生成式人工智能（AI）技术的突破性发展为航空发动机这一复杂工业领域的智能化转型提供了新的技术范式。本文系统阐述了生成式AI技术在航空发动机设计仿真领域的研究进展与应用实践。首先，梳理了生成式AI技术的演进脉络，从早期的概率模型到当前的扩散模型与Transformer架构，分析了技术发展的内在逻辑。其次，深入探讨了生成式AI的核心技术框架，包括输入表示、潜在空间压缩、生成网络设计、物理约束融合以及设计优化流程等关键环节。在此基础上，重点论述了生成式AI在航空发动机结构强度设计、叶轮机械气动设计、燃烧室燃烧仿真、多场耦合快速设计以及燃油润滑冷却系统等领域的应用现状与典型案例。针对工程化应用中面临的泛化能力不足、小样本学习困境以及多模态数据失衡等挑战，提出了相应的解决思路。最后，展望了多物理场耦合生成式设计、多智能体协同框架以及物理信息生成模型等未来发展方向。研究表明，生成式AI技术正在推动航空发动机设计范式从“计算机辅助人”向“人辅助计算机”的深刻转变，为提升设计效率、探索创新构型提供了有力支撑。
一、生成式AI技术趋势与战略意义
1.1 生成式AI技术的时代背景与发展趋势
人工智能技术正经历着从感知智能向生成智能、再向代理智能与物理智能演进的深刻变革。在这一进程中，生成式AI技术的突破性发展尤为引人瞩目，其不仅能够在自然语言处理和计算机视觉领域生成高度逼真的文本与图像，更开始向工业制造、科学研究等实体经济领域深度渗透。当前，生成式AI已从单纯的概念验证走向实际应用，成为各类工业软件的重要组成部分，几乎所有头部工业软件厂商都在其产品组合中集成了生成式AI能力。这一趋势标志着AI技术正在从“感知和理解”向“创造和设计”的能级跃迁。
在工业领域，生成式AI的应用呈现出明显的“双曲线”特征：小模型凭借其准确性、稳定性和可解释性优势，率先在制造执行、过程控制等场景落地；而大模型则更适合开放性和创新性要求较高的研发设计与销售服务场景，如代码生成、知识问答、智能客服等。可以预见，大小模型将在工业领域长期共存、相互促进，共同推动工业智能化水平的提升。展望2035年，工业智能将在与人类对齐、与机器共融、与生产协同优化、与工业知识共智、与物理世界交互等五个维度取得长足进步，工业软件将从计算机辅助人（CAx）模式向人辅助计算机（HAx）模式转变。
1.2 航空发动机领域引入生成式AI的战略意义
航空发动机被誉为“工业皇冠上的明珠”，是衡量一个国家科技实力和工业水平的重要标志。其研发过程涉及气动热力学、结构力学、材料科学、燃烧学、传热学等多个学科的高度耦合，设计空间广阔、约束条件复杂、迭代周期漫长。传统设计方法高度依赖工程师的经验积累和大量的物理试验，不仅成本高昂，而且难以突破既有设计范式的局限。
生成式AI技术的引入为破解上述困境提供了新的可能。通过深度学习等先进技术，生成式AI能够模拟并优化航空发动机的各种设计参数，在保障安全性的前提下探索更高效的能源转换路径。同时，生成式AI的预测能力也为发动机的维护与健康管理提供了新的视角，有助于提前识别潜在故障、延长使用寿命、降低运营成本。具体而言，生成式AI能够实现对不同物理场指标性能的快速计算和预测，辅助工程师快速完成部件的生成设计和性能评估，显著提升分析和设计的效率，避免重复性劳动。
从更宏观的视角来看，生成式AI与航空发动机领域的深度融合，不仅是技术进步的必然趋势，更是推动航空发动机工业智能化转型的关键引擎。这一融合将重塑传统的研发设计流程，构建起数据驱动与物理机理深度融合的新型研发范式，为航空发动机的性能跃升和自主创新提供强大动能。
二、生成式AI技术的背景与发展
2.1 传统AI技术与生成式AI技术的分野
传统人工智能技术主要基于预设规则对数据进行分析，并输出相应的决策结果。这类技术在特定应用场景及目标明确的任务中，能够通过预先设计的程序从结构化数据中提取相关模式，从而提高数据分析和自动化处理的效率。其主要应用于分类、回归、目标检测等任务，在自动分析现有数据和结构化任务中表现出较高的准确性和可靠性。然而，传统AI技术在处理模糊信息和创造性决策方面仍相对不足，其本质是对已有知识的应用而非新知识的创造。
生成式AI技术的兴起填补了这一空白。该技术采用深度学习和神经网络技术，结合概率方法，能够根据输入的提示生成真实且语境相符的文本、图像、视频、3D形状、代码等内容。与适用于固定框架的传统AI技术不同，生成式AI技术通过自监督机制不断进行自我优化和学习，能够处理多模态的非结构化信息，其核心在于对数据潜在分布的建模和采样。这一差异决定了生成式AI在航空发动机部件结构的3D生成和设计参数生成方面具有重要应用价值，能够为航空发动机的智能设计和性能优化提供有力支撑。
