CN111914461A - 一种涡轮导叶片一维冷效的智能评估方法 - Google Patents

一种涡轮导叶片一维冷效的智能评估方法 Download PDF

Info

Publication number
CN111914461A
CN111914461A CN202010934863.1A CN202010934863A CN111914461A CN 111914461 A CN111914461 A CN 111914461A CN 202010934863 A CN202010934863 A CN 202010934863A CN 111914461 A CN111914461 A CN 111914461A
Authority
CN
China
Prior art keywords
neural network
turbine guide
guide vane
average temperature
geometric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010934863.1A
Other languages
English (en)
Inventor
陶智
姚广宇
朱剑琴
邱璐
解广源
王燕嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010934863.1A priority Critical patent/CN111914461A/zh
Publication of CN111914461A publication Critical patent/CN111914461A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Control Of Turbines (AREA)

Abstract

一种涡轮导叶片一维冷效的智能评估方法，涉及航空发动机领域，解决双层壁涡轮导叶片外表面上的热分析问题，本发明使用神经网络建立几何参数与一维冷效预测参数的联系，使用大量数据训练神经网络，使用神经网络对叶片外表面冷却效果进行预测，首先依据设计经验提取出了凝练的冷却结构几何参数。将其作为神经网络的输入参数，与结构计算出的温度场信息相对应。在确定输入神经网络的几何参数后，对参数的取值进行选择，并建立各个取值方案所对应的叶片几何模型。对几何模型进行ANSYS数值模拟，得到各个模型对应的温度场。提取若干条线平均温度，将其作为神经网络的输出。本发明使用训练好的神经网络对新的几何参数进行一维冷效预测仅需几秒钟。

