人工智能在壓氣機(jī)氣動(dòng)設(shè)計(jì)中的應(yīng)用與發(fā)展

以人工智能（AI）為主要驅(qū)動(dòng)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(duì)AI在壓氣機(jī)氣動(dòng)設(shè)計(jì)中的應(yīng)用開展了諸多有益的探索與嘗試，智能化技術(shù)為壓氣機(jī)氣動(dòng)設(shè)計(jì)提供了新的思路和手段。隨著現(xiàn)代航空發(fā)動(dòng)機(jī)性能要求的不斷提高，壓氣機(jī)設(shè)計(jì)呈現(xiàn)高效率、高級(jí)負(fù)荷、高緊湊性等發(fā)展趨勢(shì)。在傳統(tǒng)壓氣機(jī)設(shè)計(jì)中，設(shè)計(jì)人員主要依靠手動(dòng)調(diào)整參數(shù)，反復(fù)迭代修改來達(dá)到設(shè)計(jì)目標(biāo)，存在設(shè)計(jì)周期長(zhǎng)、效率低、對(duì)設(shè)計(jì)人員經(jīng)驗(yàn)依賴性強(qiáng)等問題。將AI技術(shù)與壓氣機(jī)設(shè)計(jì)有機(jī)結(jié)合，融合多源信息以及人的先驗(yàn)知識(shí)，促使設(shè)計(jì)方案更加多樣、設(shè)計(jì)周期更短、設(shè)計(jì)效果更優(yōu)，實(shí)現(xiàn)壓氣機(jī)體系化的智能性設(shè)計(jì)，將會(huì)在未來壓氣機(jī)研發(fā)中起到重要的作用。發(fā)展與現(xiàn)狀A(yù)I是研究開發(fā)能夠模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)和應(yīng)用系統(tǒng)的技術(shù)學(xué)科。從20世紀(jì)中葉AI概念的首次提出至21世紀(jì)初期，AI研究歷經(jīng)了多次起落，各學(xué)派之間的學(xué)術(shù)爭(zhēng)論推動(dòng)著AI技術(shù)的不斷革新與發(fā)展。世紀(jì)之交，AI研究的重心逐漸從基于知識(shí)系統(tǒng)轉(zhuǎn)向了基于數(shù)據(jù)驅(qū)動(dòng)、用于對(duì)數(shù)據(jù)間的內(nèi)部關(guān)系進(jìn)行建模的機(jī)器學(xué)習(xí)（ML）方向。2006年，深度學(xué)習(xí)（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(luò)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(yīng)用極大地推動(dòng)了互聯(lián)網(wǎng)等領(lǐng)域的技術(shù)革新，但在航空發(fā)動(dòng)機(jī)領(lǐng)域，AI技術(shù)應(yīng)用相對(duì)較少，在壓氣機(jī)設(shè)計(jì)方面更是處于起步階段。壓氣機(jī)設(shè)計(jì)中存在眾多相互耦合影響的因素，設(shè)計(jì)參數(shù)和性能參數(shù)的關(guān)聯(lián)十分復(fù)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(jī)理。因此，采用基于數(shù)據(jù)驅(qū)動(dòng)的ML方法，直接對(duì)大量數(shù)據(jù)間的關(guān)聯(lián)關(guān)系進(jìn)行建模，成為了一種典型應(yīng)用。從廣義上講，使用壓氣機(jī)試驗(yàn)或仿真數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練，使用二次多項(xiàng)式響應(yīng)面、克里金（Kriging）響應(yīng)面、徑向基函數(shù)響應(yīng)面、多層感知機(jī)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等各種方法來構(gòu)建關(guān)聯(lián)模型均屬于ML方法的應(yīng)用，其發(fā)展表現(xiàn)為新的ML方法提出后被應(yīng)用推廣到壓氣機(jī)設(shè)計(jì)的各個(gè)環(huán)節(jié)。在一維設(shè)計(jì)階段應(yīng)用于一維氣動(dòng)特性預(yù)測(cè)；在二維設(shè)計(jì)階段應(yīng)用于葉型損失與落后角模型構(gòu)建、葉型氣動(dòng)特性預(yù)測(cè)等方面；在三維設(shè)計(jì)階段應(yīng)用于流場(chǎng)重構(gòu)及預(yù)測(cè)、湍流模型替代、氣動(dòng)力模型建模等方面；在優(yōu)化設(shè)計(jì)階段應(yīng)用于代理模型構(gòu)建、設(shè)計(jì)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(shè)計(jì)人員對(duì)特征進(jìn)行精選以縮減問題規(guī)模，導(dǎo)致只能擬合原始函數(shù)空間中的部分子集，對(duì)整個(gè)復(fù)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(chǎng)中單個(gè)特性的平均氣動(dòng)性能，不能準(zhǔn)確、完整地描述流場(chǎng)結(jié)構(gòu)。