从认知维度来看，传统AI侧重于“是什么”的判断，而生成式AI则关注“可能是什麼”的探索。后者通过学习海量数据的潜在分布，能够在设计空间中生成符合约束条件且具有创新性的设计方案，这对于突破传统设计思维定式、探索非常规构型具有独特价值。
2.2 生成式AI技术的演进脉络
生成式AI技术的起源可追溯至20世纪50年代，其早期代表技术包括隐马尔可夫模型和高斯混合模型。这些模型主要应用于生成语音和时间序列数据，但生成效果并不理想，受限于模型容量和计算能力，难以捕捉高维数据的复杂分布。
在自然语言处理领域，传统的句子生成方法主要依赖于人工设定的语法规则，或者采用N-gram算法学习单词的分布并据此选择最优的序列组合。然而，这一文本生成方式在生成复杂长句方面存在固有局限，难以处理长距离依赖关系。循环神经网络（RNN）及其变体（包括长短时记忆网络LSTM和门控循环单元GRU）通过引入门控机制，实现了记忆与遗忘的功能，有效捕捉序列数据中的长距离依赖关系，显著推动了语言模型的发展。
在计算机视觉领域，传统的图像生成算法主要依赖于手工设定的特征进行纹理合成，其在生成多样化和复杂图像方面同样存在局限。随着变分自编码器（VAE）和生成对抗网络（GANs）的提出，图像生成质量得到了明显提升。VAE通过编码器-解码器结构学习数据的潜在表示，GANs则通过生成器与判别器的博弈对抗实现逼真图像的合成。随后，流模型（Flow）和扩散模型等方法能够更精细地控制图像生成过程，进一步提升了高质量图像的生成能力。
一个具有划时代意义的架构——Transformer架构的提出，彻底改变了生成式AI的技术格局。该架构完全基于自注意力机制构建，具有极高的并行化处理能力，显著提升了生成性能。Transformer的出现标志着生成模型的发展达到了一个新的交汇点，其在处理海量数据和实现知识融合方面具有独特优势，不仅显著提高了生成内容的质量，还促进了不同领域之间的交叉融合，实现了多模态内容的生成。
当前，生成式AI技术正从单一领域的突破转向智能系统的集成应用，在更多领域（如工业设计、视频生成等）展现出应用潜力。从技术演进趋势来看，生成式AI正朝着模态融合、系统协同、场景深耕的新阶段迈进，为航空发动机等复杂工业产品的智能化设计奠定了坚实的技术基础。
三、生成式AI技术框架
3.1 输入表示与数据编码策略
生成式AI技术构筑于概率建模与表示学习的基础之上，其核心在于对输入数据潜在分布的建模，并通过学习近似分布来实现数据的采样与生成。不同的输入数据表示策略对生成结果的质量具有显著影响，这一环节是生成式AI技术框架的基石。
在航空发动机设计领域，输入数据呈现高度多样化的特征，包括几何模型、网格数据、流场分布、性能参数等。以3D几何生成为例，点云、体素、网格、隐式表示等不同方法对原始3D形状特征的描述各有侧重，导致生成结果在全局结构与局部细节上表现出显著差异。点云表示能够保留几何细节但缺乏拓扑连接信息，体素表示易于处理但内存消耗大，网格表示精确但数据结构复杂，隐式表示（如符号距离函数）则能够以连续函数形式表达复杂几何，近年来受到广泛关注。研究表明，隐式神经表示（INR）将数据表示为神经网络参数的连续函数，能够有效编码数据信息，为构建可泛化的生成模型提供了新的思路。
此外，针对不同的生成模型，输入数据的处理方式亦需相应调整。例如，自回归生成模型要求将数据划分为具有先后顺序的序列块，适用于语言生成或时序预测；而扩散模型则更适合处理连续空间的数据分布。在工业设计领域，无论是直接构建3D模型还是生成设计参数，所涉及的均为高维数据集，如何对其进行有效编码是决定生成质量的关键。
3.2 潜在空间压缩表示
高维数据的直接处理往往面临维度灾难和计算复杂度高的问题。为提升生成模型的训练效率，通常需要压缩输入数据以实现紧凑的表征。潜在空间压缩的核心思想是将原始高维数据映射到低维流形上，在保留关键特征的同时降低数据维度。
目前，主流的技术手段是利用变分自编码器（VAE），将高维数据X通过编码器映射至潜在变量Z的分布，进而将其转换至维度较低的潜在空间。这一过程不仅保留了原始数据的特征信息，而且还能够使潜在变量Z学习到原始数据的抽象语义维度。在航空发动机设计场景中，这种抽象语义可能对应于几何的宏观拓扑特征（如叶片的扭转角、掠角）或性能的关键影响因素，使得设计者能够在语义层面操控生成过程。
潜在空间亦可作为不同模态数据的统一表征平台，以支持多模态数据的对齐与跨模态数据的生成任务。例如，在文本到3D模型的生成任务中，可以将文本描述和3D几何分别编码到同一潜在空间，通过学习两者之间的映射关系实现跨模态生成。潜在分区网络（LZN）的提出进一步推动了这一方向的发展，该网络通过为不同数据类型创建共享的潜在空间，统一了生成建模、表示学习和分类三大核心任务。对于航空发动机这类涉及多学科、多物理场的复杂系统，统一的潜在表征有助于实现跨领域知识的融合与迁移。
