飞机发动机突破性进展：科学家揭秘超高效能的奥秘

通过其“2050年飞行路线”战略，欧洲委员会为航空业制定了一个框架，旨在减少排放以及燃料和能源消耗。这其中的一项要求是需要更高效的发动机。

在ARIADNE项目里，格拉茨科技大学（TU Graz）的一支跨学科团队为更快地实现所需的效率提升奠定了基础。为此，研究人员将多年关于中间涡轮导管的流动数据与人工智能和机器学习相结合，开发出一种模型，可以更快更有效地测试各种几何参数变化对效率的影响。

中间涡轮导管具有很大的优化潜力

“中间涡轮导管是飞机发动机中不可或缺的重要部分，”项目经理沃尔夫冈·桑茨（Wolfgang Sanz）来自格拉茨科技大学热涡轮机械与机器动力学研究所说。

“它们引导高压涡轮和低压涡轮之间的气流，这两者的运行速度不同。然而，这些中间管道相当重，这就是为什么它们需要尽量短小轻便，同时仍要保持高效率。这里仍然有很大的优化潜力。”

该研究所基于与知名航空发动机制造商的合作研究，建立了一个广泛的测量数据和流动模拟的数据库。

为了利用这个信息库来优化各个组件和整个发动机，Sanz 和博士生 Marian Staggl 与格拉茨工业大学软件工程与人工智能研究所的 Franz Wotawa 研究小组以及两家企业合作伙伴进行了合作。他们一起探索了三种不同的 AI 支持的方案。

该研究发表在 第11卷：涡轮机械 — 沉积、侵蚀、污垢和结冰；涡轮机械的设计方法与CFD建模；管道、噪声与组件相互作用。

成功的降阶建模

降阶模型被证明是最有效的。这些模型其实会在数据中寻找相似之处，只使用最重要的共同特征进行模拟。这使得计算速度大幅提升，运行速度比完整的流动模拟快了几个数量级。

尽管这些模型可能会导致一定的精度损失，但它们能够与模拟结合来预测趋势和识别优化潜力。独立开发的模型还有一个优点，就是能够快速识别当参数（比如过渡管道的长度）变化时效率的变化。

相比之下，替代模型有一定的局限性，因为它们主要基于对现有数据的插值。在经过验证的流动数据范围以外，结果不准确，因为数据库太小。

PINNs (物理信息神经网络)，试图将物理微分方程融入神经网络，也作为项目的一部分进行了研究。然而，在实际应用之前，仍需进一步的开发。

扩展到三维模拟

研究团队已经在考虑下一步的计划，因为目前的降阶模型仅在二维中对中间涡轮管道进行了建模。

该项目创建的涡轮管道广泛数据库和简化模型将在线提供给其他研究团队，使他们能够进行与格拉茨大学团队类似的三维模拟。然而，对于桑兹来说，机器学习的应用已经开启了新的思路。

“通过机器学习的结果，我们能够识别出一些依赖关系和趋势，这些是我们之前从未想到过的。”

详细信息： Nicolas Krajnc 等，TVF-LPT 轮毂腔与主流的相互作用，第11卷：涡轮机械、沉积、侵蚀、污垢和结冰、涡轮机械的设计方法与 CFD 建模、管道、噪声与组件相互作用 (2025)。 DOI: 10.1115/gt2025-152854

由格拉茨科技大学的支持提供