通过机器学习为涡轮机编织数字主线

埃里克·芒克特尔

如何将过去、现在和未来结合起来？ 根据您的观点，事情可能会迅速变化，也可能保持停滞状态。 针对目前的情况，我们能做些什么吗？ 你能改变自己或他人的命运吗？ 在古老的北欧神话中，命运是由诺恩人编织的线决定的，并且早在你出生之前就已经决定了。 他们控制着你的过去、现在和未来，你无法改变它。

这种想法已经不再常见了。 一位更近代、更现代的瑞典人有一句名言，大致翻译为：“大多数事情仍然没有完成。 美好的未来！”。 这句话出自已故伟大的宜家创始人英格瓦·坎普拉德之口。 英格瓦当然认为总有改进的余地，总有更好的产品需要制造。 在写这篇文章时，我们刚刚根据公历转至2024年，正是在每年的这个时候，我们都希望对即将到来的新的一年抱有乐观的看法。

当谈到新的工程和模拟技术时，人们不可避免地会谈论人工智能（AI）和机器学习（ML）中发生的事情以及这可能对未来产品产生什么影响。 随着这场技术革命，我们一定会在未来几年看到如此多的进步。 将此技术与连接计算机辅助设计 (CAD) 与计算机辅助工程 (CAE) 和制造 (CAM) 的西门子数字线程技术相结合，您将拥有竞争优势，并能够更快地将新产品推向市场。

让我们看一下涡轮机械行业的几个例子。 我要求 Dall-E 生成类似宜家的说明，说明如何组装喷气发动机。 图 2 显示了我的第一次尝试：

现在看来，我还能再保住工作几年，因为机器可能仍然需要工程师来帮助他们制造更好的机器。

燃气轮机设计工作流程的最新技术一览

图 3 显示了使用 NX 从喷气发动机装配中获取 CAD 图像的“经典”方法。 过去设计燃气轮机需要花费数年时间，而且并不总是成功。 借助数字工具，我们可以通过多学科的设计和优化方法轻松改进当今的设计。

尽管它是非常先进的物理学和复杂的几何形状，但今天人们可以以自动化的方式组合其中的几个步骤。 为了保持 CAD 的活力，边界条件和各种版本完全由您控制。 组件的设计过程如图 4 的原理图所示。这是通过将 NX 的 CAD 与 Simcenter STAR-CCM+ 和 Simcenter 3D 等各种 CAE 仿真工具相结合来完成的。 自动化和优化由 HEEDS 处理，所有数据由 Teamcenter 管理。

无论是通过空气动力学提高效率、提高机械完整性和耐用性、减少冷却空气使用量还是使用新的燃烧燃料，这都并不重要； 它们都是相互影响的，除非正确运用现代多学科设计空间探索方法，否则就没有竞争力和创新。

为了有效地进行产品开发，我们希望在流程中尽早评估尽可能多的设计。 迈向未来意味着将其与机器学习相结合，因为设计空间可能会迅速变大并且涉及许多学科。 如果我们可以让机器学习算法在当前正在使用计算流体动力学 (CFD) 或有限元方法 (FEM) 评估的设计空间上实时进行自我训练，结果会怎样呢？

未来产品工程多学科设计优化的改进

为此，我们有两个与涡轮机械相关的概念证明。 一是优化水泵在流量为 110 kg/s、1200 rpm 时的效率。 我们研究了一个包含 12 个几何变量和叶片数量的参数化模型。

HEEDS 是一款综合性多学科设计分析和优化 (MDAO) 软件，使用其默认搜索方法 SHERPA，同时执行多种搜索策略，并在了解设计空间时动态适应问题。 借助 SHERPA，HEEDS 可以在 40 小时内发现 300 种设计变体。 随着 HEEDS AI 模拟预测器（HEEDS 的附加扩展）的引入，SHERPA 的搜索技术得到显着增强。 一些 CFD 模拟被通过自动训练的 AI 模型进行的 AI 评估所取代，利用从早期模拟中获得的见解，彻底改变了这一过程。 在本例中，计算了 151 次 CFD 运行，其中 149 次进行了 AI 评估（总共 300 次）。 大约需要 20 个小时才能达到相同的结果，并节省了 49% 的时间。 泵的效率提高了3%，扬程提高了10%。

图 5：水泵 – 使用 HEEDS AI 仿真预测器进行设计空间探索 – CAD 和 CFD 结果

第二种情况是用于冷却优化的燃气轮机叶片。 这里的目标是最小化叶片温度并最小化冷却空气质量流量。 使用 NX 的参数化 CAD 在 Simcenter STAR-CCM+ 中进行模拟。 CAD 在蛇形通道上有 34 个参数化特征，其中冷却肋片和喷头孔发生变化（见图 7）。 针对该案例进行的 500 次设计评估节省了大约 38% 的时间，利用 AI 跳过了 CFD 模拟，但仍然达到了相同的最佳解决方案。 如果每次模拟使用 160 个核心，这可能意味着可以节省 20 天的时间。 这样，您可以轻松地节省数周甚至数月的项目时间，并更快地将更好的产品推向市场。

图 7：使用 HEEDS AI 仿真预测器、NX 和 Simcenter STAR-CCM+ 进行共轭传热涡轮叶片设计空间探索的外部和内部温度。

从这些将人工智能和机器学习添加到已经令人印象深刻的 CAD-CAE 工作流程的第一个示例中，人们已经可以看到潜力以及即使不是机器学习或优化专家也可以轻松上手。 人工智能和机器学习的革命将会有多大，以及它将对机械行业的命运产生怎样的影响，现在说还为时过早。 但我们已经知道，这将是在竞争中保持领先地位的关键。 总之，我的建议总结如下：

1. 从我们过去所做的事情中学习，因为智慧很重要。
2. 在数字线程中使用它来改进我们的旧产品和方法。
3. 掌控自己的命运，创造美好的未来！

致谢：

我要感谢 Gabriel Amine-Eddine、Jeremy Hanke 和 René Braun 所做的伟大工程工作。

你也可能对此有兴趣…