3.3 生成网络与解码机制
生成网络在构建多样化且语境适宜的样本生成方面发挥着关键作用。当前，扩散模型与自回归模型是该领域的两大主流技术，两者各具特色且在不同应用场景中展现出独特优势。
扩散模型采用两阶段的扩散机制来学习潜在变量的分布特性。在正向扩散阶段，模型逐步向潜在变量中注入噪声，直至其分布转变为纯噪声分布；在反向扩散阶段，模型则从纯噪声状态出发，通过神经网络逐步预测并去除噪声，直至恢复出真实数据的分布。完成噪声网络训练后，通过随机采样一个高斯噪声，并通过多次噪声预测迭代，将其还原为潜在变量，最终利用解码器将潜在变量转换为原始输入数据。解码器的作用与编码器相对，其目的在于将潜在变量映射回原始数据空间。扩散模型的优势在于生成质量高、模式覆盖广，在图像生成和3D形状生成任务中取得了显著成效。
自回归模型则将潜在变量划分为一系列有序的序列块，并通过将潜在变量的联合分布转化为学习序列间条件依赖关系的分布，实现逐块预测后续序列块的目标。模型训练完成后，从一个随机采样的起始序列开始，逐个预测序列块，直至生成目标潜在变量序列，并最终借助解码器将其转换为原始数据。自回归模型的优势在于能够精确建模序列间的依赖关系，适用于语言生成和时序预测等任务。
在工业智能设计领域，对生成样本的性能指标与工艺参数等物理约束的考量不可或缺。这些约束条件可被整合至生成过程中，以引导生成模型产生符合特定条件的输出结果。在这一过程中，损失函数能够指导模型修正方向。具体而言，在扩散模型中，条件向量C与潜在变量Z的融合被用来表达两者之间的相关性；而在自回归生成模型中，条件向量C作为核心上下文输入，其引入方式主要包括两种：①将条件向量直接拼接至生成序列的起始端，作为引导信号；②先将条件向量编码为嵌入向量，再与Transformer的位置编码相加，进而将条件控制信息融入到每一层的注意力计算中，实现对序列生成过程的有效指导。
3.4 损失函数与物理约束融合
生成式AI模型的训练依赖于损失函数的设计，损失函数定义了模型优化方向和学习目标。在航空发动机设计这类对物理一致性要求极高的领域，单纯依靠数据驱动的损失函数往往难以保证生成结果的物理可解释性和工程可行性。因此，将物理规律以损失函数形式融入生成模型，成为当前研究的热点。
物理信息神经网络（PINN）的开创性工作为这一方向奠定了基础。PINN的核心思想是将物理控制方程（如偏微分方程）的残差项作为损失函数的一部分，与数据拟合损失共同优化网络参数。这使得模型不仅能够拟合观测数据，还能满足潜在的物理规律。在生成式AI框架中，这一思想可以进一步拓展：生成模型不仅要生成符合数据分布的设计方案，还要保证这些方案满足纳维-斯托克斯方程、连续方程、能量方程等物理定律。
具体实现路径主要有两种：一是在损失函数中引入物理守恒项，使生成样本自动满足控制方程；二是构建物理编码器-解码器架构，将偏微分方程离散化为可微算子嵌入神经网络。典型代表包括物理信息生成对抗网络（Physics-informed GAN）和物理约束扩散模型（Physics-constrained Diffusion Models）。这些模型通过融合数据驱动学习与物理先验知识，显著提升了生成样本的物理可信度。在航空发动机领域，该方法在结构力学、流体力学、材料设计等方面具有独特优势，不仅能够缓解纯数据驱动模型的过拟合问题，还能降低对大规模标注数据的依赖，为科学计算与工程优化提供了新的范式。
3.5 设计优化流程
生成模型的输出结果通常无法直接达到最优解。因此，进一步的优化过程成为必要，其核心目标是在生成设计空间内寻找满足特定性能指标的最优方案。这一过程融合了生成模型与预测模型的协同作用：生成模型负责根据潜在空间的样本值生成新的设计方案，而预测模型旨在以较低成本实现从输入到性能指标的映射，替代昂贵的高保真仿真或物理试验。
目前存在两种主要的优化方法：迭代优化和生成优化。
迭代优化将生成模型与预测模型串联起来，利用传统优化算法（如遗传算法、粒子群算法或贝叶斯优化）寻找与目标性能差异最小的潜在变量，并将其输入生成模型以获得最优设计方案。这一方法的优势在于可以利用成熟的优化算法，且对生成模型和预测模型的内部结构无特殊要求，但迭代过程可能需要多次调用生成模型和预测模型，计算成本相对较高。
生成优化则将预测模型作为物理约束条件，这些条件在生成器的训练过程中得到应用，无需单独的迭代过程，只需输入性能指标即可直接获得最优设计方案。这一方法的代表是条件可逆神经网络（cINN）和基于梯度的端到端优化框架。例如，GHOSH等提出的PMI框架训练条件可逆神经网络学习从性能指标到设计参数的逆向映射，对于给定的性能指标，通过cINN进行显式采样生成多种潜在的设计方案。生成优化的优势在于响应速度快、能够一次生成多个候选方案，但对训练数据的质量和覆盖范围要求较高。