Description

一种涡轮导叶片一维冷效的智能评估方法
技术领域
本发明涉及航空发动机领域，具体涉及一种涡轮导叶片一维冷效的智能评估方法。
背景技术
在航空发动机设计过程中，提高涡轮进口燃气温度是改善航空发动机性能的重要途径。相同发动机尺寸下，涡轮进口燃气温度每提高55℃，推力就能提高10％左右。目前，世界先进军用航空发动机涡轮进口燃气温度可以达到1970K，这样的温度是叶片材料无法承受的。且涡轮进口燃气温度的增长速度远远高于材料耐温程度的增长速度。因此，我们需要设计先进的冷却结构，来适应不断提高的涡轮前温度。
目前的涡轮叶片冷却结构设计体系严重依赖反复的三维建模计算评估，繁琐费时。因而如何简化仿真计算过程、缩短冷效评估耗费的时间，将是新一代设计方法亟需解决的问题。同时，近年来人工智能(AI)技术发展迅猛，在航空发动机领域的应用也逐渐深入，因此本发明将通过结合AI技术来评估双层壁导叶复杂冷却结构，以提高设计效率。
在可用于神经网络训练的基础数据集基础上，通过使用TensorFlow平台搭建适应的人工神经网络模型，将不同冷却结构的几何结构参数作为神经网络的输入参数，数值模拟得到的温度数据作为输出参数，用数据集中的样本对其进行训练和测试，完成了几何参数直接到温度数据的快速智能评估。
发明内容
本发明为解决双层壁涡轮导叶片外表面上的热分析问题，提供一种涡轮导叶片一维冷效的智能评估方法。
一种涡轮导叶片一维冷效的智能评估方法，该方法由以下步骤实现：
步骤一、提取作为神经网络输入的涡轮导叶片冷却结构的各几何参数；
步骤二、选择步骤一所述的各几何参数的取值范围，建立各个取值范围所对应的叶片几何模型；
步骤三、将步骤二所述的对应的叶片几何模型进行ANSYS数值模拟，获得各个模型对应的温度场，并提取各个模型中每条线的线平均温度数据，将所述各个模型中每条线的线平均温度数据作为神经网络的输出；
步骤四、选择训练集和测试集对神经网络进行训练和测试，所述测试集用于评估神经网络输出的线平均温度；
所述训练集和测试集均为步骤一所述的神经网络输入的各几何参数和步骤三中神经网络输出的线平均温度数据。
本发明的有益效果：
(1)本发明利用已获取的数据进行神经网络训练和测试，程序运行100次的平均误差约0.7％，平均决定系数R2约0.98，取得了非常优秀的预测效果。
(2)本发明使用神经网络预测一维冷效的效率非常高，使用现有数据训练神经网络仅需几分钟，使用训练好的神经网络对新的几何参数进行一维冷效预测仅需几秒钟。
附图说明
图1为本发明所述的一种涡轮导叶一维冷效的智能评估方法的流程图；
图2为使用journal脚本语言读取的几组数据示例效果图；
图3为使用测试集连续预测100次神经网络的预测误差的效果图；
图4为对神经网络的线平均温度预测，运行100次的变化曲线效果图；
图5为预测结果与ANSYS(有限元分析)仿真结果的对比效果图。
具体实施方式
结合图1至图5说明本实施方式，一种涡轮导叶片一维冷效的智能评估方法，所谓的一维冷效，指特定工况下叶片外表面取若干条线，每条线的线平均温度。本实施方式使用神经网络建立几何参数与一维冷效预测参数的联系，使用大量数据训练神经网络，然后使用神经网络代替传统的热分析流程。
使用神经网络对叶片外表面冷却效果进行预测，就必须对涡轮导叶的冷却结构进行参数化的描述。本发明首先依据设计经验提取出了凝练的冷却结构几何参数。将其作为神经网络的输入参数，与结构计算出的温度场信息相对应。
在确定了输入神经网络的几何参数后，对这些参数的取值进行选择，并由此建立各个取值方案所对应的叶片几何模型。对这些几何模型进行ANSYS数值模拟，得到各个模型对应的温度场。使用Journal脚本提取若干条线平均温度，将其作为神经网络的输出。
由此建立了基础仿真数据集，将数据输入神经网络模型进行训练。由此得到的神经网络便可以代替ANSYS等有限元分析软件，针对新的几何参数预测外表面的线平均温度数据。
本实施方式的具体实现步骤为：
1、提取冷却结构的几何参数及其取值方案，如表1所示：
表1
Figure BDA0002671563620000031
根据表1可知：共需计算34＝81个几何模型，表1中0.9±0.1为对前缘超温区域进行加密，共加密3排结构，对应每排气膜孔个数为32。3排气膜孔直径分别为1mm、0.9mm、0.8mm，对应的弦向倾角分别为0°、45°、60°。
所述前缘气膜孔靠近叶背的4排直径固定为0.4mm，其余气膜孔直径固定为0.8mm。靠近叶背的5排气膜孔倾角指前缘1号腔靠近叶背的4排气膜孔、叶背3号腔供气的1排叶背气膜孔。
