Badacze zaproponowali panoramiczną ramę predykcji wydajności aerodynamicznej, która przewiduje podstawowe parametry równań Naviera-Stokesa przed oszacowaniem kluczowych charakterystyk turbin. Zamiast tradycyjnego podejścia bezpośrednio przewidującego interesujące projektantów parametry, system najpierw wylicza temperaturę, ciśnienie i gęstość, a następnie na tej podstawie prognozuje wydajność na płaszczyźnie meridionalnej. Takie rozplanowanie pozwala systemowi działać jak wirtualny symulator CFD, zdolny do przewidywania różnorodnych wielkości interesujących inżynierów.
Serce propozycji stanowi transformer-enhanced neural operator (TNO), nowy typ operatora neuronowego wzbogacony mechanizmem transformera. Wytrenowany na danych z łopatek Rotor 37 - standardowego benchmarku w transsonicznym sprężarku - TNO osiąga zaskakująco dokładne predykcje. Model przewiduje nie tylko efektywność isentropową czy przepływ masy, ale także rozkłady ciśnienia, przy czym jego błędy predykcji okazały się mniejsze niż u uznanych konkurentów takich jak Fourier Neural Operator (FNO) czy DeepONet.
Znaczenie praktyczne tej pracy sięga daleko poza само przewidywanie wydajności. TNO wykazał zdolność do analiz wrażliwości oraz optymalizacji wielu parametrów jednocześnie, działając jak w pełni funkcjonalny symulator CFD. Dla przemysłu turbomaszyn to oznacza możliwość przyspieszenia procesu projektowego, zmniejszenia kosztów obliczeniowych i elastyczności w iteracyjnych procesach inżynierskich, gdzie tradycyjne symulacje numeryczne byłyby zbyt czasochłonne.