在航空发动机设计实践中，两种方法往往结合使用：生成优化用于快速生成初始设计方案库，迭代优化则对库中的优选方案进行精细化调优，兼顾效率与精度。
四、生成式AI技术在航空领域的应用
4.1 结构强度设计仿真
在航空发动机设计流程中，结构强度设计仿真对于确保其安全性和可靠性至关重要。该过程涵盖了模型构建、载荷映射、材料本构关系以及分析评估等多个关键环节，直接关系到发动机在极端工况下的结构完整性和疲劳寿命。传统结构设计往往采用参数化建模与有限元分析相结合的迭代搜索方法，设计周期长、效率低下，且容易受限于初始设计空间的覆盖范围。
近年来，生成式AI技术为航空发动机零部件结构强度设计领域带来了创新动力，有效克服了传统方法的局限性，为结构设计提供了重要的参考依据。CHEN和RAMAMURTHY提出了一种创新的生成模型——FFD-GAN（Free-Form Deformation Generative Adversarial Network）。该模型结合了自由形变层与生成对抗网络，能够直接根据设计参数生成满足结构强度要求的涡轮叶片等部件的3D模型。该模型的核心创新在于将叶片的高维设计参数空间压缩至低维潜在空间，并从输入数据的复杂分布中学习到有用的紧凑表示。
FFD-GAN模型以最少的设计变量覆盖了足够的设计空间，并排除了无用的设计参数，显著提高了设计空间的探索效率。为确保生成的3D模型具有光滑连续的表面，研发人员创新性地引入了自由形变层作为解码器，从潜在表示中恢复3D表面点，与真实表面点一同作为判别器的输入，实现了端到端的生成流程。通过机翼设计实例验证，FFD-GAN模型在紧凑表示效果和设计空间覆盖效果方面显著优于传统的FFD和B样条曲面参数化方法。该模型在实现几何形状紧凑表示的同时，还能够充分覆盖设计空间，确保结构形状达到最优的理论上限。其压缩的潜在空间使得每个维度对应特定的属性（如机翼的扭转和上反角），为部件设计空间的解构提供了明确方向。
除涡轮叶片外，生成式AI技术在压气机盘、涡轮盘、机匣等关键转动部件的结构优化中也展现出应用潜力。通过学习历史设计案例和仿真数据，生成模型能够提出满足强度、刚度及寿命要求的创新构型，有效支撑航空发动机结构完整性设计。
4.2 叶轮机械气动设计仿真
在航空发动机研发过程中，叶轮机械的气动设计仿真占据核心地位，其主要功能在于对压气机和涡轮等关键部件进行气动设计和性能评估。压气机和涡轮的叶片排布、叶型设计、端壁造型等因素直接影响发动机的效率和稳定性。传统气动设计依赖大量的CFD计算和风洞试验，计算成本高、设计周期长，且对设计人员的经验要求极高。
生成式AI技术能够通过多层次结构自动提取多尺度特征，对描述激波、涡流以及非定常流动等复杂现象具有显著优势，且已在航空发动机叶轮流体性能预测领域展现出其应用价值。目前，研究人员正致力于利用物理信息神经网络（PINN）以及改进的VAE架构，实现对全流场数据分布的高分辨率生成预测。
EIVAZI等在缺乏高分辨率参考数据的情况下，运用PINN从一组有限的噪声测量数据中提取了时间和空间上的超分辨率流场信息。通过伯格斯方程、圆柱绕流的二维涡脱落以及最小湍流通道流动三个典型案例，验证了PINN在时间和空间上的超分辨率数据适用性。该研究以粗糙湍流边界层中的平均应力和雷诺应力测量值数据集为例，采用无黏性项的二维雷诺平均方程构建无监督损失函数，并与网络预测数据及已知参考值进行对比获得监督损失。将无监督损失与监督损失相结合形成总损失函数，指导网络进行迭代训练。这一方法对于航空发动机内部复杂湍流场的高分辨率重构具有重要意义，可在有限测点数据基础上还原全场流动细节。
刘恭言提出了一种名为AEpre的新型神经网络架构，专为航空发动机部件的流场预测设计，可高效且精确地预测全3D和准3D流场，且已在大涵道比涡扇发动机关键部件及核心机的性能预测场景中得到验证。该架构结合了显式特征表示的计算参数设置与隐式特征表示的复杂信息描述，将流场信息直接嵌入特征空间，优化了神经网络在特征提取时对复杂特征的注意力分配，进而增强了网络的学习能力。实验结果表明，AEpre能够基于有限的数据集有效提取叶轮机械流场中不同尺度的流动特征，并在工况点范围内实现高精度流场预测，预测误差可控制在2%以内。
值得注意的是，LEAP 71公司于2024年成功实现了完全由生成式AI设计的航空锥塞式火箭发动机的热试车。该发动机采用低温液氧和煤油作为推进剂，产生5000牛顿推力。其设计由大型计算工程模型Noyron自主完成，发动机以整体式铜合金通过工业3D打印制造，并在首次试车中取得成功。这一突破性进展验证了生成式AI在复杂热力部件气动设计中的可行性，展示了从设计生成到物理制造的全流程自动化潜力。
