增强端壁气膜冷却预测的泛化能力：将叠加原理纳入基于变压器的神经算子中

arXiv:2609.31633v1 发布类型：新 摘要：在这项研究中，提出了一种物理增强的神经算子框架，以增强具有可变数量膜孔的涡轮端壁冷却布局的泛化预测能力。具体来说，受气膜冷却叠加原理的启发，我们提出了一种气膜冷却预测模型，即基于叠加的深度神经算子（SDNO），它将端壁温度场预测分为两个阶段。在第一阶段，涡轮机端壁的冷却布局被分为几个具有随机分配的膜孔的子部分，并且设计了基于Transformer的神经算子网络（即Calculate Net）来预测每个子部分的温度场。然后，在第二阶段，训练另一个神经算子网络Super Net，将Calculate Net预测的每个子部件的温度场结合起来，得到全冷却布局的叠加温度场。此外，不是直接将薄膜冷却轮廓作为像素图，而是设计了对冷却孔的可变位置敏感的符号距离函数（SDF）来对冷却孔的位置信息进行编码。此外，所提出的端壁气膜冷却预测模型是使用将膜孔数量从 1-5 个位置变化的样本进行训练的。然后，训练后的预测显示出优异的泛化预测能力，可以准确预测训练样本中未见的具有10-20个气膜冷却孔的冷却布局的气膜有效性。相对于完全监督的基线，所提出的 SDNO 还提高了预测精度。综上所述，我们提出的预测模型的有效性得到了很好的证明。