本文介绍一项发表在期刊 *journal of computational and applied mathematics*（卷462，2025年）的原创性研究，题为“卷积神经网络用于叶栅中叶片振荡的流体流动模拟”（convolution neural network for fluid flow simulations in cascade with oscillating blades）。该研究由 Ondřej Bublík（通讯作者），Václav Heidler 和 Jan Vimmr 共同完成，作者单位均为捷克西波西米亚大学应用科学学院。本研究旨在利用深度学习技术，特别是卷积神经网络（Convolutional Neural Network， CNN），高效预测振荡叶片叶栅中的非定常流场，以显著降低传统计算流体动力学（Computational Fluid Dynamics， CFD）方法的计算成本，并探索其在流固耦合（Fluid-Structure Interaction， FSI）分析中的应用潜力。
这项研究的学术背景源于计算流体动力学与深度学习的交叉领域。近年来，CNN因其在捕捉复杂流场特征和处理大规模数据方面的卓越能力，已被成功应用于稳态和非稳态流场的预测。传统CFD方法虽然精度高，但计算耗时，尤其在涉及复杂几何变形（如叶片振荡）和长时间瞬态模拟时，计算成本成为瓶颈。本研究的具体动机源于一个涉及13个叶片的低速风洞实验，该实验旨在研究现代蒸汽轮机中由三维压力波动引起的非线性气动弹性稳定性现象。然而，对整个风洞域进行全尺寸高精度CFD模拟非常困难。因此，研究者提出了一个创新思路：将复杂问题分解为多个简化子问题，先训练一个针对简化模型的高效替代模型，再通过算法组合解决整体问题。本研究的核心目标是：1) 设计一个基于CNN的计算模型，用于预测振荡叶片叶栅中的非定常流场；2) 验证该模型在指定运动学和流固耦合场景下的准确性；3) 开发一种组合算法，将基于简化模型训练的CNN推广到具有任意叶片数量的复杂叶栅中。
研究的详细工作流程可分为以下几个主要步骤：简化问题定义与数据生成、神经网络模型构建与训练、模型验证（包括运动学验证和流固耦合验证），以及最终通过组合算法扩展应用到多叶片叶栅。
首先，研究者定义了简化问题。为降低建模复杂度，他们将整个风洞叶栅分解为多个仅包含三个叶片的子域。在简化的二维截面中，三个叶片竖直排列。外侧两个叶片的运动由简谐函数（振幅A，频率f，相位角Φ）预先规定。中间叶片被建模为一个质量-弹簧系统，其运动由流体升力驱动的方程（公式1）控制。其刚度k被设定为使其固有频率等于外侧叶片的振荡频率，这是诱发颤振（flutter）失稳的关键条件。计算网格采用128x128的结构化网格，并通过基于调和函数（blending function）的算法动态处理因叶片运动导致的网格变形，确保流体域变形得到准确捕捉。
接着，研究者基于此简化配置生成了训练数据集。他们使用基于间断伽辽金有限元法的CFD求解器FlowPro进行了四次独立的非定常流动模拟。在这些模拟中，所有三个叶片均被赋予随机的振幅和频率进行简谐运动。从每次模拟中随机抽取200对连续时间步的数据，共构建了800个样本的训练集。数据包括每个网格点在时间步tn的坐标、边界标记、网格速度、流体速度(u,v)和压力(p)，目标输出是时间步t{n+1}的压力和速度场。
模型构建方面，研究采用了编码器-解码器结构的U-Net卷积神经网络。该网络输入为128x128x8的三维数组，输出为128x128x3的下一时间步流场（压力与两个速度分量）。U-Net通过编码器进行下采样提取特征，再通过解码器上采样重构流场，其间的跳跃连接（skip connections）有助于保留空间细节。网络深度为7层，包含超过100万个可训练参数。训练使用Adam优化器和均方误差（MSE）损失函数进行。
完成训练后，模型经历了两个阶段的验证。第一阶段是运动学验证。使用一组未在训练集中出现过的振幅和频率参数（A=0.1, f=1.0）进行CFD模拟，并将CNN的预测结果与之对比。结果显示，无论是流场可视化（如图6所示的涡旋结构）还是各叶片升力随时间变化的历史曲线（图7），CNN预测与CFD参考解都高度吻合，证明了模型准确预测未见过的运动模式的能力。