4.3 燃烧室燃烧设计仿真
燃烧室燃烧仿真过程具有极高的复杂性，涵盖了湍流、多相流、化学反应与热传递的强耦合效应，这对计算的精确度和成本提出了严格的要求。高保真燃烧仿真（如大涡模拟LES）能够提供精细的流场和温度场信息，但计算成本极高，难以在设计迭代中频繁使用。因此，发展快速且准确的燃烧室性能预测方法成为迫切需求。
目前，研究人员已将各种生成式AI技术模型引入燃烧室领域进行了初步的应用探索，以期寻找相关问题的解决策略。现有关于燃烧室性能的生成式预测研究，主要为利用卷积-反卷积技术或注意力机制来预测燃烧室出口温度分布，而关于全场预测的研究相对较少。
郑前钢等提出了一种具备预测燃烧室出口温度分布功能的部件级模型构建方法。该方法基于Inception-反卷积神经网络构建了燃烧室出口温度分布场的部件级代理模型，以及一个针对燃烧室3D仿真计算的二维局部代理模型。在获取燃烧室出口温度分布数据集的过程中，为适应卷积神经网络的处理需求，对原始数据进行了关键的预处理步骤：将仿真得到的扇形区域数据通过分块平均方法进行插值处理，转换为规则的方形区域阵列数据。结果表明，所构建的部件级模型预测的温度分布与CFD仿真得到的基本一致，验证了生成式方法在燃烧室出口温度场快速预测中的有效性。
王瑄等提出了一种基于深度学习方法的航空发动机燃烧室温度场快速预测方案。该方案采用了一个包含注意力机制的双分支网络模型，以增强神经网络对输入数据的聚焦能力。此外，所采用的双分支网络模型引入了物理损失函数项（燃油输入预估的温度场平均温度），以促进模型的快速收敛并提升其可解释性。结果表明，该模型实现了通过入口流动参数对燃烧室各个截面温度场的快速预测。与传统的全连接网络模型和卷积网络模型相比，该模型的性能得到了显著提升：温度场相对误差平均值减小了48.4%，截面均温相对偏差减小了57.3%。这一研究充分体现了物理信息融合在提升生成模型性能方面的价值。
燃烧室设计的另一个难点在于污染物排放预测和燃烧不稳定性分析。生成式AI技术通过学习历史试验数据，有望建立输入工况与排放指标、振荡特性之间的映射关系，为低排放、高稳定性燃烧室设计提供支持。
4.4 融合生成式AI技术与多场耦合的快速设计
在传统涡轮系统设计过程中，系统级与部件级的迭代次数众多，且必须先进行气动仿真评估，随后才能依次进行传热仿真评估和机械仿真评估。在这一过程中，不同阶段之间以及各阶段内部均需进行循环优化，这种串行设计模式导致信息传递延迟和设计周期延长。生成式AI技术与仿真降阶代理模型的结合为解决这一问题提供了有效途径。目前，通过学习3D涡轮叶片性能指标与设计变量之间的分布关系，可以实现性能指标的逆向生成，从而确定可选的设计参数。
GHOSH等提出了一种PMI（Performance-driven Manufacturing Inverse design）框架。该框架结合了仿真代理模型，能够直接根据目标性能生成多组满足要求的涡轮机械部件设计参数，从而显著缩短设计周期。该框架由正向建模和逆向建模两部分组成。正向建模采用GE贝叶斯混合建模方法，构建了从设计参数到仿真性能的概率多保真度高斯过程代理模型，实现了设计参数与仿真性能之间的概率性映射，并跳过了耗时的计算机实验步骤。同时，该模型利用多保真度自适应采样技术，自适应地确定了提升仿真性能所需的实验及保真度水平。
从训练好的正向模型中采样，得到多组设计参数和仿真性能数据，作为逆向建模的输入。逆向建模训练了一个深度生成模型，采用条件可逆神经网络（cINN）学习将性能指标的简单分布映射到设计参数的复杂分布，对于给定的性能指标，通过cINN进行显式采样生成多种潜在的设计方案。
在3D涡轮叶片的气动设计中对上述设计方案的效果进行了验证。具体而言，使用85个参数定义3D翼型的连续表示，并选用气动效率、反动度或伪反动度作为仿真标量性能指标，同时选用压力、流角等流动参数的径向分布作为仿真向量性能指标。通过多保真度自适应采样方案选择初始数据进行正向模型训练，在保证高精度的同时节省了至少35%的计算成本。利用正向模型生成的60000个样本训练条件可逆神经网络，学习从观测到的仿真性能指标到设计参数的关系。训练完成后，将一组目标性能指标输入PMI，生成一系列的可行性设计，设置几何约束筛选出指定范围内的设计方案。CFD建模分析验证，所有方案的效率均处于期望值范围内，不确定性约为0.2%。
该框架能够生成高质量的设计参数-性能指标数据对，替代了昂贵的仿真流程，同时能够处理仿真的标量和矢量等复杂且带有噪声的性能指标，生成准确度较高的多种设计方案。未来，该框架有望被运用于多学科和气动力学领域设计，以及各种航空发动机部件的结构、模态和颤振分析，真正实现多场耦合的快速闭环设计。
