基于物理引导修正因子映射与物理信息NSGA-III的船用燃气轮机多目标运行优化

《Ocean Engineering》：Multi-objective operational optimization of marine gas turbines via physics-guided correction-factor mapping and a physics-informed NSGA-III

　　

• 开发了一种面向变工况船用燃气轮机优化的物理信息NSGA-III方法。
• 物理引导的修正因子映射用于校正非设计点热力学性能。
• 实测锚点局部采样提高了代理数据的物理可行性。
• 物理信息NSGA-III嵌入了残差引导和主动代理模型精化。
• 所提框架提升了性能、排放、经济性与物理一致性。

**引言**

船用燃气轮机凭借其高功率密度、紧凑构型、快速启动能力和强负荷跟随性能，日益成为大型船舶和海上平台的核心动力装置（Zhou等, 2025; Han等, 2025; Nia和Edalat, 2025）。与运行于相对稳定边界条件下的陆基燃气轮机不同，船舶推进系统中的船用燃气轮机同时受到航速指令、螺旋桨载荷、海况扰动和海洋环境的影响（Wen等, 2024; Liu等, 2024）。波浪引起的附加阻力和船-机-桨耦合可能导致推进功率需求的波动，从而影响空燃比、涡轮进口温度、排气温度和燃烧稳定性（Hu等, 2026; Haglind, 2010）。不恰当的运营策略不仅会导致效率下降和燃料成本增加，还会引起污染物排放升高和热安全裕度降低（Zhang等, 2023; Irani等, 2024）。因此，在变工况条件下确定船用燃气轮机的最优运营策略对于提高船舶能效、减少排放以及支撑低碳海运具有重要的现实意义。除效率、排放和经济性外，此类优化还应确保物理一致性、负荷跟随能力和足够的热安全裕度，以保障船舶推进的可靠性。

为了改善燃气轮机在复杂条件下的运行，大量研究从节能、减排、经济运营和设备可靠性等角度对性能优化展开了探索（Sinha等, 2025; Chu等, 2023; Li等, 2022; Nondy等, 2022）。然而在船舶应用中，燃气轮机优化进一步受到推进载荷变化、海况扰动和船上可靠性要求的复杂性影响（Haglind, 2010）。这些船舶特有的因素增加了对物理一致的非设计点校正和优化导向快速建模的需求。针对船用燃气轮机的变工况运行，Haglind（2010）量化了变几何结构对船舶联合循环中燃气轮机部分负荷性能的影响。类似地，Machmudah等（2022）提出了一种基于热力学燃气轮机模型的增益调度优化方法用于船舶应用。他们还比较了遗传算法（GA）和鲸鱼优化算法（WOA）在控制系统优化中的表现。

更广泛地，面向非设计点条件下燃气轮机的多目标优化已被广泛研究。Ma等（2022）优化了燃料质量流量和进口导叶位置，以平衡部分负荷热效率提升与氮氧化物排放减少。Tavallaei等（2022）和Zhang等（2020）将热力学、环境经济学分析与演化优化相结合，平衡效率、成本和环境影响。在变几何调节方面，Xie等（2025）和Deng等（2026）进一步采用NSGA-III优化了压缩机可变进口导叶（VIGVs）和涡轮可变面积喷嘴（VANs）的协调调节。其结果表明，联合调节策略在节能与污染物减排目标之间能够提供比单变量策略更灵活的权衡。随着数据驱动优化的发展，Lin等（2026）构建了梯度提升决策树（XGBoost）代理模型，并集成基于参考点的演化算法，以平衡经济效益和可靠性风险。Oliveira等（2025）将Levenberg-Marquardt（LM）算法的逆问题求解与基于梯度提升树（GBT）的监督机器学习相结合，以提升合成气燃气轮机的优化。最近，Hu等（2026）引入了一种具有奖励归一化随机选择的动态多目标演化算法（DMOEA-RNSS），用于柔性负荷运行，并开展了能量、?、经济、环境和可持续性（4E-S）分析。这些研究表明，多目标优化、代理建模和智能决策在提升燃气轮机性能方面具有巨大潜力。

关于低碳车辆推进系统的相关研究也为多目标优化提供了有益参考。Lei等（2023, 2024a, 2024b）通过将演化优化与物理信息数据驱动或高保真建模相结合，研究了氨-氢和混合动力系统的多目标优化，考虑了能耗、动力性能、电池衰减和系统成本等相关目标。这些研究表明，模型辅助的多目标优化对于复杂动力系统具有巨大潜力。从控制角度看，Lei等（2025a）通过整合高级强化学习算法、高保真车辆模型和多阶段仿真到实物验证，开发了一种基于强化学习的燃料电池电动汽车能量管理开发工具链。其研究展示了高保真建模和验证在支持智能控制策略从仿真向实车应用迁移中的作用。

