Вычислительная гидродинамика (CFD) обеспечивает точность 1-3% при моделировании расхода центробежного компрессора, но требует высоких вычислительных и временных затрат В обзоре рассматриваются четыре архитектуры машинного обучения (ML) — сверточные нейронные сети (CNN), графовые нейронные сети (GNN), нейронные операторы Фурье (FNO) и нейронные сети на основе физики (PINN) — и оценивается гибридная стратегия интеграции ML–CFD. Предполагается, что гибридный подход ML–CFD сокращает количество итераций решателя на 60-80 %. Предполагается поэтапный гибридная реализация, сочетающая в себе алгоритмы ML с моделированием RANS.

Николаев Н.С. (науч. рук. Кожухов Ю.В.) Анализ подходов к моделированию потока в центробежном компрессоре с использованием алгоритмов машинного обучения // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/17733