4.5 航空发动机燃油润滑冷却系统设计仿真
燃油、润滑和冷却系统是保障航空发动机可靠运行的关键辅助系统，其设计涉及复杂的流体网络、热交换器、泵、阀门等部件，同样面临着设计空间广、耦合因素多的挑战。虽然目前公开发表的关于生成式AI应用于燃油润滑冷却系统的研究相对较少，但相关技术框架具有显著的应用潜力。
在燃油系统设计中，生成式AI可用于燃油分布器的结构优化，通过生成多种几何构型并快速预测其流量分配特性和雾化效果，辅助设计人员探索最优的燃油喷射方案。在润滑系统中，轴承腔内的油气两相流动极为复杂，生成式模型可学习不同供油参数和腔体结构下的滑油分布和温升特性，实现润滑系统的快速设计迭代。在冷却系统中，涡轮叶片内部复杂冷却通道的设计是典型的高维度优化问题，生成式AI能够生成满足流动和传热约束的冷却通道构型，显著提升冷却效率。
多场耦合效应在辅助系统中尤为突出：燃油系统的流量分配受热负荷影响，润滑系统的滑油特性随温度变化，冷却系统的冷却效果与主流燃气温度密切相关。生成式AI技术有望通过构建端到端的映射模型，同时考虑流体、热和结构的耦合效应，实现辅助系统的整体协同优化。
五、生成式AI技术面临的问题及解决思路
尽管生成式AI技术在航空发动机设计仿真领域展现出显著的应用潜力，但将其从实验室推向实际工程应用仍面临诸多挑战。这些挑战涉及算法泛化能力、数据稀缺性、多模态信息处理等多个维度，需要系统性的解决方案。
5.1 泛化能力问题及解决思路
现有训练模型相对较弱的迁移能力限制了生成式AI应用的广泛扩展。当在特定场景下生成的AI模型被迁移到其他场景问题或环境时，其预测或设计的精度通常会显著下降。例如，针对某型高压压气机设计的生成模型，在应用于低压压气机或不同转速范围时，生成的叶型可能不再满足气动性能要求。此时需要对模型进行重新训练，导致已有经验知识的复用效率低下，显著降低工程应用效率。
该问题的核心原因涉及多个方面：算法框架对不同物理场景的适应性差，训练数据未能充分覆盖目标域的分布范围，训练过程中出现过拟合现象，以及缺乏有效的物理引导机制来约束模型在不同工况下的行为。
针对上述问题，当前众多研究者主要通过以下途径寻求突破：
第一，数据增强与多样性提升。通过引入更多的工况点、几何变型和边界条件，丰富训练数据的覆盖范围，增强模型对未见场景的适应能力。在航空发动机领域，可利用低保真度CFD计算生成大量样本，结合少量高保真度仿真或试验数据进行迁移学习。
第二，算法框架创新。Mamba模型等新型序列建模方法在一定程度上能够提升模型的训练效率和迁移能力。此外，元学习（meta-learning）框架的引入使模型能够在多个相关任务上学习通用的初始化参数，在新任务上仅需少量样本即可快速适应。
第三，物理知识嵌入。将物理守恒定律以软约束形式融入模型训练过程，使生成结果即使在训练数据覆盖不足的区域也能满足基本物理规律，从而提升泛化能力。物理信息神经网络的实践表明，物理约束的引入能够显著改善模型的外推性能。
随着对更多模型框架的探索与优化，生成式AI技术的泛化能力有望得到进一步提升，从而促进其在航空发动机领域的广泛应用。
5.2 小样本问题及解决思路
在航空发动机设计仿真的实际工程应用过程中，通常难以积累大量有效的样本数据。这一方面源于新型号、新构型的设计往往缺乏历史数据支撑；另一方面，高保真度仿真和物理试验的成本极高，难以获得大规模标注数据集。这要求生成式AI技术必须具备应对小样本学习的能力。
在小样本学习场景下，生成式AI技术面临多个严峻挑战：①数据稀缺导致模型难以准确捕捉真实数据分布，容易出现过拟合或模式坍塌现象，生成重复或低多样性的样本；②训练样本不足导致生成式模型的潜在空间表征能力受限，可能产生偏离真实特征的无效输出；③小样本条件下模型的泛化能力较弱，难以适应数据分布的细微变化。这些问题严重制约了生成式AI技术在数据获取成本较高的航空发动机领域中的应用。
目前，部分学者针对性地提出了一些解决方向：
数据增强与合成是直接的解决思路。通过元学习或基于预训练模型的跨模态引导，生成多样化的样本数据以扩充训练集。例如，在航空发动机叶片异常检测任务中，研究人员利用视觉-语言多模态大模型CLIP，结合领域特定的提示模板和特征适配模块，实现了在仅有1个、5个或10个样本情况下的优异检测性能。这一方法充分利用了大规模预训练模型从海量数据中学习到的通用视觉知识，再通过少量领域样本进行知识迁移。
隐空间约束能够通过原型网络学习有限样本间的共性特征。通过引入先验分布假设或利用变分推断，对潜在空间施加结构性约束，确保即使在小样本条件下，潜在表征仍能保持有意义的语义结构。
