CN113221467A - 一种涡轮气热性能不确定性可视化分析方法与系统 - Google Patents

一种涡轮气热性能不确定性可视化分析方法与系统 Download PDF

Info

Publication number
CN113221467A
CN113221467A CN202110599824.5A CN202110599824A CN113221467A CN 113221467 A CN113221467 A CN 113221467A CN 202110599824 A CN202110599824 A CN 202110599824A CN 113221467 A CN113221467 A CN 113221467A
Authority
CN
China
Prior art keywords
class
sample
uncertainty
data
turbine
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.)
Granted
Application number
CN202110599824.5A
Other languages
English (en)
Other versions
CN113221467B (zh
Inventor
李军
黄明
李志刚
张垲垣
姜世杰
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110599824.5A priority Critical patent/CN113221467B/zh
Publication of CN113221467A publication Critical patent/CN113221467A/zh
Application granted granted Critical
Publication of CN113221467B publication Critical patent/CN113221467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/231Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/28Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/08Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08Thermal analysis or thermal optimisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14Force analysis or force optimisation, e.g. static or dynamic forces
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nonlinear Science (AREA)
  • Fluid Mechanics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种涡轮气热性能不确定性可视化分析方法与系统,通过多项式混沌理论进行数学建模,生成待求解的多项式混沌展开式,基于Symolyak稀疏网格技术生成待计算的样本点分布数据,将系统的不确定性特征映射到多项式混沌展开式系数上,获取待求解样本的初场,进行涡轮气热性能数值计算,并将计算结果数据进行希尔排序预处理,再进行聚类分析将所有样本中表征同一空间位置的网格节点聚集为一类,随后求取类中心坐标,计算该类中心坐标上的涡轮气热参数,最后计算获取每一个类核心上涡轮气热参数的均值与偏差,以及每一个类核心上涡轮气热性能对每一个输入变量的敏感度。本发明可进行涡轮叶顶气热性能的不确定性量化,指导涡轮设计人员的研究工作。