DL方法通過海量訓(xùn)練數(shù)據(jù)和更加復(fù)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(chǎng)結(jié)構(gòu)為優(yōu)化對(duì)象，直接針對(duì)流場(chǎng)結(jié)構(gòu)（如旋渦、邊界層、二次流等）進(jìn)行觀察分析，并通過優(yōu)化實(shí)現(xiàn)對(duì)這些流場(chǎng)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(jī)氣動(dòng)設(shè)計(jì)中的應(yīng)用研究逐步成為熱點(diǎn)，相關(guān)研究主要集中在流動(dòng)仿真智能化和優(yōu)化設(shè)計(jì)智能化兩方面。流動(dòng)仿真智能化流動(dòng)仿真是壓氣機(jī)氣動(dòng)設(shè)計(jì)體系的重要組成部分。流動(dòng)仿真智能化最直接的方式是利用仿真、試驗(yàn)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(xué)習(xí)得到的模型替代數(shù)值模擬過程，實(shí)現(xiàn)流動(dòng)特性的快速預(yù)測(cè)。新加坡國(guó)立大學(xué)基于深度神經(jīng)網(wǎng)絡(luò)開發(fā)了一種快速預(yù)測(cè)翼型流場(chǎng)的計(jì)算模型，在二維定常層流中取得了很好的效果；日本慶應(yīng)義塾大學(xué)采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)低分辨率流場(chǎng)圖像樣本進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)了流場(chǎng)的高分辨率預(yù)測(cè)；瑞士蘇黎世聯(lián)邦理工學(xué)院提出了一種基于生成對(duì)抗網(wǎng)絡(luò)構(gòu)建的生成模型，可以從一組簡(jiǎn)化的參數(shù)中生成流場(chǎng)，減少了計(jì)算時(shí)間；西北工業(yè)大學(xué)將Transformer網(wǎng)絡(luò)架構(gòu)運(yùn)用到翼型流場(chǎng)的快速預(yù)測(cè)中，極大地提升了流場(chǎng)建模和設(shè)計(jì)效率,如圖1所示。圖1

基于Transformer網(wǎng)絡(luò)架構(gòu)的流場(chǎng)仿真總體框架同時(shí)，利用ML算法可以改進(jìn)湍流模型。美國(guó)斯坦福大學(xué)構(gòu)建了替代SA模型中源項(xiàng)的神經(jīng)網(wǎng)絡(luò)模型；意大利羅馬大學(xué)以大渦模擬和試驗(yàn)結(jié)果作為訓(xùn)練集，開發(fā)了一種ML自適應(yīng)壁面模型；日本東北大學(xué)利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了亞格子應(yīng)力張量的分量求解，探索了ML在大渦模擬領(lǐng)域的應(yīng)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(xùn)練得到湍流黑箱模型，實(shí)現(xiàn)湍流的直接預(yù)測(cè)。西北工業(yè)大學(xué)發(fā)展了直接構(gòu)建純數(shù)據(jù)驅(qū)動(dòng)的湍流黑箱代數(shù)模型，并成功實(shí)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(xué)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(xùn)練神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)得到的湍流代數(shù)模型嵌入到計(jì)算流體力學(xué)（CFD）中，相比原數(shù)值仿真可顯著降低計(jì)算時(shí)間。優(yōu)化設(shè)計(jì)智能化優(yōu)化設(shè)計(jì)智能化主要體現(xiàn)在將DL、強(qiáng)化學(xué)習(xí)（RL）等新型ML技術(shù)引入傳統(tǒng)的壓氣機(jī)優(yōu)化設(shè)計(jì)過程，最直接的應(yīng)用是用多層感知機(jī)、深度神經(jīng)網(wǎng)絡(luò)等來替代傳統(tǒng)的代理模型。