Aerodynamic optimization of variable cycle compression system using uncertainty-driven sampling and sparse data learning model

Qiaodan Luo

doi:10.1016/j.cja.2026.104526

Aerodynamic optimization of variable cycle compression system using uncertainty-driven sampling and sparse data learning model

2026-10-15

0

OA

AI

DOI：10.1016/j.cja.2026.104526

原文链接

摘要

En 中文

本研究提出了一种适用于变循环压缩系统的多模式气动优化方法，该方法将不确定性驱动的自适应采样与表格先验数据拟合网络（TabPFN）相结合。为应对高维设计空间、有限计算资源及多模式目标冲突等挑战，建立了一个包含叶片参数化、数值模拟和K折集成TabPFN代理模型的自动化优化框架。通过递归特征消除，从初始96个参数中识别出30个关键设计变量。此外，所提出的基于不确定性的自适应采样方法（UDASM）战略性地选择具有高潜力和高不确定性的候选点，从而在受约束的计算流体动力学（CFD）评估下实现对设计空间的效率探索。优化旨在同时提升低涵道比（LBR）和高涵道比（HBR）模式下的绝热效率，并改善失速条件附近的稳定性裕度。结果表明，优化后的构型在LBR模式下效率提升0.56%，HBR模式下效率提升0.54%，同时LBR和HBR模式下的稳定性裕度分别改善1.89%和0.09%。流场分析显示，性能增益主要源于最大厚度位置和叠加规律的策略性调整，这有助于更合理的级间载荷重新分配，并有效抑制关键静子排中的流动分离和涡脱落。所提出的方法在数据稀缺条件下对先进叶轮机械系统的多工况协同优化展示了其有效性和工程适用性。

Keyword:

Variable cycle compression system

Multi-mode aerodynamic optimization

Adaptive sampling

Tabular Prior-data Fitted Networks (TabPFN)

Uncertainty-driven

Aerodynamic optimization of variable cycle compression system using uncertainty-driven sampling and sparse data learning model

摘要

期刊

机构

引用论文