Description

一种涡轮气热性能不确定性可视化分析方法与系统
技术领域
本发明属于涡轮叶顶冷却系统设计技术领域,特别涉及一种涡轮气热性能不确定性可视化分析方法与系统。
背景技术
现代燃气轮机入口温度的不断提高要求透平叶片的冷却系统具有更高的可靠性。但是由于制造公差无法避免并且涡轮工作条件极其恶劣,导致涡轮叶顶的几何结构参数和涡轮的运行工况具有随机不确定性分布特征,根据Montomoli F等(Montomoli F,MassiniM,Salvadori S.Geometrical uncertainty in turbomachinery:Tip gap and filletradius[J].Computers&Fluids,2011,46(1):362-368.)的研究,这些几何和运行工况偏差将会显著改变叶顶的流场形态从而影响其气动及传热特性,使得叶顶的真实性能偏离设计值并显著降低涡轮叶片的寿命与可靠性。目前对于涡轮叶顶气热特性的研究大部分处于确定性问题的框架内。国内外关于涡轮叶片气热性能的不确定性的研究还处于起步阶段,对于如何使用计算数据还存在许多空白领域。在不确定性框架下的涡轮性能的分析势必与确定性框架下的研究方法不同,因为传统的研究方法无法承载在不确定性量化过程中获得的海量信息。涉及涡轮气热性能不确定性的研究方法的文献鲜有发表,而如何将计算获得的不确定性数据进行可视化处理的方法更是完全无人涉足的领域。因为对涡轮叶片的气热性能进行不确定性可视化分析还存在以下问题:
(1)叶顶的气热特性不确定性研究实质上是对一个具有混沌特征的高维非线性随机系统进行统计分析,使用常用的蒙特卡洛数值模拟法需要大量的样本来获得系统的不确定性量化信息,并且伴随着随机输入量数量的增加其样本数会以指数爆炸的速度增加,因此必须寻求一种高效的不确定性获取方法以减少样本数目。
(2)叶顶的气热特性不确定性研究所获得的数据量过于庞大,以涡轮叶顶的换热量不确定性量化为例,要获得换热量不确定性分布需要对49600000个网格节点分别进行不确定性量化计算,每次不确定性量化计算需要从大概200个样本中挖掘信息。传统的串行逻辑和确定性算法不可能对如此庞大的数据集进行不确定性量化计算。
(3)由于涡轮叶片的不确定性研究中涉及叶片形状的改变,这代表每一个样本中表征同一空间位置的网格节点的坐标完全不同,但是对不同样本进行不确定性量化计算的前提就是要求网格节点的坐标相同。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种涡轮气热性能不确定性可视化分析方法与系统,通过多项式混沌方法的构造大幅度减少获取涡轮叶顶气热性能不确定性所需的样本数目,并且引入希尔排序算法和聚类方法以及空间六面体网格插值技术进行数据挖掘以将不确定性量化方法获得的庞大数据集进行可视化处理,可进行涡轮叶顶气热性能的不确定性量化,对填补国内外在不确定性量化研究方法中的空白有着重要意义。
为了实现上述目的,本发明采用的技术方案是:
一种涡轮气热性能不确定性可视化分析方法,包括如下步骤:
步骤1,通过多项式混沌理论进行数学建模,生成待求解的多项式混沌展开式,基于Symolyak稀疏网格技术生成待计算的样本点分布数据,将系统的不确定性特征映射到多项式混沌展开式系数上;
步骤2,接收所述样本点分布数据,使用K最近邻分类算法自动搜索已求解样本空间内与待求解样本物理特征最相近的样本的计算结果,作为待求解样本的初场;
步骤3,接收待求解样本与初场文件,将不确定性量化的数值计算逻辑与结果处理逻辑分割,达到多机异地异步分布式计算的目的,进行涡轮气热性能数值计算;
步骤4,将步骤3的计算结果数据进行希尔排序预处理,使数据规律分布;
步骤5,对规律分布的数据进行聚类分析,将所有样本中表征同一空间位置的网格节点聚集为一类;
步骤6,以同一类中各个数据互相之间的欧式距离为度量,基于遗传算法求取类中心坐标,此类中心坐标即最能代表该类数据对应的空间位置的网格节点的坐标;
步骤7,基于空间六面体网格插值方法计算该类中心坐标上的涡轮气热参数;
步骤8,使用Galerkin投影法求解所述多项式混沌展开式系数并获得每一个类核心上涡轮气热参数的均值与偏差;并根据Sobol Indice方法获得每一个类核心上涡轮气热性能对每一个输入变量的敏感度。
优选地,步骤3之后,在数值计算的过程中使用Python的Threadxl方法下的函数实时访问多机异地异步分布式计算模块计算过程的线程池,实现随时监控计算进度功能。
相应地,本发明提供了一种涡轮气热性能不确定性可视化分析系统,包括:
多项式混沌展开式模型及样本点分布生成模块,执行步骤1;
样本点初场分配模块,执行步骤2;
多机异步分布式计算模块,执行步骤3;
希尔排序模块,执行步骤4;
层次聚类模块,执行步骤5;
类核心坐标求解模块,执行步骤6;
空间六面体网格插值模块,执行步骤7;
