近日，人工智能学院大数据与人工智能团队与华北电力大学的合作研究成果《Predicting distribution of adiabatic film cooling effectiveness using generative adversarial networks with mist/air mixture as coolant》在国际期刊Physics of Fluids发表（Phys. Fluids 38, 063312, 2026）。Physics of Fluids长期关注流体力学基础问题与工程应用前沿，在力学、流体物理及多相流研究领域具有较高学术影响力，JCR分区为Q1，也是中国科学院2区期刊。这是该团队与华北电力大学在AI+工业设计领域的又一重要合作成果。论文第一作者为我校黄鑫博士，第二作者为我校硕士研究生韩泽涛，通讯作者为华北电力大学张润生博士。南阳师范学院为第一通讯单位。

成果概述：

航空发动机核心部件长期处于高温环境，面临热损伤风险，气膜冷却技术是关键的防护手段。然而，针对水雾/空气混合冷却等复杂多相流问题，传统 CFD 高保真模拟计算成本较高，难以满足多参数快速设计与优化需求。为此，本文提出了一种基于条件生成对抗网络的深度学习框架，用于快速预测平板水雾/空气混合冷却下的二维绝热气膜冷却效率分布。该框架通过多输入融合生成器网络，将吹风比、液滴浓度和液滴直径等一维特征映射为高分辨率二维气膜冷却效率云图，能够准确还原喷射覆盖及壁面附着区域。相比传统反卷积网络，该框架能够更精细地重建气膜冷却效率分布，显著缓解像素级损失带来的预测模糊问题，提升图像重建质量与整体预测性能。同时，研究结合数据扩充、迁移学习和正则化策略，进一步增强了模型在超出训练域条件下的泛化能力。实验结果表明，该方法预测精度高、误差稳定，单次预测耗时仅约 5 秒，较 CFD 模拟显著提高了计算效率，充分体现了深度学习在复杂多相流冷却问题中的应用潜力，有助于气膜冷却系统的快速设计与优化。

上述工作得到了国家自然科学基金、中国博士后科学基金、博士后创新人才支持计划的支持。