意大利羅馬大學(xué)基于多層感知機(jī)模型探索渦輪轉(zhuǎn)子葉片的設(shè)計(jì)空間，并構(gòu)建模型評(píng)估葉片性能和幾何參數(shù)之間的關(guān)系；美國(guó)聯(lián)合技術(shù)公司提出了一種ML氣動(dòng)優(yōu)化框架，通過ML實(shí)現(xiàn)代理模型的動(dòng)態(tài)選擇和自我更新，加速設(shè)計(jì)優(yōu)化，如圖2所示，利用該框架調(diào)用100個(gè)CPU的計(jì)算資源，在48h內(nèi)實(shí)現(xiàn)了對(duì)Rotor37轉(zhuǎn)子的多目標(biāo)優(yōu)化；西安交通大學(xué)基于計(jì)算機(jī)視覺領(lǐng)域成果大場(chǎng)景點(diǎn)云技術(shù)構(gòu)建了流場(chǎng)信息編碼器RandLA-encoder，并根據(jù)RandLA-encoder的神經(jīng)網(wǎng)絡(luò)子模型訓(xùn)練建立離心葉輪全三維優(yōu)化平臺(tái)，實(shí)現(xiàn)了全三維離心葉輪自動(dòng)化優(yōu)化方案。圖2

基于構(gòu)建代理模型優(yōu)化設(shè)計(jì)的流程RL不需要提前擁有大量的數(shù)據(jù)來訓(xùn)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(shí)RL還具有一定的泛化能力，可通過預(yù)訓(xùn)練模型來解決類似的新問題，大大縮短了設(shè)計(jì)周期。法國(guó)巴黎文理研究大學(xué)探索了深度強(qiáng)化學(xué)習(xí)（DRL）在優(yōu)化設(shè)計(jì)中的應(yīng)用，表明通過RL訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以自行生成最佳幾何，無須任何先驗(yàn)知識(shí)，并且可以在有限時(shí)間內(nèi)完成；日本東京大學(xué)提出了一個(gè)使用DRL進(jìn)行機(jī)翼優(yōu)化設(shè)計(jì)的框架，將其用來優(yōu)化機(jī)翼的迎角并驗(yàn)證了其泛化能力；清華大學(xué)將RL方法引入超臨界翼型設(shè)計(jì)中，說明了RL具有一定學(xué)習(xí)氣動(dòng)修型方法的能力。難點(diǎn)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(yīng)用于壓氣機(jī)設(shè)計(jì)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(diǎn)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(jìn)行訓(xùn)練。為保障訓(xùn)練所得模型在現(xiàn)實(shí)場(chǎng)景中具有高性能，需要確保訓(xùn)練數(shù)據(jù)的高質(zhì)量，理想情況是采用實(shí)體硬件直接采樣。但是對(duì)于壓氣機(jī)這種量級(jí)的工業(yè)產(chǎn)品，高資金投入、長(zhǎng)獲取周期，以及對(duì)人工干預(yù)和設(shè)備維護(hù)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(jī)領(lǐng)域開展相關(guān)研究的普遍做法是使用模擬器對(duì)真實(shí)壓氣機(jī)環(huán)境進(jìn)行仿真，從而獲得相對(duì)低成本的大量數(shù)據(jù)用于AI算法訓(xùn)練。目前，壓氣機(jī)三維數(shù)值仿真方法得到廣泛應(yīng)用，相較于直接實(shí)體采樣，數(shù)值仿真的速度可以通過并行計(jì)算等手段進(jìn)行提升，從而在數(shù)據(jù)獲取速度方面有著顯著優(yōu)勢(shì)。但是，由于壓氣機(jī)仿真本身的復(fù)雜性，仿真結(jié)果目前尚無法做到完美復(fù)刻物理現(xiàn)實(shí)，因此將仿真環(huán)境訓(xùn)練得到的模型部署到現(xiàn)實(shí)場(chǎng)景時(shí)會(huì)存在一定程度的偏差，導(dǎo)致AI技術(shù)難以有效發(fā)揮作用。泛化能力當(dāng)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(dú)立同分布的基礎(chǔ)之上進(jìn)行訓(xùn)練和評(píng)估的，這意味著對(duì)于同一個(gè)給定任務(wù)來說，需要對(duì)相同分布的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行采樣。在AI賦能壓氣機(jī)設(shè)計(jì)這一特定問題中，泛化能力意味著可以將在一型壓氣機(jī)設(shè)計(jì)中訓(xùn)練得到的模型應(yīng)用到下一次另一型壓氣機(jī)設(shè)計(jì)中。近年來，學(xué)術(shù)界對(duì)于AI算法的泛化性研究已經(jīng)有了一些進(jìn)展，如元學(xué)習(xí)、預(yù)訓(xùn)練、遷移學(xué)習(xí)等方法的出現(xiàn)，然而，不管是元學(xué)習(xí)還是預(yù)訓(xùn)練，場(chǎng)景化地用于某個(gè)特定任務(wù)時(shí)，依舊需要算法工程師進(jìn)行微調(diào)。