基于叠加原理的神经算子架构SDNO显著提升涡轮端壁气膜冷却预测泛化能力

一句话结论

SDNO架构通过引入气膜冷却叠加原理，实现对未见过的10至20个冷却孔布局的准确预测，提升泛化能力。

关键要点

• 研究者提出了名为SDNO的物理增强神经算子框架，专门用于预测变数量气膜冷却布局下的涡轮端壁温度场。
• 该模型采用两阶段设计：第一阶段使用基于Transformer的Calculate Net预测随机子部分温度场，第二阶段通过Super Net进行叠加组合。
• 模型使用带符号距离函数（SDF）编码冷却孔位置信息，替代直接像素化轮廓，对孔位置变化更加敏感。
• 训练样本仅包含1至5个冷却孔的布局，但模型成功泛化至预测10至20个冷却孔的未见布局。
• 相比全监督基线模型，SDNO在预测准确性上表现出显著改进，验证了叠加原理在神经算子中的有效性。

背景与事实

该研究由提交至arXiv计算机科学机器学习分类（cs.LG）的论文发表，提交日期为2026年9月10日，编号为2609.31633。研究针对涡轮端壁气膜冷却预测中面临的核心挑战——冷却孔数量可变时的泛化预测能力不足问题，提出了一种全新的物理增强神经算子框架。

SDNO框架的设计灵感来源于气膜冷却领域的叠加原理，将端壁温度场预测分解为两个独立阶段。在第一阶段中，研究人员将涡轮端壁的冷却布局分割为若干个子部分，每个子部分随机分配冷却孔，并设计了一个基于Transformer的神经算子网络Calculate Net来预测这些子部分的温度场。在第二阶段，另一个名为Super Net的神经算子网络负责将Calculate Net预测的各个子部分温度场进行组合，从而获得完整冷却布局的叠加温度场。

在输入表示方面，该研究没有直接采用气膜冷却轮廓的像素图作为输入，而是设计了一种带符号距离函数（SDF）来编码冷却孔的位置信息。这种编码方式对冷却孔位置的变量变化更为敏感，能够更准确地捕捉位置信息对温度场的影响。

训练过程使用了冷却孔数量在1到5之间变化的样本，每个样本中的冷却孔位置各不相同。令人瞩目的是，经过训练的模型展现出了优秀的泛化预测能力，能够准确预测训练样本中从未见过的包含10到20个气膜冷却孔的冷却布局。此外，SDNO在预测准确性方面也优于全监督基线模型，充分证明了该预测模型的有效性。

影响分析

对于从事计算流体力学、热力学及神经网络研究的开发者而言，SDNO框架提供了一条将物理先验知识融入神经算子的有效路径。这种物理增强的建模方式可能显著降低对大规模标注数据的依赖，因为模型仅使用1到5个孔的少量样本即可泛化到10到20个孔的场景。这对数据获取成本高、实验周期长的工程领域具有重要意义。

该研究展示了Transformer架构在非传统视觉任务（如流体温度场预测）中的应用潜力，以及SDF作为几何编码方法在位置敏感问题中的优势。从业者可以参考这种两阶段分解策略，将复杂问题拆分为可管理的子问题，通过专门的神经网络模块分别处理后再进行组合，从而提升模型的可解释性和泛化性能。

适用边界

SDNO框架的有效性基于气膜冷却叠加原理的成立条件，即冷却孔之间的热力学影响近似可线性叠加。当冷却孔数量极少（如单个孔）或孔间距极近导致强非线性耦合时，叠加假设可能失效，模型的预测精度将受到影响。该结论主要针对涡轮端壁这一特定几何结构，直接应用于其他复杂曲面的气膜冷却预测时需要重新验证叠加原理的适用性。此外，模型训练依赖于特定的SDF编码和Transformer架构设计，若冷却孔几何形状发生根本变化（如从圆形变为异形孔），整个编码和预测框架可能需要重新设计。

孤本观察

本研究通过将物理领域的叠加原理形式化为神经算子的两阶段架构，展示了领域知识（domain knowledge）驱动模型设计的可能性。这种思路突破了传统数据驱动方法"黑箱"建模的局限，为AI与工程学科的交叉研究提供了可复制的方法论范式，即先从物理机制中提取可分解的结构化先验，再映射为对应的网络模块。

来源：arXiv cs.LG