人工智能在壓氣機氣動設(shè)計中的應(yīng)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(shè)計中的應(yīng)用開展了諸多有益的探索與嘗試，智能化技術(shù)為壓氣機氣動設(shè)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(shè)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(shè)計中，設(shè)計人員主要依靠手動調(diào)整參數(shù)，反復(fù)迭代修改來達到設(shè)計目標，存在設(shè)計周期長、效率低、對設(shè)計人員經(jīng)驗依賴性強等問題。將AI技術(shù)與壓氣機設(shè)計有機結(jié)合，融合多源信息以及人的先驗知識，促使設(shè)計方案更加多樣、設(shè)計周期更短、設(shè)計效果更優(yōu)，實現(xiàn)壓氣機體系化的智能性設(shè)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A(yù)I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(yīng)用系統(tǒng)的技術(shù)學(xué)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(xué)派之間的學(xué)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(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(yīng)用相對較少，在壓氣機設(shè)計方面更是處于起步階段。壓氣機設(shè)計中存在眾多相互耦合影響的因素，設(shè)計參數(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(yīng)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(xùn)練，使用二次多項式響應(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、支持向量機、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)用推廣到壓氣機設(shè)計的各個環(huán)節(jié)。在一維設(shè)計階段應(yīng)用于一維氣動特性預(yù)測；在二維設(shè)計階段應(yīng)用于葉型損失與落后角模型構(gòu)建、葉型氣動特性預(yù)測等方面；在三維設(shè)計階段應(yīng)用于流場重構(gòu)及預(yù)測、湍流模型替代、氣動力模型建模等方面；在優(yōu)化設(shè)計階段應(yīng)用于代理模型構(gòu)建、設(shè)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(shè)計人員對特征進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，對整個復(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(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(shè)計中的應(yīng)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(shè)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(shè)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(xué)習(xí)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(yù)測。新加坡國立大學(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(yīng)義塾大學(xué)采用卷積神經(jīng)網(wǎng)絡(luò)對低分辨率流場圖像樣本進行學(xué)習(xí)，實現(xiàn)了流場的高分辨率預(yù)測；瑞士蘇黎世聯(lián)邦理工學(xué)院提出了一種基于生成對抗網(wǎng)絡(luò)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(xué)將Transformer網(wǎng)絡(luò)架構(gòu)運用到翼型流場的快速預(yù)測中，極大地提升了流場建模和設(shè)計效率,如圖1所示。圖1

基于Transformer網(wǎng)絡(luò)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(xué)構(gòu)建了替代SA模型中源項的神經(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，實現(xiàn)湍流的直接預(yù)測。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(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)模型嵌入到計算流體力學(xué)（CFD）中，相比原數(shù)值仿真可顯著降低計算時間。優(yōu)化設(shè)計智能化優(yōu)化設(shè)計智能化主要體現(xiàn)在將DL、強化學(xué)習(xí)（RL）等新型ML技術(shù)引入傳統(tǒng)的壓氣機優(yōu)化設(shè)計過程，最直接的應(yīng)用是用多層感知機、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)基于多層感知機模型探索渦輪轉(zhuǎn)子葉片的設(shè)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(shè)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(xué)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(luò)子模型訓(xùn)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(shè)計的流程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)計周期。法國巴黎文理研究大學(xué)探索了深度強化學(xué)習(xí)（DRL）在優(yōu)化設(shè)計中的應(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，無須任何先驗知識，并且可以在有限時間內(nèi)完成；日本東京大學(xué)提出了一個使用DRL進行機翼優(yōu)化設(shè)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(xué)將RL方法引入超臨界翼型設(shè)計中，說明了RL具有一定學(xué)習(xí)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(yīng)用于壓氣機設(shè)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(xùn)練。為保障訓(xùn)練所得模型在現(xiàn)實場景中具有高性能，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(yù)和設(shè)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(xùn)練。目前，壓氣機三維數(shù)值仿真方法得到廣泛應(yīng)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(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，因此將仿真環(huán)境訓(xùn)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(dǎo)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(xùn)練和評估的，這意味著對于同一個給定任務(wù)來說，需要對相同分布的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行采樣。在AI賦能壓氣機設(shè)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(shè)計中訓(xùn)練得到的模型應(yīng)用到下一次另一型壓氣機設(shè)計中。近年來，學(xué)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(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，場景化地用于某個特定任務(wù)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(yīng)用范圍，降低了設(shè)計人員對于模型的信心?？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(shè)計中采用完全由數(shù)據(jù)驅(qū)動的黑箱式學(xué)習(xí)方法，獲得的特征與人為定義的物理特征難以對應(yīng)，這既不利于設(shè)計人員加深對壓氣機設(shè)計的理解，也無法在設(shè)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(shè)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(shè)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(yīng)用仍舊局限于流場預(yù)測、優(yōu)化設(shè)計等特定環(huán)節(jié)，在諸多方面依舊依賴設(shè)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(shè)計周期等作用，距離設(shè)計人員對AI能完全機器自主地進行壓氣機設(shè)計的期待，還比較遠。從AI在不同領(lǐng)域的應(yīng)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(xùn)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(xùn)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(shè)計的發(fā)展和現(xiàn)狀來看，完全機器自主的壓氣機設(shè)計也應(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)計經(jīng)驗，由AI在存量庫智能選擇已有的相近設(shè)計作為原始設(shè)計，并利用智能優(yōu)化設(shè)計方法對其進行進一步精細化改型。第二步模擬正向設(shè)計，舍棄智能選擇步驟（舍棄人類知識），在現(xiàn)行設(shè)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(shè)計，初步實現(xiàn)機器設(shè)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(xué)習(xí)、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(yù)、自主調(diào)節(jié)的壓氣機智能化氣動設(shè)計。另外，在進一步減弱人為干預(yù)，實現(xiàn)氣動設(shè)計機器自主化的基礎(chǔ)上，提升氣動設(shè)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