摘要

本文由Tong Mo等研究者提出了一种结合物理知识嵌入的数据驱动方法，用于精确且高效地预测航空发动机性能。该研究解决了现有方法在预测准确性、计算效率、模型复杂性和数据依赖性之间难以平衡的问题。通过融合航空发动机领域知识和神经网络技术，设计了一种能够实时预测发动机性能参数的策略。该方法通过精心设计的网络结构和信息流控制，结合四种特征融合方法和一种创新的损失函数，显著提高了模型的预测性能和鲁棒性。实验结果表明，该模型在减少参数数量的同时，保持了优越的性能，并降低了数据依赖性，相较于传统神经网络架构，具有更高的可解释性。

原理

本文提出的物理嵌入神经网络（PENN）框架，通过将实际航空发动机的物理结构嵌入到神经网络的设计中，实现了对发动机性能参数的精确预测。该框架的核心在于四个精心设计的特征融合模块，这些模块在尽可能减少网络参数的同时，有效地聚合信息。此外，提出了一种名为均方相对误差（MARE）的新型损失函数，该函数能够平衡大值样本和小值样本的优化效果，从而提高网络训练的有效性。通过这种方式，PENN不仅能够减少无效的网络连接，提高计算效率，还能够增强模型的可解释性。

流程

PENN的工作流程遵循实际航空发动机的物理结构和神经网络技术。首先，输入参数被分为四组，分别输入到代表发动机主要组件的子网络中。这些子网络根据发动机组件之间的物理耦合关系连接起来，形成一个新颖的模型架构。特征信息沿着数据流方向融合，最终通过参数回归子网络输出预测的目标参数值。例如，对于推力或比冲的预测，模型首先处理输入参数，然后通过信息融合模块逐步吸收来自其他组件子网络的补充特征，最终输出预测值。

应用

该研究提出的物理嵌入神经网络框架具有广泛的应用前景，特别是在航空发动机设计、维护和优化领域。由于其高度的预测准确性和计算效率，该模型可以用于实时监控和诊断操作中的发动机，帮助制造商优化设计，地面团队了解发动机健康状况，以及运营商最大化性能、安全性和效率。此外，该模型的可扩展性和计算效率也为不同应用场景提供了参考。