第二阶段是流固耦合验证，旨在测试模型在更真实、更复杂的相互作用场景下的能力。在此设置中，上下叶片仍按给定参数（A=0.15， f=0.1）振荡，而中间叶片则根据其质量-弹簧动力学方程（公式1），由CNN预测的流场产生的实时升力驱动其运动。研究者特别考察了上下叶片运动相位差Φ对中间叶片响应的影响。模拟了Φ = {-π/2， -π/4， 0， π/4}四种情况。结果（图8-11）表明，当Φ = π/4时，中间叶片的振荡振幅急剧增大，系统吸收的能量显著增加（图12），表现出典型的颤振失稳特征。而其他相位角下，中间叶片的振动则受到抑制。这一发现与气动弹性理论中关于行波模式诱发颤振的经典认知一致，从而有力验证了所训练的CNN模型能够准确捕捉导致颤振失稳的关键物理机制。
研究最具创新性的部分在于组合算法的开发。由于模型仅在三个叶片的简化域上训练，为了将其应用于任意数量叶片的叶栅，研究者提出了一种巧妙的组合策略。对于一个包含m个叶片的完整叶栅，他们创建了m个独立的CNN模型副本。第i个模型负责以第i个叶片为中心，及其上下相邻叶片（i-1和i+1）所构成的局部三叶片区域。计算分步进行：首先，所有模型独立并行地预测各自局部域下一时间步的流场；然后，在相邻叶片之间的间隙区域，对来自相邻两个模型（例如，模型i和模型i+1对于间隙i,i+1）的预测结果进行加权融合。加权函数是定义在间隙内的线性调和函数（blending function），确保在靠近各自中心叶片处，该模型的预测占主导，从而实现平滑过渡（图13-14）；最后，将融合后的全局流场信息更新回各个局部模型，作为下一个时间步的输入（图15）。这种“分而治之”的策略避免了为每种叶片数量重新训练模型或生成大量CFD数据的巨大开销。
通过上述组合算法，研究成功将模型扩展并应用于一个包含5个以不同谐波规律运动叶片的验证案例。数值实验（图16-18）表明，组合模型预测的流场（速度和压力）与全尺寸CFD模拟结果非常接近，各叶片升力时间历程的预测也基本吻合，仅因尾流中卡门涡街的相位差异存在微小偏差。这证明了该方法的有效性和扩展性。
本研究的核心结论是，成功开发了一种基于卷积神经网络的高效求解器，用于预测振荡叶片叶栅中的非定常流场。该模型通过简化三叶片模型训练，并借助创新的组合算法，能够灵活处理任意数量叶片的叶栅问题。验证表明，模型不仅能准确预测规定运动下的流场，还能成功应用于流固耦合分析，识别出特定相位角（Φ = π/4）下诱发颤振失稳的条件。最重要的是，该方法在计算效率上具有巨大优势。如表2所示，对于一个6叶片叶栅的单时间步模拟，传统CFD方法需要35秒，而CNN模型仅需0.234秒，速度提升了约两个数量级。这使得该模型能够被集成到叶片振荡的气动弹性稳定性分析中，为快速、准确地评估颤振发生提供了强有力的新工具。
本研究的亮点主要体现在以下几个方面：第一，方法论创新：提出了“训练简化模型 + 组合算法扩展”的范式，巧妙解决了深度学习模型在可变几何配置（叶片数量）上的泛化难题，避免了重复训练的高昂成本。第二，显著的性能提升：在保证精度的前提下，将非定常流场模拟的计算速度提高了两个数量级，为实现近实时或快速重复的流固耦合分析打开了大门。第三，成功的物理机制捕捉：模型不仅复现了流场形态，更重要的是在流固耦合验证中，准确再现了诱发颤振失稳的关键相位条件，表明其学到了深层的流体动力学物理规律，而非简单的数据拟合。第四，工程应用导向明确：研究从真实的工程问题（涡轮机械叶片颤振）出发，整个技术路径（简化、训练、验证、扩展）设计紧密围绕最终解决实际复杂问题的目标，具有很高的工程应用价值。
此外，研究在技术细节上也具有参考价值，如使用调和函数处理动态网格、采用U-Net网络结构处理空间场数据、以及明确的训练数据生成策略等，为后续类似研究提供了可借鉴的范例。文末也指出，该研究的代码和数据可根据请求提供，体现了可重复性原则。这项工作为将深度学习高效集成于复杂工程系统的流体动力学模拟与气动弹性分析提供了一个强大、灵活且极具潜力的框架。