這個(gè)過程對(duì)于目標(biāo)、優(yōu)化器都有一定要求，也有較嚴(yán)苛的數(shù)據(jù)質(zhì)量需求，仍難以真正泛化到跨度大的場(chǎng)景。針對(duì)泛化性問題，目前仍然缺乏一個(gè)普適的理論，對(duì)于具體的問題也無法確切地給出一個(gè)模型的泛化邊界，因此大大限制了模型的應(yīng)用范圍，降低了設(shè)計(jì)人員對(duì)于模型的信心?？山忉屝圆⒎撬械腁I方法都是黑箱算法，但就當(dāng)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(qiáng)大的優(yōu)勢(shì)，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(jī)是典型的非線性系統(tǒng)，其中大量不確定性因素的作用機(jī)制尚不明晰，在壓氣機(jī)設(shè)計(jì)中采用完全由數(shù)據(jù)驅(qū)動(dòng)的黑箱式學(xué)習(xí)方法，獲得的特征與人為定義的物理特征難以對(duì)應(yīng)，這既不利于設(shè)計(jì)人員加深對(duì)壓氣機(jī)設(shè)計(jì)的理解，也無法在設(shè)計(jì)進(jìn)步的同時(shí)實(shí)現(xiàn)知識(shí)的更新。當(dāng)數(shù)值模擬與試驗(yàn)結(jié)果還存在一定偏差時(shí)，在壓氣機(jī)設(shè)計(jì)中準(zhǔn)確量化潛在的物理機(jī)制以便進(jìn)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(shè)計(jì)人員對(duì)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(yīng)用仍舊局限于流場(chǎng)預(yù)測(cè)、優(yōu)化設(shè)計(jì)等特定環(huán)節(jié)，在諸多方面依舊依賴設(shè)計(jì)人員的經(jīng)驗(yàn)，僅發(fā)揮了如改進(jìn)指定問題計(jì)算效率、縮短設(shè)計(jì)周期等作用，距離設(shè)計(jì)人員對(duì)AI能完全機(jī)器自主地進(jìn)行壓氣機(jī)設(shè)計(jì)的期待，還比較遠(yuǎn)。從AI在不同領(lǐng)域的應(yīng)用發(fā)展來看，最終目標(biāo)都是分階段逐步實(shí)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(shí)和規(guī)則后，通過訓(xùn)練策略樹來完成搜索和作出決策，仍是人機(jī)協(xié)作的模式。第二代AlphaGoZero，去掉人類知識(shí)，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(qiáng)算法的泛化能力，自主訓(xùn)練掌握其他棋類。第四代MuZero，在完全沒有人類知識(shí)和規(guī)則的情況下，自主分析未知環(huán)境條件來進(jìn)行不同游戲的博弈。從AI賦能壓氣機(jī)設(shè)計(jì)的發(fā)展和現(xiàn)狀來看，完全機(jī)器自主的壓氣機(jī)設(shè)計(jì)也應(yīng)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(shè)計(jì)經(jīng)驗(yàn)，由AI在存量庫(kù)智能選擇已有的相近設(shè)計(jì)作為原始設(shè)計(jì)，并利用智能優(yōu)化設(shè)計(jì)方法對(duì)其進(jìn)行進(jìn)一步精細(xì)化改型。第二步模擬正向設(shè)計(jì)，舍棄智能選擇步驟（舍棄人類知識(shí)），在現(xiàn)行設(shè)計(jì)體系下基于RL等可以零啟動(dòng)的方法開展分層級(jí)的AI自主設(shè)計(jì)，初步實(shí)現(xiàn)機(jī)器設(shè)計(jì)自動(dòng)化。第三步發(fā)展多目標(biāo)、多約束的自主智能化技術(shù)，加強(qiáng)AI對(duì)關(guān)鍵流場(chǎng)信息知識(shí)的學(xué)習(xí)、辨別及挖掘能力，AI可根據(jù)實(shí)際需求自主變更目標(biāo)及約束（舍棄經(jīng)驗(yàn)規(guī)則），實(shí)現(xiàn)自主干預(yù)、自主調(diào)節(jié)的壓氣機(jī)智能化氣動(dòng)設(shè)計(jì)。另外，在進(jìn)一步減弱人為干預(yù)，實(shí)現(xiàn)氣動(dòng)設(shè)計(jì)機(jī)器自主化的基礎(chǔ)上，提升氣動(dòng)設(shè)計(jì)優(yōu)化的智能化水平是另一個(gè)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