基于人工智能的压缩机空气动力学设计：文献综述与未来发展方向

人工智能在压缩机气动设计中的应用研究综述，涵盖一维设计优化、S2流面智能建模、叶片三维拓扑生成及非设计工况性能预测等方向，系统分析技术优势与工程化瓶颈。

　　

徐全勇|李彦杰

清华大学航空发动机研究所，北京100084，中国

摘要

传统的压缩机空气动力学设计方法通常依赖于复杂的流体动力学模型、大量的测试数据以及设计工程师的宝贵经验，这需要较长的设计周期和高昂的成本。人工智能（AI）技术的快速发展，包括神经网络和机器学习，在多个领域得到了广泛应用，如一维压缩机设计、S2流线设计、叶片优化与成型、S1流线分析以及三维流场分析。本文首先回顾了压缩机空气动力学设计方法的演变过程，然后系统地讨论了AI技术在叶片空气动力性能优化、流场预测、叶片轮廓快速精细化、非设计条件下总压损失系数和入射角预测精度的提高、喘振和失速预警准确性的提升以及三维叶片几何形状直接设计中的应用。最后，基于当前的研究现状，系统分析了AI在压缩机空气动力学设计中应用所面临的挑战，并进一步提出了未来研究的前瞻性方向。

引言

工业化的持续进步和日益增长的能源需求对飞机的效率和性能提出了更高的要求。飞机发动机是现代飞机的核心动力单元，它们显著影响着飞机的飞行性能和经济效率。压缩机是飞机发动机中的关键部件，主要负责将气流的动能转化为压力能，为后续的燃烧过程提供高压空气。其空气动力学设计直接关系到发动机的整体性能。传统的压缩机空气动力学设计方法基于复杂的流体动力学模型、测试数据以及设计工程师的宝贵经验。尽管这些方法在一定程度上能够满足设计要求，但它们需要较长的设计周期和高昂的成本，并且难以快速适应不断变化的市场需求（Yang, 2023）。因此，在飞机发动机领域，应开发新的设计理念和技术方法以提高设计效率和预测精度。

近年来，计算机技术和人工智能（AI）的快速发展，特别是基于神经网络的机器学习（ML）和深度学习（DL），在不同领域展现了巨大潜力。这主要归功于它们强大的数据处理能力和模式识别能力。在压缩机空气动力学设计的核心领域，基于AI的方法逐渐兴起，应用范围广泛（Zou et al., 2024, Q. Li et al., 2025）。本文全面回顾了AI在压缩机空气动力学设计中的三个核心应用领域：（i）压缩机空气动力性能的精确建模与预测；（ii）压缩机配置的多目标空气动力学优化；（iii）叶片逆向设计的自动化。对于每个领域，本文系统地讨论了其优势、当前研究现状及未来发展方向。为了全面了解该领域的研究现状和发展趋势，利用Google Scholar数据库的高级搜索功能进行了系统的文献检索和筛选，重点关注压缩机空气动力学设计与AI交叉领域的跨学科研究，重点关注过去五年内发表的研究成果，共获得了352篇相关文献。主要搜索关键词包括AI、机器学习、深度学习、神经网络、强化学习和物理信息神经网络（PINN）。通过对这些研究的系统回顾和综合分析，本文总结了当前的技术水平，指出了现有研究的局限性，并提出了未来研究的潜在方向，旨在为AI驱动的压缩机空气动力学设计提供新的见解和结构化的研究框架。

章节摘录

压缩机准三维空气动力学设计系统

吴（1952）提出了两种相对流面的通用理论。该理论将压缩机内部划分为两种流面：S1流面位于相邻叶片之间，S2流面从叶片根部延伸至叶片尖端。图1展示了S1和S2三维（3D）流面的示意图。因此，这种两种相对流面的理论转变了解决三维流问题的方法

AI在一维设计中的应用

一维设计是压缩机设计系统的基础框架，通常用于快速估算压缩机的整体性能指标。在进入高级设计阶段之前，需要一个简单、快速且可靠的工具来评估和筛选多种一维设计方案，从而确定进一步详细设计的最有前景的候选方案（Jin et al., 2021）。在传统的工作流程中，设计人员依赖手动参数调整

AI在S2流面设计中的应用

目前，许多AI技术，如神经网络、深度学习、强化学习和优化算法，被广泛用于S2流面的设计。转子和定子是压缩机的核心部件，它们的流场特性对压缩机的整体性能起着关键作用。通过精确优化转子和定子的设计，可以提高压缩机的效率，降低现有噪声，提高其稳定性

AI在二维叶片轮廓设计中的应用

为了简化叶片设计，设计人员通常首先扩展基本的叶片轮廓设计，然后确定叶片的三维坐标，通过堆叠形成实体叶片。通过结合不同的算法来精确控制叶片的轮廓曲线，这些研究加速了设计过程并提高了叶片的空气动力性能。基于AI的压缩机叶片轮廓设计优化可以显著减少对人工的依赖

基于物理信息神经网络的压缩机级联流场预测

PINN是一种结合了物理定律、测试数据和神经网络的混合方法。与传统神经网络不同，PINN通过直接求解控制方程（包括Navier–Stokes方程）来模拟复杂的流场——如湍流、多相流、多物理场耦合流和多尺度流，同时算法优化提高了准确性和效率。在压缩机设计和优化中，PINN可以应用于流场预测等任务

压缩机级联损失和滞后角的预测

准确预测级联损失和滞后角对于分析S2流面的性能至关重要，因为它们直接影响压缩机的压力比和效率。滞后角和总压损失是预测压缩机在最佳设计和非设计条件下的性能的关键参数。近年来，AI在压缩机级联损失和滞后角预测方面的应用取得了显著进展。许多研究开发了

压缩机整体特性预测图

预测压缩机的整体特性图是压缩机设计和性能评估的关键步骤。整体压缩机特性图通常显示了包括流量、压力比和效率在内的性能曲线函数。传统方法主要依靠测试数据和基于物理定律的数值模拟来生成特性图。然而，包括神经网络在内的AI技术提供了

主要挑战和未来方向

尽管AI在压缩机空气动力学设计中展示了显著的优势，但其工程应用仍面临一系列关键挑战，特别是在模型可解释性、数据有限条件下的泛化能力以及跨模型知识转移方面。

（1）缺乏可解释性

目前关于压缩机空气动力学设计中的可解释性研究主要集中在定子优化、湍流模型校正、初步设计优化等方面

结论

本研究首先追溯了压缩机空气动力学设计方法的发展轨迹，然后系统地回顾了AI在压缩机设计中的多层次应用。分析重点包括叶片空气动力性能的优化、流场预测、快速叶片形状优化、非设计条件下总压损失系数和偏差角的预测精度提升、喘振和失速边界的改进

CRediT作者贡献声明

徐全勇：撰写——审稿与编辑、监督、方法论、资金获取、概念构思。李彦杰：撰写——审稿与编辑、初稿撰写、验证。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了国家科技重大专项（编号：J2019-V-0001-0092）和清华大学自主创新科研计划（编号：20234616001）的支持。