表1总结了燃气轮机运行优化方面的代表性研究。可以识别出三个差距。第一，大多数研究仍仅优化有限数量的目标，对4E-S全部维度的同时考虑仍然不足。第二，虽然部分研究考虑了物理约束，但物理一致性通常通过预设运行限值、经验约束或事后筛选来维持。物理残差在帕累托搜索中的引导作用仍然有限。第三，现有的优化导向模型往往无法完全描述变工况条件下连续的非设计点变化，尤其是在涉及船舶特有的载荷波动和运行约束时。这三个差距对应了本研究的三项关键需求：更完整的目标函数设计、物理引导的优化策略以及适用于优化的非设计点校正模型。

为了弥合第三个差距，准确的非设计点性能建模是必需的，因为它直接影响后续优化结果的可靠性。基于物理的模型通过热力学方程、部件匹配和经验校正来描述燃气轮机的行为（Haglind, 2010; Zhang等, 2023; Sharifi和Salarieh, 2023）。Haglind（2010）开发了用于能量系统分析中燃气轮机部件部分负荷模拟的方法论和衍生模型。Zhang等（2023）提出了一种非设计点机理模型，用于量化环境温度、压力和湿度对燃气轮机性能的影响。虽然这些模型提供了清晰的物理解释，但其准确性往往受到缺乏详细部件特性数据以及有限的捕捉系统特定偏差能力的限制。为了提高模型适应性，混合建模方法已被引入（Hu等, 2023, 2026; Zhang等, 2024; Wang等, 2025）。Hu等（2023）将机理模型与实测数据融合用于燃气通路故障预警，Zhang等（2024）在数字孪生框架中结合机器学习、性能自适应和部件匹配用于燃气轮机性能预测。Han等（2025）将物理先验知识纳入时空图神经网络（PPK-STGCN）用于船用燃气轮机异常检测。虽然这些方法提高了从实测数据中提取非线性特征的能力，但在需要热力学一致性和连续非设计点校正时，它们直接用于运行优化仍受到限制。因此，适用于变工况优化的建模策略应保留主要热力学结构，利用实测数据校正工况依赖的偏差，并在运行状态与模型参数之间提供连续映射。

近年来，物理信息神经网络（PINNs）和理论约束神经网络（TCNNs）越来越多地用于能源和电力系统建模。Lei等（2026）提出了一种面向长途重型燃料电池电动汽车（FCEVs）的物理信息代理辅助协同优化方法，其中PINNs用于高保真模型（HFM）构建和代表性驾驶循环生成。他们进一步将HFM与改进的NSGA-III和贝叶斯优化（BO）结合，用于动力总成和能量管理策略（EMS）的协同优化。在另一项研究中，Lei等（2025b）开发了一种具有模块化可解释性的TCNN用于燃料电池电动卡车（FCET）建模，通过将理论模型嵌入数据驱动框架来实现。这些研究表明，将物理知识纳入神经网络可以提高复杂电力系统模型的准确性和可解释性。

对于优化应用，校正后的非设计点模型必须进一步转化为能够支持多目标搜索和物理一致性筛选的高效评估形式。在演化优化中直接调用热力学模型可能耗时较长，因为需要重复评估大量候选运行点。因此，代理辅助优化被广泛用于降低计算负担（Lin等, 2026; Oliveira等, 2025）。在近期研究中，XGBoost（Kamali等, 2024）、反向传播神经网络（BPNN）（He等, 2026）以及其他回归模型（He等, 2026; Wei等, 2026; Kelk等, 2025）被用于逼近运行变量与性能指标之间的关系。这些模型可以加速帕累托搜索并支持快速决策。然而，其可靠性强烈依赖于训练数据的质量和代表性。

如果运行样本通过无限制扰动生成，某些点可能落在可行运行域之外。在变工况条件下，这个问题更加明显，因为空气流量、燃料流量、压力比和温度响应密切相关。在这种情况下，代理模型可能学习到不真实的运行关系并误导优化器。Díaz-Manríquez等（2016）综述了代理辅助多目标演化算法，强调不准确的代理模型，尤其是由少量或分布不均匀的样本构建的模型，可能将搜索引向虚假帕累托前沿。He等（2023）进一步总结了面向昂贵优化问题的代理辅助演化算法，表明代理模型精度强烈依赖于采样、填充分量选择和模型管理。对于约束问题，Sun等（2022）引入了自适应代理建模以提高约束条件下的优化，Moustapha等（2022）使用自适应构建的克里金模型以降低鲁棒多目标优化的成本。对于燃气轮机优化，数据集应在实测运行包络内构建，同时保留局部运行特性和物理可行性。现有研究通常分别处理模型校正、代理建模和优化搜索，缺乏面向变工况燃气轮机优化的非设计点校正、物理可行的局部采样和物理引导帕累托搜索之间的系统性集成。

