燃气轮机物理信息模块化建模：组件级热力学约束与系统级一致性

《ENERGY CONVERSION AND MANAGEMENT》：Physics-informed modular modeling of a gas turbine with component-level thermodynamic constraints and system-level consistency

　　

准确的且具有物理一致性的燃气轮机系统建模对于提升性能预测、可靠性及能源效率至关重要。传统的纯数据驱动方法往往缺乏物理可解释性，而纯粹的基于物理的模型难以捕捉复杂的非线性系统行为。本研究提出了一种用于燃气轮机性能及排放预测的模块化物理信息建模框架，其中热力学约束被嵌入至组件级并在系统级集成过程中予以保留。所提出的方法将压缩机与涡轮组件的微分热力学关系以及燃烧室的能量平衡公式直接纳入学习过程。引入了一种协调的系统级微调策略，以强化互联组件间的一致性并减轻集成误差的累积。该框架使用三个不同复杂度水平的数据集进行评估，包括基于普惠(P&W) PW-4056的高保真模拟涡扇发动机数据集、美国国家航空航天局(NASA)商用模块化航空推进系统仿真(C-MAPSS)基准数据集，以及用于排放预测的工业燃气轮机预测排放监测系统(PEMS)真实数据集。在组件级，物理信息公式化实现的关键变量平均绝对百分比误差(MAPE)低于0.28%，优于传统神经网络模型。在系统级，相较于基线数据驱动模型，所提出的集成策略将推力预测误差降低高达86.39%，推力比油耗(TSFC)降低81.85%，总压比(OPR)降低75.70%。在C-MAPSS数据集上，该方法在有限传感器条件下保持MAPE值低于0.33%。对于工业PEMS数据集，模型在实际运行条件下对一氧化碳(CO)和氮氧化物(NOx)的平均绝对误差分别达到0.8536 mg/m3和4.8419 mg/m3。结果表明，将热力学约束与数据驱动学习相结合可提升预测精度、鲁棒性及物理一致性，尤其在燃气轮机系统多变运行条件下效果显著。该框架为开发用于状态监测与预测性维护应用的物理一致数字孪生奠定了基础。

研究背景与意义

燃气轮机尤其是涡扇发动机是商用航空的支柱，随着航空运输需求的增长及对高效可靠预测性健康管理系统的迫切需求，其在高度可变环境与载荷条件下运行伴随的部件磨损与故障导致性能退化问题日益凸显。为满足运营与日益严格的排放约束监管需求，转向需要精确且可解释的发动机性能模型的实时监测成为必然。传统燃气轮机性能建模依赖基于热力循环分析与组件特性图的物理方法，虽具物理可解释性与一致性，但受限于制造商专有的通用特性图可用性不足及非线性插值复杂性，导致实用受限。纯数据驱动的神经网络(ANN)等方法虽能捕捉非线性关系，但缺乏热力学一致性约束，需大量数据、外推能力有限且为黑箱模型，泛化性差，且多将发动机视为单一系统忽略组件交互。现有物理信息神经网络(PINN)在燃气轮机应用中多聚焦系统级或特定任务，缺乏模块化架构中组件级热力学约束的显式嵌入与系统集成时的守恒。因此，研究人员开展了此项融合组件特异性热力学约束与协调系统级优化的模块化物理信息建模框架研究，旨在解决上述局限，相关成果发表于《ENERGY CONVERSION AND MANAGEMENT》。

主要关键技术方法

研究人员采用三个数据集验证框架：基于GSP软件的PW-4056高保真模拟数据集（5122个健康稳态样本）、NASA C-MAPSS基准数据集（提取260台发动机前20周期共5200个健康数据点）、工业燃气轮机PEMS数据集（36733个每小时平均样本）。方法上构建模块化架构，核心气体路径组件（压缩机、燃烧室、涡轮）采用物理信息神经网络(PINN)，嵌入微分热力学关系（如压缩/膨胀过程的温度-压力定律微分形式、燃烧室能量平衡）至损失函数，旁路与混合/排气段用优化ANN；组件独立训练后实施系统级微调，通过总损失反向传播协调全局物理一致性；超参数通过Keras Tuner随机搜索优化，权重系数经边界搜索确定，数据按70:15:15划分并做Min-Max归一化。

研究结果

2. Description of engine structure and the datasets for model validation

介绍双轴涡扇（风扇、低压压缩机(LPC)、高压压缩机(HPC)、燃烧室、高压涡轮(HPT)、低压涡轮(LPT)、旁路、混合/排气）与单轴工业燃气轮机结构，明确三种数据集来源、构成与特性：PW-4056具详细站点参数，C-MAPSS传感器有限含早期健康周期，PEMS为含噪声真实工业排放数据，为框架验证提供从可控到真实的梯度支撑。

3. Physics-informed gas turbine modeling

阐述模块化框架：PW-4056按8组件物理连接建模，核心组件PINN用自动微分(Autograd)计算预测梯度与理论热力学梯度偏差作物理损失，组件损失含数据均方误差(MSE)与物理残差加权；系统级微调聚合各组件损失反向传播，减上游误差传播与集成不一致；C-MAPSS因传感器少简化为压缩机、旁路、涡轮、混合/排气四段仍嵌冷/热段热力学约束；PEMS按单轴结构建模，热段用温度-压力微分残差与能量平衡，工业参数转开尔文(K)保热力学公式一致。

4. Model validation results（文中引述）

组件级验证PW-4056关键变量MAPE低于0.28%优于常规NN；系统级微调使推力、TSFC、OPR预测误差较基线降86.39%、81.85%、75.70%；C-MAPSS有限传感器下MAPE低于0.33%；PEMS的CO与NO_x平均绝对误差为0.8536 mg/m³与4.8419 mg/m³；敏感性分析评估热段热力学属性假设影响，消融分析验证代数与微分物理残差作用。

讨论与结论翻译总结

讨论指出该框架互补于传统需完整特性图的校准热力学循环模型，在特性图缺失或可用时均能学组件输入-输出行为并嵌热力学残差，作快速可微数据自适应代理用于监测与未来诊断扩展；相对域约束优化框架，其显式嵌组件级热力学残差并保模块化集成物理一致。结论为：开发的组件特异性物理信息损失公式化与协调系统级优化策略，在三数据集验证下展现变工况与数据可用性下的鲁棒性；框架提升预测精度、鲁棒性与物理一致性，为状态监测与预测维护的物理一致数字孪生奠基；未来工作涉可变热力学属性建模、条件监测、故障诊断与预后应用。