arXiv cs.AI· Caicheng Wang, Zili Wang, Shuyou Zhang, Yongzhe Xiang, Zheyi Li, Jianrong Tan·· 2 天前AI 评分22
基于自学习的航空发动机自由曲面管路自适应布局框架 SLPR
A self-learning framework for adaptive free-form pipe routing in aeroengines
AI 导读
研究提出基于 PPO 的自学习方法 SLPR，用于优化航空发动机自由曲面管路布局，并集成统一规则建模框架与势能表实现连续空间中的障碍检测和模糊规则建模。对比测试显示，SLPR 以三次 NURBS 曲线生成平滑管路，在管路长度、规则遵循度、路径复杂度和计算效率上均优于三个代表性基线。在动态设计环境中，SLPR 无需从头搜索，甚至优于重新训练的模型。
正文 · AI 翻译
摘要：管路布局是航空发动机设计中一个高度复杂、耗时且非确定性多项式时间困难（NP-hard）的问题。尽管在优化恒定曲率管路布局方面已有大量研究，但对自由形态管路日益增长的需求带来了新的挑战。动态设计环境和模糊布局规则进一步影响了优化性能和效率。为应对这些挑战，本研究提出了一种基于自学习的方法（SLPR），用于优化航空发动机中的自由形态管路布局。SLPR 基于近端策略优化（PPO）算法，并集成了一个统一的规则建模框架，用于连续空间中的高效障碍物检测和模糊规则建模。此外，构建了势能表，以实现对布局趋势和干涉的快速查询。SLPR 中的智能体通过与环境交互，迭代地改进管路布局并积累设计知识。一旦设计环境发生变化，智能体可以通过微调网络参数迅速适应。对比测试表明，SLPR 通过三次非均匀 B 样条（NURBS）曲线确保管路布局平滑，避免了恒定曲率管路布局中出现的冗余管段。在静态和动态设计环境中的结果表明，SLPR 在管路长度缩短、布局规则遵循、路径复杂度和计算效率方面均优于三个代表性基线。此外，动态环境中的测试表明，SLPR 消除了从零开始的劳动密集型搜索，甚至比重新训练的模型产生更优的解决方案。这些结果凸显了 SLPR 在实际管路布局中的实用价值，满足了现代航空发动机设计对轻量化、精度和可持续性的要求。
| 评论： | 已被 SCIENCE CHINA Technological Sciences 接收发表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY） |
| ACM 分类： | J.0；J.6 |
| 引用为： | arXiv:2504.03669 [cs.LG] |
| （或 arXiv:2504.03669v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.03669 arXiv 颁发的 DOI，通过 DataCite |
|
| 期刊 参考： | Sci. China Technol. Sci. 69, 1720402 (2026) |
| 相关 DOI： | https://doi.org/10.1007/s11431-025-3256-9
链接到相关资源的 DOI |
提交历史
来自：Caicheng Wang [查看电子邮件]
[v1]
2025年3月20日星期四 13:45:13 UTC（4,076 KB）
[v2]
2026年10月15日星期四 08:48:47 UTC（2,598 KB）
来源：arXiv cs.AI · arxiv.org