TurboAgent: An LLM-Driven Autonomous Multi-Agent Framework for Turbomachinery Aerodynamic Design

📄 arXiv: 2604.06747v1 📥 PDF

作者: Juan Du, Yueteng Wu, Pan Zhao, Yuze Liu, Min Zhang, Xiaobin Xu, Xinglong Zhang

分类: cs.AI

发布日期: 2026-04-08

💡 一句话要点

TurboAgent：基于LLM的涡轮机械气动设计自主多智能体框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 涡轮机械设计 气动优化 大型语言模型 多智能体系统 计算流体力学

📋 核心要点

  1. 现有涡轮机械气动设计方法通常侧重于单个阶段，或依赖松散耦合的流程，难以实现完全自主的端到端设计。
  2. TurboAgent利用LLM作为核心，协调多个专业智能体，实现生成式设计、性能预测、多目标优化和物理验证。
  3. 实验表明，TurboAgent能高效生成满足性能指标的设计，优化后等熵效率提升1.61%，总压比提升3.02%。

📝 摘要（中文）

本文提出了一种基于大型语言模型（LLM）驱动的自主多智能体框架TurboAgent，用于涡轮机械气动设计和优化。该框架旨在解决现有智能设计方法侧重于单个阶段或依赖松散耦合流程，导致难以实现完全自主端到端设计的问题。LLM作为任务规划和协调的核心，而专业智能体负责生成式设计、快速性能预测、多目标优化和基于物理的验证。该框架将传统的试错设计转变为数据驱动的协作工作流程，并保留高精度仿真用于最终验证。通过对跨音速单转子压缩机的验证，结果表明目标性能、生成设计和CFD仿真之间具有很强的一致性。质量流量、总压比和等熵效率的决定系数（R2）均超过0.91，归一化RMSE值低于8%。优化智能体进一步将等熵效率提高了1.61%，总压比提高了3.02%。在并行计算下，完整的工作流程可以在大约30分钟内执行完毕。实验结果表明，TurboAgent能够实现从自然语言需求到最终设计生成的自主闭环设计过程，为涡轮机械气动设计提供了一种高效且可扩展的范例。

🔬 方法详解

问题定义：涡轮机械的气动设计是一个复杂的多阶段过程，涉及几何生成、性能预测、优化和高精度物理验证。现有方法通常关注设计的某个阶段，或者使用松散耦合的流程，难以实现完全自主的端到端设计，效率较低，且难以充分利用数据。

核心思路：本文的核心思路是利用大型语言模型（LLM）作为任务规划和协调的核心，构建一个多智能体框架。每个智能体负责一个特定的设计阶段，例如几何生成、性能预测或优化。LLM负责将自然语言描述的设计目标分解为各个智能体可以执行的任务，并协调它们的工作，从而实现自主的闭环设计。

技术框架：TurboAgent框架包含以下主要模块：1) LLM任务规划器：接收自然语言描述的设计目标，并将其分解为各个智能体的任务。2) 生成式设计智能体：基于LLM的指令生成几何模型。3) 快速性能预测智能体：使用代理模型或简化的CFD仿真快速评估设计性能。4) 多目标优化智能体：使用优化算法在设计空间中搜索最优解。5) 物理验证智能体：使用高精度CFD仿真验证最终设计。

关键创新：该方法最重要的创新在于将LLM引入涡轮机械气动设计流程，并将其作为任务规划和协调的核心。这使得框架能够理解自然语言描述的设计目标，并自主地完成设计过程。此外，多智能体的协作模式也提高了设计的效率和灵活性。

关键设计：LLM使用GPT系列模型，并针对涡轮机械设计任务进行了微调。快速性能预测智能体使用径向基函数（RBF）代理模型，该模型基于少量高精度CFD仿真数据进行训练。多目标优化智能体使用NSGA-II算法，目标函数包括等熵效率和总压比。

📊 实验亮点

实验结果表明，TurboAgent能够生成满足目标性能的设计，并且与高精度CFD仿真结果高度一致。质量流量、总压比和等熵效率的决定系数（R2）均超过0.91，归一化RMSE值低于8%。优化智能体进一步将等熵效率提高了1.61%，总压比提高了3.02%。整个设计流程在并行计算下可以在30分钟内完成，展示了其高效性。

🎯 应用场景

TurboAgent可应用于各种涡轮机械的气动设计，例如航空发动机、燃气轮机、压缩机和风力涡轮机。该框架能够显著缩短设计周期，提高设计效率，并探索更优的设计方案。此外，该框架还可以用于个性化定制设计，满足不同应用场景的需求。未来，该框架有望与制造工艺相结合，实现设计-制造一体化。

📄 摘要（原文）

The aerodynamic design of turbomachinery is a complex and tightly coupled multi-stage process involving geometry generation, performance prediction, optimization, and high-fidelity physical validation. Existing intelligent design approaches typically focus on individual stages or rely on loosely coupled pipelines, making fully autonomous end-to-end design challenging.To address this issue, this study proposes TurboAgent, a large language model (LLM)-driven autonomous multi-agent framework for turbomachinery aerodynamic design and optimization. The LLM serves as the core for task planning and coordination, while specialized agents handle generative design, rapid performance prediction, multi-objective optimization, and physics-based validation. The framework transforms traditional trial-and-error design into a data-driven collaborative workflow, with high-fidelity simulations retained for final verification.A transonic single-rotor compressor is used for validation. The results show strong agreement between target performance, generated designs, and CFD simulations. The coefficients of determination (R2) for mass flow rate, total pressure ratio, and isentropic efficiency all exceed 0.91, with normalized RMSE values below 8%. The optimization agent further improves isentropic efficiency by 1.61% and total pressure ratio by 3.02%. The complete workflow can be executed within approximately 30 minutes under parallel computing. These results demonstrate that TurboAgent enables an autonomous closed-loop design process from natural language requirements to final design generation, providing an efficient and scalable paradigm for turbomachinery aerodynamic design