Аннотация. Точная и быстрая оценка турбулентных течений в рабочих каналах турбин остаётся одной из ключевых задач вычислительной газо- и гидродинамики, особенно в условиях высоких требований к эффективности и надёжности турбомашин. Традиционные подходы, такие как моделирование на основе уравнений Рейнольдса (RANS) или моделирование крупных вихрей (LES), хотя и обеспечивают приемлемую точность, связаны с высокими затратами вычислительных ресурсов и времени. В данной работе предлагается альтернативный подход, основанный на использовании сверточных нейронных сетей (CNN) в качестве суррогатной модели для воспроизведения трёхмерных полей скорости и давления в турбулентных течениях. Разработанная архитектура построена на основе модифицированной версии U-Net и адаптирована для трёхмерных входных данных. Проведённое сравнение с результатами LES показало, что предлагаемая модель способна восстанавливать ключевые характеристики течений, включая вихревую структуру и градиенты давления, с высокой степенью точности. При этом достигается значительное ускорение вычислений — до 10³ раз по сравнению с классическими численными методами. Предложенная нейросетевая модель демонстрирует устойчивость к изменению геометрических параметров и может быть легко перенастроена под другие конфигурации каналов. Полученные результаты подчеркивают потенциал применения глубокого обучения в задачах моделирования турбулентных течений и открывают перспективы для интеграции подобных моделей в инженерные расчёты в реальном времени.

Ключевые слова: моделирование турбулентных потоков, сверточные нейронные сети (CNN), архитектура U-Net, суррогатное моделирование, моделирование крупных вихрей (LES), турбомашины, вычислительная гидродинамика на основе данных (CFD).