模型架构改进通过设计轻量化模块或增量学习策略，减少参数依赖。例如，采用条件生成模型，将物理参数作为条件输入，降低模型对海量训练数据的需求。在实际应用中，往往需要多种策略的组合，如预训练-微调范式、数据增强与物理约束相结合，以实现更低成本和更优效果的生成式AI应用。
5.3 多模态中模态失衡问题及解决思路
在航空发动机设计仿真领域，文本（设计说明书、试验报告）、图像（几何模型、流场云图）、数值（性能参数、测点数据）以及3D模型等多模态数据的综合应用对于提升生成式AI技术的精确度和泛化能力至关重要。不同模态的数据从各自角度描述同一物理对象，相互补充、相互印证。
然而，在多模态生成式AI技术中，模态间不平衡现象成为亟待解决的难题。该问题主要表现为不同模态数据在质量、规模或特征表达上不均衡，进而导致模型在学习过程中对主导模态过度依赖，从而忽略次要模态。以文本与图像的联合生成任务为例，文本数据往往具有高度的结构化特征和丰富的标注信息，而图像数据可能由于标注的稀疏性或噪声干扰，生成的图像质量波动较大。这种模态间的不平衡现象将导致生成结果出现偏差，例如生成的3D模型可能与文本描述不符，或生成的流场分布与几何输入不一致。
在航空发动机场景中，模态失衡问题尤为突出：设计图纸（图像模态）和性能参数（数值模态）往往容易获取，而详细的物理试验描述（文本模态）可能不够完备；几何模型（3D模态）通常精确，但与之对应的流场分布（场数据模态）可能稀疏。这要求多模态生成模型具备处理不完整、不均衡输入的能力。
在多模态生成式AI技术的学习与训练过程中，研究者通常采用以下策略缓解模态不平衡带来的影响：
数据增强与权重调整是直接的应对手段。通过对弱模态数据进行过采样、变换增强或利用强模态生成伪弱模态样本，提升弱模态数据的比例和多样性。同时，在损失函数中为不同模态赋予自适应权重，使模型更加关注学习效果较差的模态。
模态对齐与表征均衡是更深层次的解决方案。该策略通过对比学习方法和引入模态特定的归一化层，强制模型学习不同模态间的对齐表征，并有效处理模态间的分布差异。潜在分区网络（LZN）的提出为多模态统一表征提供了新的思路，该网络为每种数据类型配备专用的编码器和解码器，同时在共享的潜在空间中进行对齐，实现了跨模态任务的有效支持。
跨模态注意力机制使模型能够在生成过程中动态关注不同模态的信息，当某个模态信息不足时，通过注意力权重调整减少其对生成结果的影响，从而提升生成结果的鲁棒性。
六、未来展望与趋势
生成式AI技术作为工程设计领域的前沿方向，将在未来占据重要地位。将物理先验知识与最新理念整合进生成式AI技术的理论框架，以增强其在航空发动机领域的应用效能、学习能力及多智能体设计能力，将是未来研究的关键方向。
6.1 多物理场耦合的生成式设计
航空发动机设计分析是一个涉及多场、多学科的应用过程，流-热-固耦合效应决定了发动机的性能和可靠性。当前，将多物理场耦合分析与生成式AI技术相结合，有望增强生成式AI技术在处理相互作用的复杂工程设计问题中的应用能力。
物理信息嵌入的生成模型是一种新兴范式，其核心理念在于将物理规律直接整合到生成式AI架构中。这类模型通过物理方程约束引导生成过程，以确保输出结果既符合数据分布又满足物理一致性。未来，这一范式将进一步拓展至多物理场耦合场景：生成模型不仅需要满足单个物理场的控制方程，还需满足流-固耦合交界面上的位移协调和力平衡条件、热-流耦合的热流连续条件等。这将催生新一代的多物理场生成模型，能够直接生成满足多学科设计要求的一体化设计方案。
在具体实现路径上，有两种方向值得关注：①在损失函数中引入多物理场耦合残差项，使生成样本自动满足耦合界面的协调条件；②构建多物理场编码器-解码器架构，将不同物理场的控制方程离散化为可微算子，嵌入神经网络的各层之中。典型代表包括物理信息生成对抗网络和物理约束扩散模型的耦合版本。这些方法在航空发动机领域结构力学、流体力学、传热学等耦合设计中具有独特优势，不仅能够缓解纯数据驱动模型的过拟合问题，还能降低对大规模标注数据的依赖，为高精度科学计算与工程优化提供新的范式。
6.2 多智能体系统框架的生成式应用
航空发动机系统作为一项复杂的精密工程，其设计仿真的实现依赖于跨学科团队的紧密合作。不同专业背景的工程师（气动、结构、传热、燃烧、控制等）需要密切协作，共同完成从总体方案到零部件详细设计的全过程。多智能体系统框架作为分布式AI构建的核心范式，其目标在于通过多个自主生成式智能体之间的交互与协作，解决在复杂环境下面临的决策与控制难题。