根据上述取值方案，确定8个几何参数作为变量。这些几何参数均为Fluent结果迭代过程中经常调整的参数，对温度场影响较大。由此建立的三维仿真数据库对于人工神经网络具有更加优异的训练性能，对涡轮导叶设计也有更大的参考意义。
2、温度数据的提取
结合图2说明本实施方式，选取线平均温度作为神经网络模型的预测参数。在一个模型中取11条线，分别读取每条线的线平均温度数据。将这些温度数据保存到csv文件中。
在操作过程中，使用journal脚本语言记录操作流程，并以此为基础编写程序。通过该程序，自动在Fluent内实现创建直线、读取温度等操作。如附图1所示。
通过journal脚本读取的数据同样批量保存到csv文件中，供神经网络预测使用。
3、神经网络及其预测结果
针对各模型的计算结果提取温度数据后，便得到了人工神经网络训练所需的全部输入和输出，如表2所示。
表2
Figure BDA0002671563620000041
使用已有的几何参数和温度数据进行神经网络的训练和测试，按照7:3的比例将其分为训练集和测试集。使用训练集对神经网络进行训练，使用测试集评估神经网络的预测误差。连续预测100次测试集的温度数据，评估其预测效果，如图3所示。图中纵向的线是程序运行100次时，每一次运行得到的测试集各模型每条线的线平均温度相对于仿真结果的平均相对误差；水平的横线100次运行综合的平均相对误差。从图中可以看到，训练好的人工神经网络对于线平均温度有着非常优秀的预测效果。对于本图中的结果，100次预测的平均相对误差为0.715％，且波动范围在千分之五以内。
本实施方式中，对于神经网络的线平均温度预测，分析其对应的决定系数R2。同样运行100次，观察其变化曲线如图4所示。图中纵向的线是运行100次时，每一次运行得到的决定系数；水平的横线是运行100次综合的平均决定系数。从图中可以看到，使用训练好的神经网络预测涡轮导叶外表面的线平均温度可以取得非常高的决定系数R2，运行100次的平均值可以达到0.98以上。说明输入神经网络的几何参数对线平均温度的解释程度是非常高的，由人工神经网络建立的联系十分可靠。
在训练集的变量取值范围内，额外选取一组测试集，参数选取方案如表3。
表3
Figure BDA0002671563620000051
结合图5，图5为根据本实施的预测结果与ANSYS仿真结果的对比图，可以看出，训练好的神经网络对一组新数据预测效果同样出众，多次测试后，发现其对这组新数据预测的平均误差在1％左右。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种涡轮导叶一维冷效的智能评估方法，其特征是：该方法由以下步骤实现：
步骤一、提取作为神经网络输入的涡轮导叶片冷却结构的各几何参数；
步骤二、选择步骤一所述的各几何参数的取值范围，建立各个取值范围所对应的叶片几何模型；
步骤三、将步骤二所述的对应的叶片几何模型进行ANSYS数值模拟，获得各个模型对应的温度场，并提取各个模型中每条线的线平均温度数据，将所述各个模型中每条线的线平均温度数据作为神经网络的输出；
步骤四、选择训练集和测试集对神经网络进行训练和测试，所述测试集用于评估神经网络输出的线平均温度；
所述训练集和测试集均为步骤一所述的神经网络输入的各几何参数和步骤三中神经网络输出的线平均温度数据。
2.根据权利要求1所述的一种涡轮导叶片一维冷效的智能评估方法，其特征在于：步骤一中的涡轮导叶片冷却结构扰流柱、气膜孔和冲击孔。
3.根据权利要求1所述的一种涡轮导叶片一维冷效的智能评估方法，其特征在于：将训练集和测试集按照7:3的比例划分，使用训练集对神经网络进行训练，使用测试集评估神经网络的温度预测。
CN202010934863.1A 2020-09-08 2020-09-08 一种涡轮导叶片一维冷效的智能评估方法 Pending CN111914461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934863.1A CN111914461A (zh) 2020-09-08 2020-09-08 一种涡轮导叶片一维冷效的智能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934863.1A CN111914461A (zh) 2020-09-08 2020-09-08 一种涡轮导叶片一维冷效的智能评估方法

