混合POD自注意力流场预测网络

精度效率双提升

结合POD降维与改进自注意力深度神经网络，实现火箭发动机内流场由低维输入条件到高维流场的实时准确预测。

Xu, Weile · Li, Xingchen · 朱浩 · Li, Qiao · 蔡国飙 · Yao, Wen

International Journal of Heat and Mass Transfer 2026

参数信息

预测精度提升

22.0 %

计算效率提升

52.8 %

技术优势

预测更快

POD降维降低了深度学习建模的难度与计算消耗，同时自注意力模块和多损失函数进一步提升效率，使实时预测成为可能。

精度更高

引入POD提供物理约束，结合自注意力机制，使预测流场与CFD结果更一致，精度较标准DNN提升22.0%。

数据需求少

在数据稀缺任务中表现明显改善，意味着可以用更少的训练样本获得可靠预测，降低数据获取成本。

应用场景

• 火箭发动机状态监测：实时预测内部流场，及时发现异常，保障发动机健康运行。
• 智能流动控制：高精度流场预测为控制策略提供实时反馈，优化发动机性能。
• 高超声速推进系统：模型支持高超声速推进系统内流场快速预测，辅助设计迭代。
• 实时仿真：利用深度学习代理模型实现高维流场的实时仿真，替代昂贵CFD计算。