面向 marine 螺旋桨的 AI 驱动性能到设计生成与优化

AI 正在增加用于加速工程设计的应用，通过改进决策并缩短迭代周期，但在 marine 螺旋桨设计中应用仍具有挑战，主要由于训练数据稀缺且缺乏广泛可用的预训练模型。我们通过基于物理的数据生成管道和面向 marine 螺旋桨的生成式 AI 框架来弥补这一差距，实现直接的性能到设计生成。首先，我们构建了超过 2 万组四和五叶螺旋桨几何构型，每个构型都伴随仿真的开水性能曲线。在此数据集上，我们开发了一个三模块设计框架：(1) 条件生成模型，依据设计规范（如目标推力、功率和直径）提议候选几何构型；(2) 性能预测模型，实现为神经网络替代模型，能在毫秒级预测推力、扭矩和效率，实现对生成设计的快速评估；(3) 设计细化阶段应用进化优化以执行实际约束，如功率限制下的必需推力、叶面积比和厚度的边界。实验结果表明，该框架在各种运行条件下能够生成符合水动力学规律的螺旋桨设计，满足规定的性能目标，同时显著缩短相对于传统专家引导细化的设计迭代时间。潜在扩散生成器在相同条件下产生的设计多样性优于条件变分自编码器，表明扩散模型在设计空间探索方面具有更强的能力。通过将基于物理的数据合成与模块化 AI 模型耦合，所提出的方法简化了螺旋桨设计周期，减少了对最终验证阶段昂贵高保真仿真的依赖。