摘要:
针对环形温度场存在的径向梯度异质性、环向周期性波动、局部温度反转等复杂分布特征，以及传统重建方法难以适配环形结构、重建结果物理合规性不足的问题，提出一种融合自适应径向基函数（Radial Basis Function， RBF）插值、卷积神经网络（Convolutional Neural Network， CNN）-长短时记忆（Long Short-Term Memory， LSTM）混合网络的分层物理约束的环形温度场重建方法。首先采用核参数随径向距离动态自适应的混合核RBF插值算法，完成稀疏测点数据的初步插值，构建初始温度场；再利用CNN-LSTM混合网络提取温度场空间局部特征与环向周期特征，实现初始温度场的残差修正；最后结合热传导物理规律，针对温度场不同区域的分布特性施加差异化分层物理约束，有效提升重建结果的物理合理性与可信度。多工况试验结果表明：本文方法在500、1 000、1 750 K典型工况下的重建误差均满足工程5%的误差阈值要求，温度场空间分辨力可达0.5 mm，优于2 mm的工程设计指标。消融实验验证了LSTM模块可有效保障温度场环向分布连续性，分层物理约束能够显著提升重建结果的物理可信度。该方法可为航空发动机环形温度场高精度重建、设备状态监测与性能优化提供可靠的技术支撑。