神经网络驱动的体积力方法：航空发动机气动仿真的智能化突破

本文介绍一种基于神经网络和自动微分的体积力计算框架，通过从单通道CFD数据提取通量信息，利用神经网络拟合连续流场，实现全环非定常三维通道仿真，旨在解决航空发动机气动仿真计算量大的问题，为设计迭代提供高效工具。

航空发动机压气机和涡轮的气动设计依赖高精度CFD仿真，但全环三维非定常仿真需解析叶片排复杂相互作用，计算量极大（最先进集群需数周），严重制约设计迭代效率，工程师迫切需要高精度低开销的方法。

体积力方法将叶片对流体的作用等效为流道内体积力场，降低网格需求；传统方法依赖经验关联式，精度有限。本框架分三阶段：1.提取单通道定常CFD通量数据；2.用神经网络拟合通量场（自动微分获空间导数）；3.计算体积力嵌入全环非定常仿真。

传统通量梯度获取依赖有限差分，易引入误差且敏感于网格质量；自动微分可精确计算神经网络输出对坐标的导数，误差仅受浮点精度限制，提高体积力计算准确性，降低网格依赖性，增强鲁棒性。

体积力作为源项引入三维非定常流动控制方程，网格数量减少数个数量级，常规工作站即可运行，计算时间从数周缩短至数小时，支持转子-静子相互作用、非同步振动等复杂现象分析。

概念设计阶段快速评估叶片排配置气动性能；详细设计阶段筛选关键工况，指导高保真仿真采样；数据驱动特性可积累仿真数据持续改进模型，形成"仿真-学习-预测"正向循环。

未来可融入物理信息神经网络（PINN），在损失函数中嵌入质量、动量、能量守恒约束，提升模型物理一致性和外推能力；探索多保真度学习，结合低成本RANS与高成本LES/DNS数据，训练灵活切换精度的模型。

本方法桥接单通道定常仿真与全环非定常仿真的精度-效率鸿沟，自动微分确保梯度计算准确性，为航空发动机气动仿真智能化发展提供有益参考。