《Case Studies in Thermal Engineering》：A CNN-based model for predicting cooling performance in gas turbine complex flow fields with irregular boundaries
编辑推荐：
预旋吹扫流场（pre-swirl purge flow）的优化对于提升燃气轮机端壁冷却性能（endwall cooling performance）和缓解热损伤至关重要。与实验或数值模拟相比，深度学习通过降低财务和时间成本，为预旋系统设计提供了一种高效方法。然
预旋吹扫流场（pre-swirl purge flow）的优化对于提升燃气轮机端壁冷却性能（endwall cooling performance）和缓解热损伤至关重要。与实验或数值模拟相比，深度学习通过降低财务和时间成本，为预旋系统设计提供了一种高效方法。然而，由于几何复杂的端壁以及难以精确捕捉精细流动特征，将深度学习应用于预旋系统设计面临挑战。本研究旨在开发一个高精度卷积神经网络（CNN）模型来预测端壁气膜冷却效率（endwall film cooling effectiveness），为预旋吹扫流设计建立可靠且高效的计算方法。在本研究中，研究人员采用了一种掩膜引导的零填充重构方法（mask-guided zero-padding reconstruction method）来消除边界混叠伪影。此外，研究人员建立了一种集成级联残差块（cascaded residual blocks）和空间条纹注意力机制（spatial stripe attention mechanism）的新型网络架构，并证明了这些结构有效增强了模型对复杂流场的特征提取能力。SHAP分析（SHAP analysis）揭示，参数对模型预测结果的贡献与其对冷却性能的全局灵敏度并非简单正相关。本研究旨在为不规则域中目标函数分布的预测提供参考，并探究参数灵敏度与模型贡献之间的非线性关系。
论文解读文章
**研究背景与问题**
在能源与动力工程领域，燃气轮机作为航空航天推进和工业发电的核心设备，其运行效率与可靠性主要受限于涡轮进口温度。提高涡轮进口温度虽能提升循环效率，却导致端壁热负荷急剧上升。高温氧化与剥蚀会显著降低材料强度，而端壁与叶片间的温差还会引发氧化层剥落，造成热-力-化耦合损伤。然而，端壁区域存在复杂的二次流和横向压力梯度，冷却剂难以在压力面形成有效冷却覆盖。预旋吹扫流（pre-swirl purge flow）作为一种重要冷却技术，通过预旋优化端壁附近流动特性，增强吹扫流覆盖，降低热负荷。但优化预旋吹扫流面临多重挑战，包括强热-流耦合特性控制、马蹄涡与通道涡等复杂涡系干扰，以及吹扫流量与气动损失之间的权衡。传统实验方法成本高、周期长，CFD模拟计算资源需求巨大。卷积神经网络（CNN）虽在热流预测中展现出高效性与精度，但在预测预旋吹扫流端壁冷却性能时，因端壁形状不规则导致边缘预测精度不足并出现锯齿状伪影，且近壁强湍流波动与射流-主流混合造成局部特征提取偏差，限制了其应用效果。
**研究内容与结论意义**
研究人员开发了一个基于CNN的模型，用于预测燃气轮机不规则边界复杂流场中的端壁冷却性能。该研究提出掩膜引导零填充重构（MZR）方法消除边界伪影，并集成级联残差块与空间条纹注意力机制（SSA）以增强对复杂流场高梯度区域的特征提取能力。通过全因子实验设计生成48个CFD样本进行模型训练与验证，并采用SHAP分析评估参数贡献。主要结论包括：MZR显著提升边界预测精度；2个残差块在精度与复杂度间达到最优平衡；SSA有效抑制模型崩溃并提升预测精度；SHAP分析揭示参数对模型预测的贡献与其全局灵敏度并非严格正相关。该研究为不规则域中目标函数分布预测提供了参考，并揭示了参数灵敏度与模型贡献之间的非线性关系。论文发表在《Case Studies in Thermal Engineering》。
