一种面向航空发动机涡轮叶片流热场快速预测的显存约束图神经网络分块推理方法与流程

本发明涉及航空发动机涡轮叶片设计、计算流体力学仿真、人工智能代理模型和图神经网络，具体涉及一种面向航空发动机涡轮叶片流热场快速预测的显存约束图神经网络分块推理方法。

背景技术：

1、航空发动机涡轮叶片长期处于高温、高压、高转速、强热梯度和复杂气动载荷耦合作用环境中，其气动性能、冷却能力和结构可靠性直接影响发动机推重比、热效率、寿命和安全性。传统涡轮叶片设计通常依赖高保真计算流体力学仿真获得叶片通道内的压力、温度、速度、密度以及叶片表面热负荷分布。当设计变量、工况变量或冷却结构参数较多时，需要反复进行几何建模、网格划分、边界条件设置、数值迭代和后处理分析，导致设计周期长、计算成本高。

2、近年来，图神经网络能够直接处理非结构网格和复杂几何拓扑，适合在 cfd（计算流体力学）网格节点和边连接关系上学习复杂流动传热映射。与卷积神经网络需要将复杂叶片插值到规则图像或体素空间不同，图神经网络可保留非结构网格的拓扑连接和局部几何关系，因而适合涡轮叶片、气膜孔、端壁、叶尖间隙等复杂区域的三维流热场预测。

3、然而，真实涡轮叶片cfd网格通常包含大量节点和边。图神经网络在多步消息传递过程中需要保存节点隐藏特征、边隐藏特征和中间激活量，若直接对完整图进行全图推理，显存需求可能超过单张gpu（图形处理器）显存上限。为降低显存占用，现有方法可能采用随机采样、均匀降采样或简单分块推理。但随机采样不能保证全域所有节点均被预测；均匀降采样会损失近壁面、冷却孔出口、尾迹和二次流等关键局部结构；简单分块推理又容易在分块边界处缺少邻域消息，导致云图出现斑块、锯齿或颜色相互侵入等不连续现象。

4、此外，涡轮叶片与一般外流问题相比具有明显工程特殊性。其流场同时受进口总压总温、出口压力、转速、周期边界、壁面热边界、冷气供给、端壁二次流、叶尖泄漏流和气膜孔射流影响。若分块边界切过冷却孔、近壁高梯度区或尾迹区域，会进一步放大分块误差。因此，需要提出一种既能适应显存约束，又能保持全域节点覆盖和分块接缝连续性的涡轮叶片图神经网络分块推理方法。

技术实现思路

1、有鉴于此，本技术实施例提供一种面向航空发动机涡轮叶片流热场快速预测的显存约束图神经网络分块推理方法，以解决大规模涡轮叶片三维非结构网格图神经网络全图推理显存占用过高、随机抽样预测无法覆盖全域节点、简单分块预测容易产生块间不连续、涡轮叶片复杂边界和高梯度区域被不合理切分以及预测结果难以直接用于工程后处理的问题。

2、本方法适用于高压涡轮导向叶片、涡轮动叶、带叶尖间隙叶片、带端壁结构叶片、带内部冷却或气膜冷却结构叶片等对象的压力场、温度场、速度场、密度场、壁温场、冷却效率场、换热系数场或热流密度场快速预测。

3、本技术实施例提供以下技术方案：一种面向航空发动机涡轮叶片流热场快速预测的显存约束图神经网络分块推理方法，包括：

4、获取涡轮叶片三维计算流体力学网格数据，将所述网格数据转换为图结构数据，所述图结构数据包括节点和边，每个计算流体力学网格节点对应一个图节点，网格节点之间的连接关系对应图边；

5、基于图形处理器可用显存、图神经网络模型参数量、消息传递步数以及所述图结构数据的图规模，估算单次子图推理的显存占用；将估算的显存占用与预设安全阈值进行比较，根据比较结果自适应调整并确定每个子图的核心节点数量和邻域扩展层数，使单次子图推理的显存占用不超过所述预设安全阈值；

6、对所述图结构数据中的各节点分别计算边界敏感权重，基于所述边界敏感权重，对所述图结构数据进行边界敏感分块，以将所述图结构数据的全部节点划分为多个互不重叠的核心分块；

7、对每个核心分块，沿图边向外扩展所述邻域扩展层数，将扩展得到的邻居节点作为外围扩展节点；构建包含核心节点和外围扩展节点的推理子图，将所述推理子图输入图神经网络进行推理，推理过程中所述外围扩展节点参与消息传递但不输出预测结果；

