西安交通大学积极引导鼓励科研人员胸怀“国之大者”，推进高水平科技自立自强。通过全链条的综合施策，打破学科壁垒，促进各领域学科交叉融合，同时发挥工科优势，加强与龙头企业务实合作，共建校企创新联合体，紧扣国家重大需求协同攻关，标志性原创成果不断涌现。

近日，西安交通大学席光教授课题组成功将人工智能三维图像识别技术应用于离心压缩机的优化工作中，并与沈阳鼓风机集团股份有限公司合作完成了国际上首个完全三维离心叶轮的优化设计及试验验证工作。该全三维叶轮造型包括了自由曲面主叶片、非一致分流叶片以及非轴对称轮盘面，在人工智能技术的支持下，优化总控制参数的数量高达114个，实现了对离心叶轮流道气动型面更加全面地精细化控制。经试验验证，相较于原型叶轮，在设计转速下最高效率提升达3%以上，验证了新发展的优化设计方法具有重要的工程应用价值。该成果在《风机技术》报道后，引起行业业界强烈反响。

三维模型图

实验装置图

离心压缩机广泛应用于石油化工、航空发动机、涡轮增压器等众多领域，对于提高其节能及安全运行水平一直是流体机械装备研究的热点问题。近年来，随着计算机技术、信息技术以及计算流体力学的快速发展，基于人工神经网络、遗传算法等代理模型的离心压缩机优化设计理论与方法得到了快速发展并在工程中应用。但是，目前普遍采用的优化理论及算法，将复杂的物理流动现象视为黑箱，对优化的控制变量与气动宏观性能进行单一的关联，模型的预测精度过度依赖样本的数量且无法预测叶轮完整的全工况性能曲线，当这类方法处理优化变量数量超过40个以上后，优化的效能与作用大大下降。

席光教授课题组根据离心压缩机内部流场具有非结构化、高度复杂、数据量巨大的特征，提出了采用基于点云识别的三维视觉理论框架体系进行流场数据的识别与处理。在新发展的优化设计系统中，应用计算机3D视觉领域的成果RandLA-Net构建了流场信息编码器RandLA-encoder，该方法采用随机采样（Random Samples,RS）结合扩张残差模块（DRB）提取点云中数据的信息，数据处理能力提升了2个数量级，使几十万点规模的点云学习成为可能，也为构建全三维、全工况、多参数、多目标的压缩机气动优化方法奠定了理论与技术基础。

课题组基于RandLA-encoder的ANN子模型训练框架建立的离心叶轮全三维优化平台，实现了包含自由曲面叶片、非一致分流叶片和非轴对称轮盘面的全三维离心叶轮自动化优化方案，总控制参数可达127个，理论成果已在美国机械工程师会刊《Journal of Turbomachinery》（2022年第9期）发表，西安交大博士研究生姬成为第一作者，王志恒副教授为第二作者，席光教授为通讯作者。

不同叶高处马赫数云图

试验性能对比

本次优化设计及实验验证工作是对人工智能辅助支持的离心叶轮全三维优化方法的初次验证，试验件的加工由沈鼓完成，试验测试在西安交大-沈鼓研究院800kW试验台上进行。优化所使用的原型叶轮是经过试验验证的大流量系数高性能离心压气机模型级，包括进出口管路、叶轮、无叶扩压器及蜗壳，原型叶轮在设计转速下压缩机整机级效率可达83%。在对离心叶轮进行全三维优化后，在保持压比不低于原型级的情况下，设计转速下的最高级效率提升至86%。这一结果充分表明了基于人工智能辅助的全三维设计优化体系的优越性以及潜在价值。

本次的研究工作也是国际上首次系统地完成具有全三维造型的离心叶轮的气动设计优化及试验验证工作，表明我国的研究团队已经有能力将更加灵活、鲁棒及上限更高的优化方法应用于工程实际，提高各种设计条件下产品的国际竞争力。