基于物理信息神经网络与主动学习的3毫米微涡轮叶片轮廓智能设计与优化

《Aerospace》:Intelligent Design and Optimization of a 3 mm Micro-Turbine Blade Profile Using Physics-Informed Neural Networks and Active Learning Yizhou Hu, Leheng Zhang, Sirui Gong and Zhenlong Wang

【字体: 大 中 小 】 时间:2026年04月06日 来源:Aerospace 2.2

编辑推荐:

  本文研究毫米级微涡轮叶片设计面临的挑战:需兼顾气动性能与微加工可行性,并高效探索高维设计空间。为此,作者提出了一种融合物理信息神经网络(PINN)与主动学习的智能优化框架,实现了3 mm直径微涡轮三维叶片轮廓的参数化设计与多目标优化。该工作成功将优化叶片的转速提升了38.6%,同时保持了75.1%的推力,为具有高维参数和高保真模拟需求的微流体器件设计提供了系统性解决方案。

  
想象一下,未来那些能够在狭小空间内灵活穿梭执行任务的微型飞行器(MAV),其核心动力源——毫米级别的微型涡轮推进器。将它们做得更小、更强劲,是推动微型飞行器发展的关键。然而,当我们将传统的涡轮缩小到直径仅3毫米的尺度时,就遇到了两个棘手的难题。一方面,设计上追求复杂、高性能的三维叶片结构,往往与实际的微纳加工能力相冲突,导致制造困难或性能妥协;另一方面,在这个尺度上,缺乏成熟的设计指南,传统的理论模型也常常失效,使得探索叶片形态的庞大设计空间(本文用了多达22个设计变量)变得异常昂贵和低效。为了解决这些难题,Yizhou Hu, Leheng Zhang, Sirui Gong, Zhenlong Wang等研究人员在《Aerospace》期刊上发表了一项开创性研究。他们开发了一套集成的智能设计框架,成功地对3毫米直径的微涡轮叶片进行了优化设计,在提升性能的同时,确保了与微细电火花加工技术的兼容性。这项工作不仅为微型推进系统设计提供了新范式,其方法论也可推广至其他高维参数、高保真模拟需求的微流体器件设计领域。
为了开展这项研究,研究人员采用了几个关键的技术方法。首先,基于微细电火花加工的限制条件,建立了包含22个几何参数的三维叶片参数化模型,确保所有设计在制造上都是可行的。其次,他们构建了一个包含微涡轮外壳和专用测试平台的实验系统,用于测量初始样本在压缩空气驱动下的实际转速和推力。接着,利用计算流体动力学(CFD)仿真建立了从叶片参数到性能(扭矩和推力)的虚拟映射。为了在保证精度的前提下极大地降低优化过程中的计算成本,研究人员训练了一个物理信息神经网络(PINN)作为高效的代理模型,并采用结合了KD-tree空间探索和残差采样的两阶段主动学习策略,分批次地将高质量CFD仿真样本扩充至500个,从而有效提升了PINN的预测准确性。最后,将这个高精度的PINN模型与多目标优化算法非支配排序遗传算法II(NSGA-II)结合,对叶片轮廓进行优化,以同时最大化扭矩和推力。
3.1. Experimental Performance Testing for Initial Samples
研究人员首先采用拉丁超立方采样法,在22维设计空间中选取了10个具有代表性的初始样本,并进行微加工和物理性能测试。测试结果表明,在不同进气压力下,不同样本的转速和推力性能存在显著差异,例如样本5在所有测试压力下均保持最高转速,而样本10则最低,这直接证明了叶片形态对涡轮气动性能的关键影响,也为后续的优化工作提供了必要的数据基准。
3.2. Analysis and Verification of CFD Simulation Results
为了以较低成本获得大量样本的性能数据,研究人员对初始样本进行了CFD仿真。通过对比仿真扭矩与实验转速、仿真推力与实测推力,他们验证了在0.2 MPa进气压力条件下,仿真数据能够最准确地反映涡轮的实际性能。这一发现使得后续只需在0.2 MPa条件下对新增样本进行仿真,即可获得可靠的性能比较依据,从而大幅降低了数据积累的成本。
3.3. Establishment of PINN and Analysis of Parameter Influence
在建立了CFD仿真与实验数据的可靠关联后,研究进入核心环节——构建PINN代理模型。通过主动学习策略,研究团队高效地将训练样本集扩充至500个高质量CFD样本。分析表明,当样本数达到约500时,PINN模型的预测精度已趋于收敛。训练完成的PINN模型在单样本计算时间上比传统CFD方法快了近两个数量级,且计算时间不受叶片几何复杂度影响,展现出极高的计算效率和稳定性。进一步的参数敏感性分析揭示,叶片数量参数c0对扭矩影响最为显著(呈负相关),而叶片厚度参数c21对推力调控作用最强(亦呈负相关)。同时,大部分叶片中心线形状参数对扭矩和推力的影响是相互制约的,这初步表明了微涡轮在扭矩和推力性能之间存在固有的权衡关系。
3.4. Multi-Objective Optimization and Final Sample Validation
基于高精度PINN模型,研究人员采用NSGA-II算法对扭矩和推力进行了多目标优化。优化过程清晰地展示了两项目标之间的权衡关系,并形成了一个光滑的帕累托前沿。从帕累托解集中,研究人员选择了一个在推力损失较小的前提下能大幅提升转速的优化设计方案。对该优化样本的物理制造和实验验证表明,在0.2 MPa进气压力下,优化叶片的转速相较于初始样本中转速最高的样本5提升了38.6%,同时保持了其75.1%的推力。这一结果强有力地证实了整个智能设计框架的有效性。
该研究的结论在于,其成功开发并验证了一套从参数化建模、实验测试、高保真仿真、智能代理模型构建到多目标优化的端到端微涡轮叶片智能设计框架。该框架的核心价值在于,它巧妙地平衡了毫米尺度下涡轮设计中的制造可行性与气动性能优化这一对固有矛盾。通过引入制造约束的参数化方法,确保了所有优化结果的可加工性;而通过PINN与主动学习的结合,则高效、高精度地解决了高维设计空间探索的计算成本难题。最终优化样本在转速上实现显著提升,同时有效保留了推力性能,这为微型飞行器等对紧凑高效推进系统有迫切需求的领域提供了极具潜力的解决方案。更重要的是,这项研究所展示的方法论——融合物理约束的智能建模与优化——为解决其他类似的高维、高保真度要求的微流体和微推进系统设计问题,提供了一个可借鉴的范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号