基于 CNN-Transformer 的叶片气动性能轻量化预测方法

分类： 动力与电气工程 >> 工程热物理学 分类： 航空、航天科学技术 >> 航空、航天科学技术其他学科 提交时间： 2025-05-14

郑江 张啸九 徐骁翰 曹辉平 陆庆飞 赵鹏程

摘要： 压气机叶片气动性能的精确预测对于提升航空发动机设计效率及降低涡轮机械行业能源消耗具有重要意义。当前传统仿真计算的高耗时，以标准卷积神经网络（Convolutiona1Neural Networks，CNN）及融合了挤压-激励（Squeeze-and-Excitation，SE）模块与卷积块注意力模块（ConvolutionalBlockAttentionModule，CBAM）的混合架构为代表的深度学习方法，在预测精度与计算效率之间仍面临权衡挑战。本文提出了一种融合Transformer多头注意力机制的CNN神经网络架构（CNN-Transformer）。与传统卷积神经网络相比，CNN-Transformer在保持计算效率的同时，显著提升了预测性能指标一一将均方根误差（RMSE）降低了40.19%（至0.0064），平均绝对百分比误差（MAPE）降低了31.94%（至0.98%），并伴随估算总大小（EstimatedTotalSize）下降了27.60%。实验表明，该架构能够有效建立关键进口参数（马赫数、雷诺数、进口角等）与出口气动特性之间的非线性映射关系，在预测精度与推理速度方面均优于现有模型。该方法为气动设计选代过程中叶片性能的实时评估提供了一种高效的数字解决方案，显著加速了设计优化流程，同时满足工程精度要求。

同行评议状态:待评议

 点击量 722  下载量 100  评论 0