2026年6月，第16届国际燃气轮机大会暨展览会（ASME Turbo Expo 2026）在意大利米兰顺利举办。该会议由美国机械工程师学会主办，是全球燃气轮机与叶轮机械领域影响力顶尖的年度学术盛会。本届会议于2026年6月15日至19日在米兰Allianz MiCo会议中心举行，共吸引来自全球各地的叶轮机械与推进工程领域专家学者3000余人参会。会议围绕燃气轮机、航空发动机、压气机、涡轮、传热、燃烧、结构强度、非定常流动与先进数值方法等核心议题开展深度学术研讨与技术交流。
中国科学院工程热物理研究所数字孪生研究中心四名学生赴本次大会参会，并先后在各专题分会场完成口头报告，系统展示团队在压气机气动稳定性、智能化优化设计、数字孪生与流动预测等前沿方向的系列最新原创研究成果。
张兴龙博士作了题为《Spatio-Temporal Early Warning of Multiple Instability Modes in Compressors Via Graph Deviation Neural Network》的报告。针对畸变进气下失稳特征非平稳、传统阈值难统一的问题，团队提出半监督时空图框架（GDN），仅用稳态数据训练，引入图注意力捕捉多传感器空间拓扑，并对比了预测与重构两种偏差范式。研究发现，基于自编码重构偏差（GDN-AE）的模型对前兆拓扑变化最敏感：在最具挑战性的畸变进气旋转失速工况下，相比TCN及传统RMS指标提前1～2秒预警，且参数量仅为LSTM的约1/5，兼具跨工况通用阈值与失稳起始定位能力，为机载轻量化部署提供了高实用性的智能方案。
该会议论文经会议评审推荐至ASME旗下行业顶级期刊 Journal of Turbomachinery。
周章宝博士生作了题为《A Few-Shot CFD-to-Experiment Transfer Learning Framework Based on Transformer–Graph Neural Network for Fast Flow Prediction in Transonic Compressors》的报告。针对跨音压气机中CFD仿真与实验数据存在系统偏差且实验样本稀缺的问题，提出了基于Transformer-图神经网络的少样本迁移学习框架。该框架通过物理感知注意力机制捕获局部流动特征，并借助Transformer全局注意力建模长程依赖，实现非结构化网格上的高精度流场重建；迁移阶段采用自适应分层冻结策略，利用稀疏实验数据校准高层参数。验证表明，单次推理时间小于0.5秒，出口总压预测误差较纯CFD模型降低83.3%，质量守恒偏差小于0.35%，且能准确捕捉近堵塞边界的压比陡降趋势，重构复杂流场拓扑结构，为数字孪生系统提供高保真、实时的内流场预测能力。
该会议论文经会议评审推荐至ASME旗下行业顶级期刊 Journal of Turbomachinery。
范忠岗博士作了题为《Agent-Driven Integrated Optimization of Axial Slot Casing Treatment and Blades in a Transonic Compressor》的报告。针对跨音压气机叶片与机匣处理协同设计难题，将优化问题转化为马尔科夫决策过程，构建了基于叶顶累积轴向动量的稳定裕度快速评估体系，并建立Transformer代理模型与PPO强化学习协同驱动的一体化智能优化平台。通过可解释学习揭示倾斜机匣与弯掠叶片的协同匹配规律，在保持峰值效率的前提下将稳定裕度拓宽11%。机理分析表明，机匣处理通过抽吸作用抑制激波-泄漏流相互作用形成的低速堵塞区，并促使泄漏涡贴近吸力面，从而减弱主流通道堵塞。
吴跃腾博士生作了题为《Can Large Language Models Guide Turbomachinery Aerodynamic Optimization》的报告。针对传统叶轮机械气动优化依赖预设搜索算子、难以兼顾全局探索与稳定收敛的问题，团队提出大语言模型驱动的气动优化框架（LLM-TAOF）。该框架利用结构化提示整合设计变量、约束条件和历史性能信息，由大语言模型推断下一代搜索方向，并结合方差逐步递减的高斯采样生成候选方案，实现语义推理与数值探索的解耦。研究以二维亚声速叶型和三维跨声速压气机转子为对象开展验证。结果表明，该方法在二维任务中使叶型最低损失降低约20%、稳定工作范围拓宽约3°，优于传统GA/PSO算法；在包含21个设计变量的三维转子优化中，使等熵效率提升2.51%，总体性能与GA/PSO算法相当。研究验证了大语言模型用于透平机械气动优化的可行性，并揭示了其在低维与高维设计问题中的优势及能力边界。
会议期间，数字孪生研究中心成员与来自国际高校、科研机构和航空发动机及燃气轮机工业界的专家学者围绕叶轮机械智能优化、压气机稳定性、跨音流动预测、数字孪生建模、CFD 与实验数据融合等方向进行了深入交流，了解了国际航空动力与能源动力装备领域的最新研究进展和技术发展趋势。
本次参会是数字孪生研究中心围绕航空发动机与燃气轮机数字化、智能化研究成果的一次集中展示，也为中心青年科研人员拓展国际视野、提升学术表达能力、加强国际合作交流提供了重要平台。未来，数字孪生研究中心将继续面向航空发动机与先进能源动力装备重大需求，聚焦数字孪生、智能优化设计、复杂流动机理认知、稳定性预测与控制、仿真—实验融合建模等关键方向，持续开展高水平基础研究与工程应用探索，推动航空动力领域数字化智能化技术发展。
版权声明
本号所发内容（含图）仅供学习、交流之目的，不涉及任何商业合作。版权归原作者或机构所有，若涉及版权问题，烦请留言联系，我们将第一时间更正或删除。
