一种用于环形螺旋桨设计改进的数据驱动与实验相结合的方法

《Engineering Applications of Artificial Intelligence》：An integrated data-driven and experimental methodology for toroidal propeller design improvement

　　

•建立了系统化的"实验-仿真-优化"工作流程并进行了验证。通过对开敞水域实验验证高保真CFD方法，形成了环形螺旋桨可靠的闭环设计平台。
•提出了融合参数化建模、经验证的CFD和基于代理模型的全局搜索的数据驱动优化框架，用于环形螺旋桨设计。
•通过14个设计变量的优化，在满足推力要求的前提下实现了7.26%的功率降低。
•优化后的叶片获得了更均匀的压差分布和更平滑的梯度，抑制了流动分离并减少了能量损失。
•优化设计加速了涡破裂，缩短了相干寿命，相较于最佳采样设计噪声降低了1.74 dB。

引言

海洋资源的开发利用已成为全球主要经济体的战略优先事项，水下装备作为海洋开发的关键装置发挥着重要作用。在各种推进方式中，螺旋桨推进系统仍然是水下航行器的主要方式（Tan等人，2023）。随着水下装备综合性能需求的不断提高，螺旋桨设计必须同时考虑推力、效率和声学辐射等多种性能特征（Yao等人，2020）。环形螺旋桨正是在满足这些需求的基础上发展而来的。首个海上推进系统专利由Sharrow Marine获得（Sharrow，2018）。2024年，Ye提出了环形螺旋桨三维建模的系统性数学表达（Ye等人，2024）。环形螺旋桨具有独特的叶片构型，通过闭环环形设计将螺旋桨叶片整合于连续的环形结构中。环形叶片排列有效抑制了梢涡的产生，提高了推进效率，并在较宽的工况范围内保持最佳性能。现有文献表明，环形螺旋桨具有显著优势，如更优的推进效率、更高的载荷能力和更低的辐射噪声（Xiang和Wang，2024）。此外，该独特构型也已在气动推进器的背景下进行了研究（Wei等人，2026）。测试表明，与传统螺旋桨相比，环形螺旋桨实现了显著的噪声降低，水平和纵向声压级（SPL）分别降低了4.9 dBA和16.9 dBA。

准确可靠的性能评估方法是实现螺旋桨设计系统化性能改进的关键基础（Gaggero等人，2016）。目前，可靠的性能评估方法主要包括升力面法（Cho和Lee，1998）、边界元法（BEM）（Yari和Ghassemi，2016）、计算流体力学（CFD）（Gu等人，2024）和实验方法（Wang等人，2025）。然而，这些方法通常在精度与评估成本之间存在权衡。尤其是CFD被研究者广泛采用（Zhang等人，2025），因为它能有效预测湍流并捕获边界层行为。尽管开敞水域实验成本高昂且耗时，但它们仍是可靠CFD仿真的必要前提（Ouyang等人，2022）。它们用于校准数值模型，建立高保真CFD评估方法，从而为其优化奠定可靠基础。此外，螺旋桨叶片优化本质上是一个计算成本高昂的黑箱问题。2015年，粒子群优化（PSO）被用于船舶螺旋桨设计优化，旨在最大化效率并最小化空化（Mirjalili等人，2015）。Choi的研究提出了一种深度学习驱动的复合材料螺旋桨多目标优化框架，将9个变量整合到优化中，包括螺距、偏斜角和铺层角（Choi等人，2023）。

作为人工智能的典型工程应用，数据驱动设计方法为高性能螺旋桨开发提供了有效途径。泵喷推进器的优化设计已进行了研究（Gaggero和Martinelli，2023；Liu等人，2025），证明了此类方法在同样复杂的螺旋桨设计中的潜力。然而，环形螺旋桨的复杂几何结构通过引入高维设计变量和强非线性加剧了这一问题。因此，环形螺旋桨的设计是一个典型的高维、计算昂贵的黑箱问题（Li等人，2022）。利用仿真、物理实验、生产过程或日常生活中收集的数据驱动的进化优化问题求解称为数据驱动进化优化（Jin等人，2019）。数据驱动优化方法（Iungo等人，2015；Shukla等人，2024）创新地连接了输入与输出而无需显式公式，在解决此类挑战方面已展现出前景。特别是，代理辅助优化算法在处理昂贵黑箱问题方面做出了杰出贡献（Li等人，2021）。代理建模被广泛认为是一种有效的数据驱动方法（Chen等人，2024），它构建了设计变量与目标空间之间的映射（Wu等人，2024）。对于高维昂贵黑箱优化问题，代理辅助进化算法（SAO）已成为AI工程领域的主流范式（Jin等人，2019）。为进一步降低计算成本，多保真度设置已被广泛使用（Habib等人，2019）。总之，环形螺旋桨独特的几何构型加上实验数据的稀缺性，带来了重大挑战。这一状况要求设计过程目前仍严重依赖人工直觉，而非系统化的计算技术。

