本存在偏差和結(jié)果不可解釋的雙重壓力下，設計人員對AI模型的信任度將大幅下降。前景與展望現(xiàn)階段AI技術(shù)的應用仍舊局限于流場預測、優(yōu)化設計等特定環(huán)節(jié)，在諸多方面依舊依賴設計人員的經(jīng)驗，僅發(fā)揮了如改進指定問題計算效率、縮短設計周期等作用，距離設計人員對AI能完全機器自主地進行壓氣機設計的期待，還比較遠。從AI在不同領(lǐng)域的應用發(fā)展來看，最終目標都是分階段逐步實現(xiàn)的。以引起AI技術(shù)熱潮的AlphaGo為例，前后發(fā)展了四代產(chǎn)品。第一代AlphaGo，在提供人類知識和規(guī)則后，通過訓練策略樹來完成搜索和作出決策，仍是人機協(xié)作的模式。第二代AlphaGoZero，去掉人類知識，只提供規(guī)則，引入RL通過自我博弈生成策略。第三代AlphaZero，加強算法的泛化能力，自主訓練掌握其他棋類。第四代MuZero，在完全沒有人類知識和規(guī)則的情況下，自主分析未知環(huán)境條件來進行不同游戲的博弈。從AI賦能壓氣機設計的發(fā)展和現(xiàn)狀來看，完全機器自主的壓氣機設計也應是逐步發(fā)展完善的。第一步模擬仿制改型，充分利用現(xiàn)有存量設計經(jīng)驗，由AI在存量庫智能選擇已有的相近設計作為原始設計，并利用智能優(yōu)化設計方法對其進行進一步精細化改型。第二步模擬正向設計，舍棄智能選擇步驟（舍棄人類知識），在現(xiàn)行設計體系下基于RL等可以零啟動的方法開展分層級的AI自主設計，初步實現(xiàn)機器設計自動化。第三步發(fā)展多目標、多約束的自主智能化技術(shù)，加強AI對關(guān)鍵流場信息知識的學習、辨別及挖掘能力，AI可根據(jù)實際需求自主變更目標及約束（舍棄經(jīng)驗規(guī)則），實現(xiàn)自主干預、自主調(diào)節(jié)的壓氣機智能化氣動設計。另外，在進一步減弱人為干預，實現(xiàn)氣動設計機器自主化的基礎(chǔ)上，提升氣動設計優(yōu)化的智能化水平是另一個值得探索的問題。也就是說，期望未來的AI能真正體現(xiàn)出脫離人類