在多智能体系统框架中，开发者能够定义生成式AI代理的行为模式，并在任务执行过程中实现智能体间的对话交接，进而达成对复杂任务的模块化拆解与高效调度。例如，FeaGPT框架已实现了通过自然语言交互完成从几何建模、网格划分、仿真计算到结果分析的完整有限元分析流程，展示了多智能体协同在工程仿真中的应用潜力。类似地，OpenFOAMGPT采用检索增强生成和多代理协作架构，实现了计算流体力学的全自动化端到端执行，在复杂流动问题求解中取得了100%的成功率。
在航空发动机设计仿真领域，未来可以构建包含气动设计智能体、结构分析智能体、燃烧仿真智能体、冷却系统智能体的多智能体协同框架。这些智能体共享统一的潜在空间表征，能够理解彼此的设计意图和约束条件，通过协商达成全局最优的设计方案。该框架下的生成式应用不仅增强了对动态设计需求的适应能力，而且为航空发动机设计仿真提供了分布式智能协同的可能，从而提升了系统运作的效率，促进了跨领域知识的融合。尽管目前该框架仍处于实验阶段，但其为研究多代理系统的灵活性提供了宝贵的探索机会。
6.3 生成式AI技术与工业软件深度融合
当前，生成式AI已开始嵌入各类工业软件，成为各大领先软件厂商产品组合中的标配功能。尽管目前仍以简化代码编写、数据分析及用户支持为主的聊天机器人和智能副驾为主，但随着技术的成熟，生成式AI将与CAD/CAE/CAM软件深度融合，重塑工程设计的工作模式。
在航空发动机设计领域，这种融合将体现在三个层面：一是智能辅助层，生成式AI作为工程师的智能助手，能够理解自然语言指令，自动完成模型参数化、网格划分、工况设置等重复性工作；二是协同设计层，生成式AI能够根据给定的性能指标和约束条件，自主生成多种设计方案供工程师评估选择；三是创新探索层，生成式AI能够在广阔的设计空间中探索非常规构型，突破人类经验思维的局限，发现全新的设计解决方案。
随着代理型AI（Agentic AI）和物理AI（Physical AI）的发展，未来的生成式AI将不仅停留在数字空间，还将与物理世界深度交互。数字孪生将进化为实时的"工业副驾"，能够根据实际运行数据动态调整设计模型，实现设计-制造-运维的全生命周期闭环优化。在这一变革中，人类角色向更高阶的提出问题和监督执行转变，大多数重复性设计工作将由生成式AI完成，人类与AI将形成新型的协作关系。
6.4 技术成熟度提升与工程化路径
展望未来，生成式AI技术在航空发动机领域的工程化应用将沿着以下路径逐步推进：
短期（1-3年）重点发展专用生成模型。针对特定部件和特定物理场，开发经过验证的生成式设计工具，如涡轮叶片气动生成设计、燃烧室出口温度场快速预测等。这些工具将以辅助角色融入现有设计流程，在人工监督下提供初始设计方案或快速性能评估，积累工程应用经验。
中期（3-5年）实现多学科协同生成。打通气动、结构、传热等不同专业的生成模型，建立统一的潜在空间表征，实现考虑多场耦合的协同生成设计。同时，发展小样本学习和迁移学习技术，降低对大规模标注数据的依赖，提升模型的泛化能力和工程适应性。
长期（5-10年）构建完整的生成式设计体系。形成覆盖发动机全生命周期、全学科的生成式AI设计平台，实现从概念设计到详细设计再到制造运维的端到端智能化。物理信息融合、多智能体协同、人机协作等关键技术趋于成熟，生成式AI从辅助工具演变为设计流程的核心引擎，推动航空发动机设计范式实现根本性变革。
&注：此文章内使用的图片部分来源于公开网络获取，仅供参考使用，配图作用于文章整体美观度，如侵权可联系我们删除，如需进一步了解公司产品及商务合作，请与我们联系！！
湖南泰德航空技术有限公司于2012年成立，多年来持续学习与创新，成长为行业内有影响力的高新技术企业。公司聚焦高品质航空航天流体控制元件及系统研发，深度布局航空航天、船舶兵器、低空经济等高科技领域，在航空航天燃/滑油泵、阀元件、流体控制系统及航空测试设备的研发上投入大量精力持续研发，为提升公司整体竞争力提供坚实支撑。
公司总部位于长沙市雨花区同升街道汇金路877号，株洲市天元区动力谷作为现代化生产基地，构建起集研发、生产、检测、测试于一体的全链条产业体系。经过十余年稳步发展，成功实现从贸易和航空非标测试设备研制迈向航空航天发动机、无人机、靶机、eVTOL等飞行器燃油、润滑、冷却系统的创新研发转型，不断提升技术实力。
公司已通过 GB/T 19001-2016/ISO 9001:2015质量管理体系认证，以严苛标准保障产品质量。公司注重知识产权的保护和利用，积极申请发明专利、实用新型专利和软著，目前累计获得的知识产权已经有10多项。湖南泰德航空以客户需求为导向，积极拓展核心业务，与国内顶尖科研单位达成深度战略合作，整合优势资源，攻克多项技术难题，为进一步的发展奠定坚实基础。
湖南泰德航空始终坚持创新，建立健全供应链和销售服务体系、坚持质量管理的目标，不断提高自身核心竞争优势，为客户提供更经济、更高效的飞行器动力、润滑、冷却系统、测试系统等解决方案。
热门跟贴