为了弥合这一差距，本研究提出了一种面向船用燃气轮机的数据-物理融合和物理信息多目标优化框架。其主要创新在于所提的优化导向建模和搜索策略，结合了基于修正因子的热力学自适应、基于实测锚点的局部数据生成、GBDT代理建模和物理引导帕累托搜索。该框架从校正后的热力学模型开始。通过物理引导的修正因子映射网络学习工况依赖的映射因子，以在变运行条件下校正非设计点性能。然后在实测锚点周围构建物理可行的局部优化数据集。在此过程中，部分边界条件通过KNN映射重建，不可行样本通过物理滤波去除。基于该数据集，训练GBDT代理模型以逼近运行变量与4E-S指标之间的关系。在优化阶段，提出了一种物理信息NSGA-III策略。将物理残差引入作为优化目标，同时通过低残差偏向的参考点引导种群趋向物理一致的区域。还嵌入了主动代理模型精化，在搜索过程中更新代理模型。通过这种方式，所提算法可以获得平衡多个性能目标同时保持物理可信性的帕累托解，适用于实测变运行条件。

本文的主要贡献总结如下。第一，为解决4E-S目标同时考虑不足的问题，建立了多目标运营优化模型，将整体性能、排放、经济性和物理残差纳入优化过程。第二，为加强物理一致性在帕累托搜索中的作用，开发了一种物理信息NSGA-III算法，引入了物理残差、低残差偏向的参考点和主动代理模型精化。第三，为改进优化导向的非设计点建模，提出了一种PG-CFMN工况映射方法来校正在实测变运行条件下的燃气轮机热力学行为。基于校正后的模型，进一步开发了一种基于实测锚点的局部数据生成策略，以构建用于代理模型训练的物理可行数据集。

本文其余部分组织如下。第2节描述所提方法。第3节验证PG-CFMN工况映射模型。第4节展示数据集分析、代理模型评估、优化结果和消融实验。第5节总结全文。

**章节摘要：多目标运营优化总体框架**

所提框架旨在获得在变运行条件下既能提升船用燃气轮机性能又能保持物理可信性的运营策略。总体框架如图1所示。首先，校正后的非设计点热力学模型在变运行条件下提供具有物理解释性的性能预测。基于该模型，构建可行的局部优化数据集并用于训练代理模型。

训练后的代理模型 验证数据集与模型设置

在构建局部优化数据集之前，应先验证修正后热力学模型在变工况下的预测能力。因此，本节评估所提出的 PG-CFMN 方法在保持适合优化应用所需计算成本的同时，能否准确再现燃气轮机的实测响应。

由于公开的海洋燃气轮机完整热力学数据集较为有限，且验证生成局部优化数据集

在代理建模之前，对生成的样本进行了局部域覆盖性与物理可行性检验。样本通过围绕实测锚点对空气和燃料质量流量进行微扰获得。其目的是在保留燃气轮机主要工况关系的同时扩大局部搜索空间。因此，本研究考察了 KNN 邻居数以及空气和燃料流量微扰比例的影响。

在基准设置中，选取了 506 个锚点

结论

本文提出了一种面向海洋燃气轮机多目标运行优化的数据–物理融合框架。本研究的主要结论总结如下：

（1）提出了一种 PG-CFMN 方法，用于修正基准热力学模型在偏离设计工况下的偏差，关键参数的平均误差降低至 0.6240%。

（2）建立了基于实测锚点的局部数据集生成策略。通过流量微扰、KNN 边界重建以及物理

CRediT 作者贡献声明

Xin Dakuan：撰写——原稿、验证、方法论。Hu Juxi：撰写——审阅与编辑、项目管理。Zhao Ke：资源。Cao Kai：经费获取。Liu Siyuan：软件。Xie Mengjun：形式分析。

利益冲突声明

作者声明，不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作基于国家自然科学基金（NSFC）项目 No. U2572212 的资助。

Xin Dakuan | Hu Juxi | Zhao Ke | Cao Kai | Liu Siyuan | Xie Mengjun