基于物理分析与机器学习的混合航空发动机实时性能建模研究

为解决传统航空发动机性能模型中迭代求解器计算耗时且易收敛困难的问题，研究人员创新性地将物理驱动的0-D循环分析与机器学习(ML)相结合，开发出混合建模框架。采用前馈神经网络(FNN)替代Newton-Raphson迭代求解器，在F404发动机上实现90%的计算加速，同时保持与传统模型相当的稳态精度和动态场景适应性。该研究为航空推进系统实时性能分析及数字孪生应用提供了高效稳定的解决方案。

　　

航空发动机性能建模是推进系统设计、控制和优化的核心技术，但随着数字孪生和实时监控需求的增长，传统基于组件图谱的零维(0-D)循环分析方法面临严峻挑战。这类模型依赖Newton-Raphson等迭代求解器处理非线性方程组，不仅计算耗时（单次仿真需秒级响应），在动态工况下还容易出现收敛失败。虽然查找表插值等替代方案能提升速度，却牺牲了精度和泛化能力。与此同时，纯机器学习(ML)模型虽具速度优势，但作为"黑箱"无法提供压力、温度等内部状态参数，且难以适应未训练的新工况。这种两难境地催生了对新型混合建模方法的迫切需求。

为突破这一技术瓶颈，研究人员开发了融合物理机理与数据驱动的混合建模框架。该研究以F404低涵道比混流涡扇发动机为对象，采用三阶段技术路线：首先构建传统0-D循环分析模型作为基准；随后通过调整飞行高度、马赫数等5类变量生成涵盖稳态/动态场景的训练数据集；最终用前馈神经网络(FNN)完全替代迭代求解器模块。关键技术包括组件图谱缩放技术、动态时间尺度因子设计，以及包含3个隐藏层(神经元数128-64-32)的FNN架构优化。

Proposed performance analysis method
通过将传统模型的迭代求解过程重构为神经网络回归问题，成功消除收敛性问题。在相同硬件(4.20 GHz单核CPU)测试中，ML模型单次调用仅需0.2毫秒，较传统模型提速两个数量级。

Engine configuration
针对F404发动机的三级风扇、十级高压压气机(HPC)等核心部件建立参数化模型，采用混合器-喷管组件实现二次流整合，为ML训练提供精确的物理约束。

Data generation
构建包含海拔(0-12km)、马赫数(0-1.2)等多元参数的数据集，通过时间尺度因子动态调节高压转子转速(HP shaft speed)变化率，确保模型覆盖瞬态响应特性。

Result of the engine model with ML
关键参数如推力、燃油消耗率(SFC)的预测误差小于1.5%，动态工况下响应延迟控制在5毫秒内。与传统模型相比，在保持精度的同时实现90%计算耗时降低，满足机载实时分析需求。

Conclusion
该研究开创性地实现物理模型与ML的深度耦合：FNN不仅作为加速器，更通过编码质量/能量守恒定律获得物理可解释性。相比松散耦合的混合框架，这种一体化设计显著提升对未知工况的泛化能力。研究证实，该方法可扩展至其他推进系统，为下一代航空数字孪生提供核心算法支撑。值得注意的是，模型在极端工况（如马赫数>1.5）的适应性仍需通过迁移学习进一步增强，这将是未来重点研究方向。