# Thermal Machinery AI Skills：面向燃气轮机与热力机械系统动态建模的AI代理工作流

> 首个专注于AI辅助复杂热力机械系统动态建模的开源技能集，提供从工程需求到Simulink实现的完整分层建模流程，包含双轴燃气轮机合成案例和MATLAB/Simulink R2023a验证。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-12T12:46:22.000Z
- 最近活动: 2026-06-12T12:55:51.563Z
- 热度: 116.8
- 关键词: AI代理, 燃气轮机, 动态建模, 热力机械, Simulink, MATLAB, 工程工作流, 分层建模, Codex技能
- 页面链接: https://www.zingnex.cn/forum/thread/thermal-machinery-ai-skills-ai
- Canonical: https://www.zingnex.cn/forum/thread/thermal-machinery-ai-skills-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：YYch89
- 来源平台：github
- 原始标题：thermal-machinery-ai-skills
- 原始链接：https://github.com/YYch89/thermal-machinery-ai-skills
- 来源发布时间/更新时间：2026-06-12T12:46:22Z

## 原作者与来源\n\n- 原作者/维护者：YYch89\n- 来源平台：GitHub\n- 原始标题：thermal-machinery-ai-skills\n- 原始链接：https://github.com/YYch89/thermal-machinery-ai-skills\n- 来源发布时间/更新时间：2026-06-12\n- DOI：10.5281/zenodo.20666571\n\n## 背景与挑战\n\n大型语言模型（LLM）在代码生成和文本处理方面展现出惊人能力，但在复杂工程系统建模领域，直接生成完整模型往往导致失败。燃气轮机、热泵、制冷循环等热力机械系统涉及多物理场耦合、非线性动态行为、严格的组件接口约束，以及大量领域特定的假设和验证要求。\n\n传统的AI代码生成方式是"端到端"的——给定需求，直接输出代码。这种方式在简单任务上表现良好，但对于热力机械系统，缺乏中间验证环节的端到端生成几乎必然导致模型在物理上不一致或数值不稳定。\n\nThermal Machinery AI Skills 项目正是为解决这一问题而生。它提出了一种"分层建模"方法论，通过AI代理工作流将复杂的动态建模过程拆解为可管理、可验证的阶段，确保每个中间产物都经过审核，每个假设都有迹可循。\n\n## 项目定位：不只是提示词，不只是代码生成\n\n项目作者在README中开宗明义地指出："这不是提示词集合，也不是简单的代码生成工具。这个项目将领域建模经验转化为可复用的AI代理工作流。"\n\n这一定位揭示了项目的核心价值所在。现有的许多"AI for Engineering"项目停留在"用LLM生成MATLAB/Python代码"的层面，而Thermal Machinery AI Skills 更进一步——它定义了一套完整的建模流程规范，教导AI代理如何"慢下来"，按层次构建模型，并保持每个压力、温度、质量流量、组分、功率平衡、状态变量和假设的可审计性。\n\n## 核心技能模块\n\n项目目前包含两个主要技能模块，分别对应不同复杂度的建模需求。\n\n### 技能一：thermal-machinery-dynamic-modeling\n\n这是通用动态热力学系统建模工作流技能，适用于以下系统类型：\n\n- 热机与动力循环\n- 压气机、涡轮、泵、风机\n- 燃烧室、反应器\n- 换热器、回热器、混合器\n- 布雷顿循环、朗肯循环\n- 制冷系统、热泵\n- 混合热力系统\n\n该技能引导AI代理完成以下阶段：\n\n1. **范围与需求分类**：明确建模目的、精度要求、时间尺度、验证标准\n2. **拓扑与节点账本构建**：建立系统的节点-支路拓扑表示，定义每个节点的状态变量和每个支路的流动变量\n3. **组件合约与流接口**：为每个组件定义输入-输出合约，确保质量、能量、动量守恒在接口层面得到强制\n4. **设计点与稳态一致性检查**：验证组件在设计工况下的性能参数是否自洽\n5. **动态状态选择与初始化**：确定动态状态变量（通常为容腔中的质量、能量、动量存储），建立初始条件\n6. **控制与优化前的验证门**：在接入控制系统或进行优化之前，必须通过预定义的验证检查\n\n### 技能二：gas-turbine-ai-modeling\n\n这是专门针对燃气轮机建模的领域技能，特别关注多轴燃气轮机。它在通用技能的基础上增加了燃气轮机特有的建模阶段：\n\n1. **设计点计算与状态表**：建立燃气轮机在设计工况下的完整状态表，包括各站位（station）的压力、温度、流量、转速、功率\n2. **MATLAB到Simulink的分层迁移**：不是直接生成Simulink模型，而是先从MATLAB脚本建立设计点数据，再逐步迁移到Simulink\n3. **压气机与涡轮特性图**：处理特性图的插值、外推、归一化，以及运行点与特性图的匹配\n4. **转子、容腔与燃烧室动态**：分别处理旋转惯量、容腔填充、燃烧延迟等动态效应\n5. **初始条件注册表与配平检查**：建立动态仿真的初始条件，验证稳态初始化是否成功\n6. **控制集成**：在 plant 模型初始化成功后，接入控制系统\n7. **动态Simulink模型的验证与修复**：运行仿真，检查数值稳定性、物理合理性，必要时修复模型\n\n## 公开示例：合成双轴燃气轮机\n\n项目提供了一个完整的公开示例 `synthetic-dual-shaft-gt-dynamic`，这是一个自包含的双轴燃气轮机动态建模案例，包含：\n\n- MATLAB设计点数据源\n- 合成压气机特性图数据\n- 额定稳态特性图封装闭合\n- 简化动态 plant 方程\n- Simulink模型生成脚本\n- 原生模块组件Simulink模型生成\n- MATLAB单元测试与运行时冒烟检查\n- 组件合约与验证说明\n\n该示例是探索性和简化性质的，旨在展示可审计的建模工作流，而非代表经过认证的发动机或制造商模型。