Publications (1)

Publication Number Publication Date
CN111914461A true CN111914461A (zh) 2020-11-10

Family

ID=73266334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934863.1A Pending CN111914461A (zh) 2020-09-08 2020-09-08 一种涡轮导叶片一维冷效的智能评估方法

Country Status (1)

Country Link
CN (1) CN111914461A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357876A (zh) * 2021-12-27 2022-04-15 北京航空航天大学 一种层板结构外壁温度的计算方法
CN115570105A (zh) * 2022-11-21 2023-01-06 中国航发四川燃气涡轮研究院 一种双层壁涡轮叶片的制造方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105159235A (zh) * 2015-01-08 2015-12-16 北方工业大学 回转窑煅烧过程综合协调控制方法及系统
CN107194118A (zh) * 2017-06-19 2017-09-22 南京航空航天大学 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法
CN109488462A (zh) * 2018-12-28 2019-03-19 中国科学院工程热物理研究所 包含回热器的变几何三轴式燃气轮机控制方法
US20190093946A1 (en) * 2017-09-28 2019-03-28 Air Products And Chemicals, Inc. Multiple pressure mixed refrigerant cooling process
CN110287629A (zh) * 2019-07-01 2019-09-27 国网重庆市电力公司电力科学研究院 确定高压盆式绝缘子结构参数的计算机装置、设备及方法
CN110516394A (zh) * 2019-09-02 2019-11-29 南京航空航天大学 基于深度神经网络的航空发动机稳态模型建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105159235A (zh) * 2015-01-08 2015-12-16 北方工业大学 回转窑煅烧过程综合协调控制方法及系统
CN107194118A (zh) * 2017-06-19 2017-09-22 南京航空航天大学 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法
US20190093946A1 (en) * 2017-09-28 2019-03-28 Air Products And Chemicals, Inc. Multiple pressure mixed refrigerant cooling process
CN109488462A (zh) * 2018-12-28 2019-03-19 中国科学院工程热物理研究所 包含回热器的变几何三轴式燃气轮机控制方法
CN110287629A (zh) * 2019-07-01 2019-09-27 国网重庆市电力公司电力科学研究院 确定高压盆式绝缘子结构参数的计算机装置、设备及方法
CN110516394A (zh) * 2019-09-02 2019-11-29 南京航空航天大学 基于深度神经网络的航空发动机稳态模型建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘婷玉: "一种涡轮导叶一维冷效的智能评估方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357876A (zh) * 2021-12-27 2022-04-15 北京航空航天大学 一种层板结构外壁温度的计算方法
CN114357876B (zh) * 2021-12-27 2024-05-14 北京航空航天大学 一种层板结构外壁温度的计算方法
CN115570105A (zh) * 2022-11-21 2023-01-06 中国航发四川燃气涡轮研究院 一种双层壁涡轮叶片的制造方法

Similar Documents

Publication Publication Date Title
CN111914461A (zh) 一种涡轮导叶片一维冷效的智能评估方法
US7890296B2 (en) Method of analyzing the performance of gas turbine engines
CN110334449A (zh) 一种基于在线代理模型算法的翼型快速设计方法
CN112580228B (zh) 一种涡扇发动机混合结构风扇叶片结构设计优化方法
CN111898212A (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN111478314A (zh) 一种电力系统暂态稳定评估方法
CN112115635A (zh) 一种基于深度学习的注塑工艺优化方法
Yumer et al. Mistuning identification of integrally bladed disks with cascaded optimization and neural networks
CN113962027A (zh) 确定涡轮相似试验条件的方法、装置及存储介质
El Ayoubi et al. Aerothermal shape optimization for a double row of discrete film cooling holes on the suction surface of a turbine vane
CN114154234A (zh) 一种航空发动机建模方法、系统、存储介质
CN110489790B (zh) 基于改进abc-svr的igbt结温预测方法
Reitz et al. Comparison of sensitivities to geometrical properties of front and aft high pressure compressor stages
CN112733381B (zh) 一种基于物理机制的噪声模拟方法
CN114165338B (zh) 发动机冷却气流温度预测方法和装置、控制方法和设备
CN115329620A (zh) 一种船用燃机涡轮高温部件的持久寿命计算评估方法
CN114254460A (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
CN113537804A (zh) 基于雷诺平均湍流模型的叶轮机复杂流动模拟评价方法
Rootliep et al. Evolutionary algorithm for enhanced gas path analysis in turbofan engines
Lamb Probabilistic performance-based geometric tolerancing of compressor blades
Tschirner et al. Aerodynamic optimisation of an aeroengine bypass duct OGV-pylon configuration
CN111914495B (zh) 冷气源项批量生成方法及系统、计算机可读取的存储介质
CN115680780B (zh) 涡轮叶片平面叶栅进口轴向速度控制方法
CN109657285A (zh) 汽轮机转子瞬态应力的检测方法
Han et al. APPLICATION OF SURROGATE MODELS BASED ON CFD DATABASE FOR PERFORMANCE PREDICTION OF TRANSONIC COMPRESSORS

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201110