【行業動態】格拉茨理工大學借助AI解鎖航空發動機優化潛力

導讀：歐洲委員會在“Flightpath2050”戰略中為航空業制定了減排、降燃油消耗與能源消耗的發展框架，高效發動機成為關鍵突破口。在ARIADNE項目中，格拉茨理工大學（TUGraz）的跨學科團隊研發出AI支持的創新模型，為更快實現發動機效率提升奠定基礎——該模型融合渦輪中間導管的多年流場數據與人工智能、機器學習技術，能快速且高效地測試各類幾何參數變化對效率的影響。

渦輪中間導管：被忽視的優化富礦

“渦輪中間導管是航空發動機的核心部件，”格拉茨理工大學熱力渦輪機械與機器動力學研究所項目負責人沃爾夫岡·桑茨（Wolfgang Sanz）表示，“它負責引導氣流在轉速不同的高壓渦輪與低壓渦輪之間流動。但這類中間導管重量較大，因此需要在保證高效率的前提下，盡可能做到更短、更小、更輕，這一領域仍存在巨大優化空間。”

基于與知名航空發動機制造商的合作研究，該研究所已積累了龐大的測量數據與流場模擬數據庫。為充分利用這些信息優化部件及整機性能，沃爾夫岡·桑茨與博士生瑪麗安·施塔格爾（Marian Staggl），聯合該校軟件工程與人工智能研究所弗朗茨·沃塔瓦（Franz Wotawa）的研究團隊及兩家企業合作伙伴，共同探索了三種AI支持的技術路徑。

降階模型脫穎而出，計算效率呈數量級提升

在三種技術路徑中，降階模型（Reduced Order Models）表現最為突出。該模型通過挖掘數據中的相似性，僅提取最關鍵的共性特征進行模擬，大幅加速了計算過程——其運算速度較完整流場模擬快數個數量級。盡管在精度上存在一定損失，但結合模擬技術后，能夠有效預測趨勢并識別優化潛力。此外，這款自主研發的模型還具備顯著優勢：當渦輪中間導管長度等參數發生變化時，可快速捕捉效率波動。

相比之下，替代模型（Surrogate Models）存在一定局限性，其主要依賴現有數據的插值計算，在已驗證流場數據范圍外，由于數據庫規模不足，結果準確性難以保障。項目團隊還對物理知情神經網絡（PINNs）進行了研究，這類模型嘗試將物理微分方程融入神經網絡，但目前仍需進一步優化才能投入實際應用。

下一步沖刺三維模擬，開放數據賦能行業

目前，該降階模型僅實現了渦輪中間導管的二維建模，研究團隊已規劃后續發展方向。項目中構建的渦輪導管大型數據庫與降階模型將通過線上平臺向其他研究團隊開放，助力行業共同研發類似的三維模擬模型。對于沃爾夫岡·桑茨而言，機器學習技術的應用已帶來全新啟發：“從機器學習的結果中，我們發現了許多此前從未設想過的參數關聯與變化趨勢。”

此次研究不僅為航空發動機效率優化提供了高效工具，也為AI與航空動力工程的深度融合開辟了新路徑，有望加速歐洲航空業“Flightpath2050”戰略目標的實現。

原創文章，轉載請注明來自@兩機動力控制

（歡迎加小編微信號：gtc6000；QQ群：603094810；資料都存在QQ群文件夾中）

免責聲明：本公眾號所載內容為本公眾號原創或網絡轉載，轉載內容版權歸原作者所有。如涉及作品內容、版權或其他問題，請跟我們聯系！轉載內容為作者個人觀點，并不代表本公眾號贊同其觀點和對其真實性負責。本公眾號擁有對此聲明的最終解釋