\n\n所有运行时冒烟检查已通过MATLAB/Simulink R2023a验证，验证状态标记为：\n\n```\nR2023_PUBLIC_GT_CORE_CHECKS_PASSED\nR2023_PUBLIC_GT_RUNTTESTS_PASSED\nR2023_PUBLIC_GT_README_SCRIPTS_COMPLETED\n```\n\n## 技能选择指南\n\n项目提供了清晰的技能选择决策表：\n\n| 场景 | 推荐技能 |\n|------|---------|\n| 新热力系统或混合能量转换拓扑 | 从 `thermal-machinery-dynamic-modeling` 开始，用于范围、拓扑、节点账本、组件合约、初始化和验证门 |\n| 燃气轮机设计点、动态 plant、特性图拟合、转子/容腔动态、Simulink修复 | 使用 `gas-turbine-ai-modeling` |\n| 包含燃气轮机和其他热力组件的集成系统 | 整体系统拓扑和流账本使用 `thermal-machinery-dynamic-modeling`，燃气轮机子系统使用 `gas-turbine-ai-modeling` |\n| 对提议模型的外部快速审核 | 使用相关领域技能，然后对照验证和交付物参考检查输出 |\n\n## 快速开始\n\n使用方式是将技能文件夹复制到Codex技能目录，或从Codex可以加载技能的工作空间引用本仓库。\n\n对于新热力系统，建议的初始提示词为：\n\n```\n使用 thermal-machinery-dynamic-modeling 技能规划动态模型。\n从范围、拓扑、节点账本、组件合约、动态初始化和验证门开始。\n```\n\n对于燃气轮机，建议的初始提示词为：\n\n```\n使用 gas-turbine-ai-modeling 技能构建从设计点到动态建模的分层工作流。\n不要直接跳到Simulink。产出状态表、回路合约、初始条件注册表和验证门。\n```\n\n从MATLAB运行公开燃气轮机示例：\n\n```matlab\nruntests('tests')\nrun('scripts/build_gt_simulink_model.m')\nrun('scripts/run_simulink_closed_loop.m')\nrun('scripts/build_gt_component_native_model.m')\nrun('scripts/run_component_native_closed_loop.m')\n```\n\n注意：Simulink模型由脚本本地生成，不提交到仓库。\n\n## 项目边界与免责声明\n\n项目作者明确界定了本项目的范围边界：\n\n- **不是**认证工程仿真器\n- **不是**制造商模型\n- **不是**性能保证\n- **不是**领域审核的替代品\n- **不包含**专有特性图、私有标定数据、未公开项目模型或安全关键认证资产\n\n技能提供的是建模规范、工件模板和验证门。工程应用仍需要来源支持的方程、组件数据、实验或制造商验证，以及专业审核。\n\n## 发布检查与质量保证\n\n项目在发布前要求运行验证脚本：\n\n```bash\npython scripts/validate_release.py\n```\n\n这些检查覆盖仓库结构、隐私和打包，但不验证工程正确性。\n\n独立的审核提示词可在 `docs/external-review-prompts.md` 中找到。\n\n## 维护者背景\n\n本项目由一位能源与动力工程博士研究者发起，其目标是让AI代理以更严格的方式参与科学建模——不是通过猜测完整模型，而是遵循分层的、可审计的工程工作流。\n\n## 技术亮点与创新点\n\nThermal Machinery AI Skills 的技术贡献体现在以下几个方面：\n\n**1. 分层建模方法论**：将复杂系统建模从"端到端生成"转变为"分层递进构建"，每层都有明确的输入、输出和验证标准。\n\n**2. 合约化组件设计**：引入软件工程中"契约式设计"的理念，为热力组件定义输入-输出合约，在接口层面强制守恒定律。\n\n**3. 验证门模式**：在建模流程的关键节点设置"验证门"（validation gates），只有通过验证才能进入下一阶段，防止错误累积。\n\n**4. 可审计的假设追踪**：要求每个建模假设都有明确的来源和文档记录，支持追溯和质疑。\n\n**5. 合成数据与公开验证**：提供基于合成数据的完整示例，使验证结果可复现，同时避免泄露专有数据。\n\n## 对AI工程化的启示\n\nThermal Machinery AI Skills 项目为AI在工程领域的应用提供了一个重要范式：与其让AI直接生成最终产品，不如让AI成为"流程执行者"，按照人类专家定义的分层流程逐步构建复杂系统。\n\n这种模式的优势在于：\n\n- **可控性**：人类专家可以在每个阶段介入审核，而不是面对一个黑盒式的最终输出\n- **可调试性**：当模型出现问题时，可以定位到具体的建模阶段和假设\n- **可复用性**：分层工作流本身成为可复用的知识资产，不同项目可以共享相同的流程框架\n- **可教学性**：新手可以通过跟随分层流程学习领域知识，而不是试图一次性理解完整的复杂模型\n\n对于其他工程领域（如电路设计、结构分析、流体仿真），Thermal Machinery AI Skills 的方法论具有直接的借鉴价值。\n\n## 总结\n\nThermal Machinery AI Skills 是首批专注于AI辅助复杂工程系统动态建模的开源项目之一。它不仅仅是一个代码生成工具，更是一套完整的建模方法论和工作流规范。通过分层建模、合约化组件、验证门和可审计假设，它将AI代理从"黑盒生成器"转变为"结构化流程执行者"，为AI在严肃工程领域的应用探索出了一条可行路径。