8、提取各推理子图中核心节点的推理预测结果，将所述预测结果按原始节点编号散射回完整涡轮叶片网格，重构出完整涡轮叶片网格上的预测物理量；

9、对相邻核心分块接缝区域的预测物理量进行连续性检查与修正，使全域预测结果满足接缝一致性，获得重构后的完整预测结果；对所述完整预测结果进行工程物理量一致性校验，校验通过后输出完整的涡轮叶片三维流热场预测数据。

10、根据本技术一种实施例，采用下式估算单次子图推理的显存占用：

11、所述单次子图推理的显存占用的估算方式为：

12、

13、其中，表示第b个子图的估算显存占用，γ为经验系数，表示子图节点数，表示子图边数，表示节点输入特征维度，表示边输入特征维度，表示图神经网络隐藏维度，k表示消息传递步数，l表示多层感知机层数。

14、根据本技术一种实施例，采用下式计算所述边界敏感权重：

15、

16、其中，为节点的边界敏感权重，表示节点是否属于叶片壁面区域的二值指示量，表示节点是否属于气膜孔区域的二值指示量，表示节点是否属于叶尖区域的二值指示量，表示节点是否属于端壁区域的二值指示量；和分别为节点i处的压力和温度，为梯度算子，表示节点处的压力梯度模，表示节点处的温度梯度模，至为权重系数。

17、根据本技术一种实施例，所述推理子图的节点集合为：

18、其中，表示第个推理子图的节点集合，表示第个核心分块的节点集合，表示向外扩展层邻域得到的外围扩展节点集合。

19、根据本技术一种实施例，邻域扩展层数与图神经网络消息传递步数k之间满足：≥k；所述邻域扩展层数根据子图所在区域类型自适应确定。

20、根据本技术一种实施例，所述接缝一致性的检查包括：检测相邻核心分块交界区域预测物理量的连续性，计算所述交界区域的接缝误差，当所述接缝误差超过预设接缝误差阈值时触发修正；所述修正的方式包括增大对应交界区域的邻域扩展层数后重新推理、将分块边界移动至低梯度区域后重新分块、对接缝带内预测结果进行加权融合、对异常区域进行局部二次推理、将异常区域标记为需计算流体力学复核区域中的至少一种。

21、根据本技术一种实施例，相邻核心分块a与核心分块b之间的接缝误差的计算方式为：

22、

23、其中，表示核心分块a接缝侧的预测物理量梯度，表示核心分块b接缝侧的预测物理量梯度，表示二范数，表示防止分母为零的正数。

24、根据本技术一种实施例，所述工程物理量包括出口质量流量、压比、出口平均总压、出口平均总温、叶片表面平均温度、最高壁温、壁面热流密度、冷却效率和温度不均匀度中的至少一种；当工程物理量偏离预设阈值时，执行增大邻域扩展层数后重新预测、物理约束修正或标记为需计算流体力学复核中的至少一种操作。

25、根据本技术一种实施例，所述图结构数据中，每个节点的节点特征包括节点三维坐标、节点类型标识、边界条件参数、工况参数和壁面距离中的至少一种；每个边的边特征包括边的相对坐标、边长和方向向量中的至少一种。

26、与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：

27、第一、本发明通过显存预算驱动的core-halo分块推理，将大规模涡轮叶片全图推理转换为多个可控规模子图推理，显著降低单次gpu显存需求，使普通工程显卡也能够完成百万级节点涡轮叶片三维流热场预测。

28、第二、本发明通过全节点core分块和core-only scatter重构，使每个原始网格节点均被预测且只被写入一次，避免随机抽样预测导致的节点遗漏和简单重叠分块导致的重复写入问题。

29、第三、本发明通过halo节点参与消息传递，为core节点提供跨分块邻域上下文，能够降低分块边界附近因邻域信息缺失产生的误差。

30、第四、本发明引入涡轮叶片边界敏感权重，使分块边界尽量避开壁面、气膜孔、叶尖、端壁、尾迹和高梯度区域，有利于保持冷却射流、端壁二次流、叶尖泄漏流和近壁热边界层预测连续性。

31、第五、本发明通过接缝一致性检查与修正机制，对分块交界处的预测物理量和梯度进行自动诊断，能够减少云图斑块、块状断层和颜色相互侵入等现象，提高预测结果的可视化质量和工程可信度。

32、第六、本发明通过工程物理量一致性校验和原始cfd文件写回机制，使图神经网络预测结果能够直接参与涡轮叶片设计评估、方案筛选、优化迭代和后处理分析，缩短涡轮叶片流热性能评估周期。