基于学习的螺杆压缩机转子型线优化方法

🧠 基于学习的螺杆压缩机转子型线优化方法

📌 项目概述

本项目面向螺杆压缩机转子型线设计中的高计算成本与低迭代效率问题，提出一种数据驱动的优化框架。通过结合高保真 SCORG 仿真与神经网络代理模型（Surrogate Model），构建了一个闭环的设计优化流程，在保证物理一致性的前提下显著提升设计效率。

⚙️ 研究背景

在双螺杆压缩机中，转子型线直接决定压缩机的热力学性能，如容积效率、绝热效率以及泄漏特性等。传统设计方法主要依赖多次仿真与人工调参，存在以下问题：

• 设计周期长
• 高维参数空间难以有效探索
• 对经验依赖强，泛化能力有限

🧩 方法框架

1. 参数化建模

基于 SCORG 工程文件，将转子型线相关参数进行结构化表达，构建覆盖几何、运行及热力学特性的高维参数空间。

2. 仿真驱动数据生成

构建自动化流程，实现：

• 参数采样
• SCORG 仿真调用
• 性能指标提取（效率、流量、功率等）

通过加权方式构建综合性能评价函数： $R = \sum w_i \, f_i(x)$

3. 渐进式神经网络代理模型

构建神经网络模型学习如下映射关系： $x \rightarrow y$

其中：

• x：设计参数
• y：性能指标

采用渐进式训练策略：

• 初始随机采样
• 代理模型引导搜索
• 选择性高保真仿真更新数据

形成“数据生成–模型训练–再采样”的闭环迭代过程，不断提升模型在关键区域的预测精度。

🔁 优化策略

采用混合优化方法：

• 交叉熵方法（CEM）进行全局搜索
• 代理模型用于快速评估

在保证优化效果的同时，大幅减少对高成本仿真的依赖。

🚀 主要贡献

• 构建了仿真与学习相结合的闭环优化框架
• 提出渐进式代理模型训练机制，提高模型精度与稳定性
• 实现高维设计空间的高效搜索
• 显著降低优化时间成本

📊 实现要点

• SCORG 仿真自动化调用与结果解析
• 灵活的参数空间定义（param_space.json）
• 基于 PyTorch 的神经网络建模
• 支持缺失值处理与掩码机制的数据构建方法
• 多指标加权的性能评价体系

🔮 未来工作

• 引入物理约束（Physics-informed）提升模型可信度
• 探索算子学习方法以增强跨结构泛化能力
• 结合强化学习实现更复杂设计策略
• 推进仿真到真实系统的迁移（Sim-to-Real）

🏷️ 关键词

螺杆压缩机 · 转子型线 · 代理模型 · 神经网络 · 优化设计 · SCORG · 数据驱动