为克服这些局限性，本研究采用原型开敞水域试验建立阐明流动物理并验证高精度CFD模型的基本实验基础。随后，实施数据驱动优化框架，形成融合物理验证与数据驱动优化的闭环设计方法。通过结合有利的参数化与高精度仿真方法，建立了环形螺旋桨设计优化的经验证仿真平台。应用AR-ESAO算法探索整个设计空间。优化目标是在满足推力与厚度要求的前提下实现功率降低。最后，对比了优化前后螺旋桨的详细流场，进一步验证了所提方法的有效性。

本研究的主要创新在于其闭环设计方法，将物理实验与数据驱动优化方法相结合，确保了水下航行器应用中优化设计的可靠性与实用性。本文结构如下。第1节介绍研究背景。第2节展示原型环形螺旋桨的实验研究，建立基线开敞水域性能。第3节描述仿真模型与实验数据的验证以及参数化建模方法。第4节展示数据驱动优化设计框架，以及所提算法的有效性与基准分析。优化问题的定义也包含在内。第5节提供原型与优化设计之间性能与流场的综合对比。最后，第6节总结主要结论并提出未来工作的潜在方向。

章节摘要

几何结构与开敞水域试验设置

环形螺旋桨主要由叶片和毂组成。其显著特征在于叶片的独特构型：每个叶片形成闭环环形结构，依次由前缘段、梢段（过渡段）和后缘段组成。

本研究使用的原型螺旋桨是从众多初步设计中通过筛选过程选出的最佳候选方案。该设计被选中是因为它满足推力…

计算域与边界条件

为验证数值方法的计算可行性与可靠性，对原型环形螺旋桨进行了水动力仿真。验证过程着重研究关键数值设置对仿真结果的影响。通过评估这些因素对计算精度与效率的综合影响，本研究旨在为后续优化设计过程建立稳健且高效的CFD方法。

The…

环形螺旋桨的数据驱动优化方法

螺旋桨设计优化高度依赖工程师的专业知识与试错过程，这通常是劳动密集型的，且难以实现全局最优（Gaggero等人，2016）。数据驱动优化通过整合参数化建模、实验设计、代理建模和优化算法形成自动闭环设计框架来解决这些局限性。该方法能够在广阔的设计空间中进行高效探索，同时显著…

优化结果的分析与讨论

环形螺旋桨的优化是一个典型的高维黑箱问题，涉及14个耦合设计变量，其对水动力性能的影响表现出复杂的非线性特征。为有效求解该问题，建立了集成优化工作流程，将优化算法与高保真CFD求解器紧密耦合。该工作流程实现了从参数更新、几何建模到网格…的自动化过程。

结论

为解决环形螺旋桨水动力性能优化的挑战，本研究完成了其开敞水域性能试验，建立了参数化建模和性能评估平台，并引入了基于自适应RBF神经网络的优化算法。这实现了环形螺旋桨的集成自动化优化设计，显著提高了其整体水动力与噪声性能。本工作建立了…

CRediT作者贡献声明
刘晓卓：撰写初稿、方法论、数据整理、概念设计。
王新晶：审稿与编辑、监督、资金获取。
何瑞宣：方法论、调查研究、数据整理。
董华超：资源、项目管理。
沈京雪：软件、数据整理。
李宗霖：可视化、形式分析。
王鹏：验证、监督、项目管理、资金获取。

利益冲突声明
我们声明，我们与其他个人或组织之间不存在可能不恰当地影响本工作的财务和个人关系，在任何产品、服务和/或公司中，不存在任何性质或种类的职业或其他个人利益，这些利益可能被解释为影响了本手稿中呈现的立场或审稿。

致谢
感谢国家自然科学基金的资助（批准号52675351，52575312）。此外，研究工作还得到了西北工业大学博士论文创新基金的资助（批准号CX2025044）。

刘晓卓 | 王新晶 | 何瑞宣 | 董华超 | 沈京雪 | 李宗霖 | 王鹏