夜雨聆风
上海交大AI+Turbo团队联合西工大寇家庆教授团队在《推进技术》发表智能流体力学综述
近日，课题组何潇副教授联合西北工业大学寇家庆教授团队、中国航发608所王志凯研究员等，在《推进技术》期刊发表综述论文“航空发动机智能流体力学研究进展与展望“，何潇副教授为该文共同通讯作者。该文系统梳理了人工智能在航空发动机流动领域理论、计算与应用三大层面的研究进展，并展望了未来发展方向。
01
研
究
背
景
Research Background
航空发动机内部流动问题因高温、高压、高转速等极端工况，呈现出多尺度结构、多部件干扰与多物理场强耦合的复杂特征，对传统研究范式提出了严峻挑战。理论模型难以解析复杂强非线性机制，实验手段受限于成本与测量时空分辨率，而高保真数值模拟计算资源消耗巨大，难以满足工程设计中快速迭代的需求。近年来，以数据密集型科学为代表的第四范式兴起，推动了人工智能与流体力学深度融合的智能方法发展，为突破航空发动机复杂流动问题提供了创新途径。在此背景下，本文系统梳理了人工智能在航空发动机流动的理论、计算与应用三大层面的研究进展，探讨其带来的范式革新并展望未来图景。
02
主
要
内
容
Main Content
图1： 航空发动机智能流体力学研究思路
在理论层面，本文系统梳理了流体力学智能建模与知识发现的研究进展。针对传统模型在极端工况下经验性强、易失效的问题，综述了以符号回归和稀疏识别为代表的“白箱”方法，可以直接从数据中挖掘显式控制方程与化学反应机理，实现对物理规律的可解释重构。同时，探讨了数据驱动的湍流与燃烧建模方法，包括利用机器学习修正RANS模型偏差、封闭燃烧反应源项等技术路径，旨在通过“物理+数据”的双驱动范式，突破传统模型在复杂流动模拟中的精度与泛化性瓶颈。
在计算层面，本文系统阐述了流动特征提取与数值模拟方法的智能化技术路径。重点包括：（1）流动特征提取，涵盖以POD、DMD为代表的线性模态分析及基于Koopman理论等非线性方法，揭示了其在理解复杂流动结构方面的潜力与局限；（2）基于机器学习的流场快速预测，总结了以CNN、PINN等为代表的监督学习与物理驱动方法在流动预测中的应用现状，强调了其在降低计算成本、处理非线性问题方面的优势及泛化性挑战；（3）多源与多模态数据融合，探讨了通过融合试验、仿真等多源数据及图像、压力等多模态信息，提升流场认知与重构精度的新途径。
在应用层面，本文系统综述了智能方法在航空发动机流动领域的五项关键进展：基于降阶模型与机器学习的数据驱动多场耦合建模，实现了压气机、燃烧室、涡轮的气-固-热-声耦合高效分析；以神经网络与强化学习为核心的流动智能控制方法，在压气机分离抑制和燃烧室振荡控制中展现出闭环调控潜力；融合代理模型、智能优化算法和生成式设计的智能优化范式，显著提升了部件级气动与冷却设计效率；大语言模型与多智能体技术为实现仿真流程自动化与多部件协同优化提供了新兴范式；模型可信性与适用性评估则为智能方法的工程落地提供了关键保障。
03
总
结
展
望
Summary and Outlook
人工智能为航空发动机复杂流动研究注入了新的活力，推动了从“数值分析”向“数智融合”的转型。然而，由于航空发动机极端工况的特殊性，当前研究仍面临数据稀缺、模型泛化能力不足及可解释性弱等挑战。未来研究应重点关注以下五个方向：
1. 建立面向航空发动机典型流动（如失稳、转捩、燃烧）的高质量、标准化共享数据集与验证平台。
2. 推动复杂系统建模从纯数据驱动向融合物理先验的“双驱动”范式转变，并实现模型从黑箱预测到白箱可解释的理论突破。
3. 聚焦极端工况下的模型泛化能力，发展自动化数值模拟技术，建立智能仿真标准化验证与可信性评估体系。
4. 融合先进测量与智能重构技术，构建涵盖试验设计、实时监测及数据挖掘的智能试验辅助系统，加速极限工况探索。
5. 探索基于大语言模型的多智能体协同框架，实现气动、燃烧、结构等多学科的整机一体化智能设计与控制。
扫描左侧二维码
在线阅览全文
04
相
关
论
文
Related Publications
[1] HE X, ZHAO F Z, VAHDATI M. A turbo-oriented data-driven modification to the spalart–allmaras turbulence model[J]. Journal of Turbomachinery, 2022, 144(12): 121007.
[2] HE X, ZHAO F Z, VAHDATI M. Uncertainty quantification of spalart–allmaras turbulence model coefficients for compressor stall[J]. Journal of Turbomachinery, 2021, 143(8): 81007.
[3] HE X, MONTOMOLI F, MICHELASSI V, et al. Multiscale data-driven RANS closure for trailing edge cutback film cooling flows[J]. Journal of Turbomachinery, 2026, 148(5): 051003.
[4] HE X, MONTOMOLI F, MICHELASSI V, et al. Characteristics of deterministic and stochastic unsteadiness of trailing edge cutback film cooling flows[J]. Journal of Turbomachinery, 2025, 147(1): 11009.
内容转载自《推进技术》微信公众号
编辑：夏凯龙、何潇
审核：朱铭敏