**关键技术方法**
研究人员采用数值模拟（基于稳态雷诺平均Navier-Stokes方程，SST k-ω湍流模型，结构化网格）计算端壁绝热气膜冷却效率，并搭建实验台架（压敏漆PSP技术）验证模拟结果。数据生成采用全因子实验设计，自变量为轴向角α、切向角β和吹风比M。神经网络方面，提出MZR方法（通过掩膜提取有效区域，零填充构建矩形矩阵，插值恢复后掩膜过滤）消除边界伪影；构建ResSSA-CNN架构（多层感知机MLP进行非线性变换，级联残差块防止梯度消失，空间条纹注意力SSA捕获多维度空间相关性，Huber损失函数优化）。采用SHAP分析进行参数贡献解释。
**研究结果**
**4.1 MZR集成显著提升模型预测的边界精度**
通过对比有/无MZR的CNN预测结果与CFD模拟，发现无MZR的模型在边界处出现明显伪影和局部凹陷变形，而有MZR的模型与CFD结果高度一致。验证集上，有MZR模型的均方根误差（RMSE）显著低于基线模型（例如Case 1：0.0852 vs 0.1863），证明MZR有效保留了热力学区域的拓扑完整性并提升了预测精度。
**4.2 残差块与注意力机制提升模型预测性能**
通过独立训练不同数量残差块的模型，比较展向平均冷却效率与CFD结果，发现2个残差块（2-ResCNN）在精度与模型复杂度间达到最优平衡，既避免了欠拟合也防止了过拟合。引入SSA后，模型崩溃概率从73%降至0%，且在多个算例中，ResSSA-CNN的整体绝对误差积分均小于无注意力的基线模型，表明SSA不仅解决了模型退化问题，还显著提升了预测精度。
**4.3 利用ResSSA-CNN模型预测气膜冷却效率的误差可视化分析**
对比6个验证算例的CFD结果与ResSSA-CNN预测的端壁冷却效率云图及误差分布，发现最大误差通常出现在流动行为高度复杂的区域（如泄漏流与主流相互作用的下游区域），以及泄漏流入口附近。入口区域存在“高值低估、低值高估”的极端值衰减现象，这是由于Huber损失中MSE分量的均值回归倾向以及CNN的平滑性归纳偏置所致。此外，通过四类指标（MAE<0.014，MSE<0.001，R
2>99%，sMAPE<2%）的10次独立实验小提琴图，证实模型具有优异的可重复性和鲁棒性。
**4.4 模型参数灵敏度分析**
采用SHAP分析评估α、β、M对模型预测的贡献值，分别为0.0597、0.0402、0.1432，表明M贡献最大且正相关，α和β贡献较小且负相关。与作者前期工作的参数灵敏度分析（F值：α=28.1750，β=73.4389）对比发现，β的F值更高但SHAP值更低。这说明SHAP贡献反映局部样本点的影响，而F值衡量全局输入方差对输出方差的作用，二者不存在严格正相关。
**总结讨论与结论翻译**
讨论部分指出：MZR通过消除边界伪影解决了CNN在不规则域预测中的失真问题；残差块与注意力机制分别通过防止梯度消失和抑制模型崩溃提升了精度与鲁棒性；误差可视化揭示了极端值衰减与光滑性归纳偏置的成因；SHAP与F值的差异强调了局部解释与全局评估方法的本质区别。
研究结论翻译如下：（1）MZR模块增强了模型对几何边缘特征的捕捉能力。由于端壁几何不规则，传统CNN架构在重构气膜冷却效率分布时易在边界产生失真伪影，为此开发的MZR模块通过掩膜层提取关键空间信息并采用零填充消除边缘伪影，解决了边界失真伪影问题。（2）在ResSSA-CNN模型结构设计中，残差块数量设为2时达到精度与复杂度的最佳平衡，既有效提升了预测精度，又避免了因网络过深导致的过拟合和训练效率下降。同时，SSA机制的引入显著增强了模型鲁棒性，从根本上解决了模型崩溃问题，并提升了预测精度。（3）采用SHAP分析评估各参数对模型预测精度的贡献。与α相比，β具有更低的SHAP值但更高的F值，表明参数对模型预测精度的贡献与其对目标的灵敏度不存在严格正相关。这是因为SHAP关注单个数据点的局部影响，而F值关注整体输入参数方差的平均贡献。β对全局特征更显著，但对局部特征贡献较小。