多项式混沌展开式系数的求解模块,执行步骤8的均值与偏差获取环节;
敏感度分析模块,执行步骤8的敏感度获取环节。
与现有技术相比,本发明的有益效果是:
(1)多项式混沌展开式模型及样本点分布生成模块引入多项式混沌展开式作为描述系统不确定性的数学工具,相较于传统的蒙特卡洛方法计算效率大幅度提升,并且计算精度也进一步增加。
(2)通过样本点初场分配模块能够将单个样本的计算时间缩减为原来的三分之一并且通过初场的合理设置使得计算更加容易收敛。
(3)相较于传统研究方法的串行计算逻辑,本发明能够进行多机异地异步分布式计算,极大地提高了计算机算力的使用效率。并且能够在多台计算机上并行计算,有利于关键计算数据的保护。
(4)通过希尔排序模块对获得的海量数据进行预处理,极大地减小了后续不确定性量化计算所需要的时间。
(5)基于层次聚类模块、类核心坐标求解模块和空间六面体网格插值模块获得的偏差分布或者敏感度分布等不确定性可视化方案是目前国内外的不确定性量化研究均未出现的。此部分模块拓宽了涡轮设计人员在不确定性框架下的研究方法。
(6)通过敏感度分析模块能够基于全局方差的角度计算出对涡轮气热性能不确定性影响最大的因素,为工程设计提供重要指导。
附图说明
图1为本发明系统示意图。
图2为实施例中使用Symolyak稀疏网格技术获得的样本点分布,图中D表示凹槽深度,P表示主流入口总压,A表示入口气流角。
图3为实施例中获得的换热量的不确定性偏差分布,图中Q表示换热量。
图4为实施例中获得的换热量对凹槽深度的敏感度分布,图中Sen表示敏感度。
图5为实施例中获得的换热量对主流入口总压的敏感度分布,图中Sen表示敏感度。
图6为实施例中获得的换热量对入口气流角的敏感度分布,图中Sen表示敏感度。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
例:对GE_E3叶形进行气热特性的不确定性可视化分析,GE_E3叶形的几何参数见表1。
表1 GE_E3叶形的几何参数
几何参数名称 数值
中弧线起点坐标 (40.00,13.57,-33.74)
中弧线终点坐标 (124.80,-60.60,-33.74)
叶高/mm 122.0
参考图1,本实施例涡轮气热性能不确定性可视化分析系统基于数据挖掘算法和多项式混沌方法,具体包括:
1.多项式混沌展开式模型及样本点分布生成模块,输入需要研究的随机变量以生成样本点分布。本实施例选取凹槽深度,主流进口总压和入口气流角作为待研究的随机变量。基于Symolyak稀疏网格技术对样本点空间获得样本点分布如图2所示。Symolyak稀疏网格技术的基本思想是通过一维求积公式的张量积组合来构建多维求积公式。用公式(1)表示n维k阶稀疏网格精度的数值积分节点,在此实施例中n=3,k=2:
Figure BDA0003092355000000051
式中,
Figure BDA0003092355000000052
表示n维k阶稀疏网格精度的数值积分节点,q为常数,q=k+n,|i|=i1+i2+i3+…+ij+…+in,ij表示第j项展开式一维数值积分节点的序数,j=1,2,……,n,
Figure BDA0003092355000000053
表示序数为ij的一维数值积分的节点;
积分节点对应的权重w表示如下:
Figure BDA0003092355000000054
式中
Figure BDA0003092355000000061
表示序数为ij的稀疏网格数值积分节点权重的分量,
Figure BDA0003092355000000062
表示由各个分量组成的向量;
则高维积分式∫Ωjρ(ξ)dξ可以表示为:
Figure BDA0003092355000000063
式中y为系统输出,Φj为连续形式第j项的积分节点,ρ(ξ)为连续形式的积分权重,Ns表示稀疏网格数值积分节点数,yl为y的离散形式,Φjl)为Φj的离散形式;
由此,可建立多项式混沌展开式所需要的样本点分布数据。
对系统输出y,利用多项式混沌方法将其展开为:
Figure BDA0003092355000000064
式中a0
Figure BDA0003092355000000065
分别表示多项式各阶正交基I0
Figure BDA0003092355000000066
Figure BDA0003092355000000067
所对应的确定性系数,即需要求解的量,
Figure BDA0003092355000000068
为各阶投影,θ为随机变量;在实际运算中根据随机变量的有限数量以及多项展开式的有限阶数将系统输出y的表达式截断为:
Figure BDA0003092355000000069
式中P为阶数,在本实施例中P设置为3。aj为第j项正交基的系数,即
Figure BDA00030923550000000610
的离散形式,Ψj(ξ)为离散情况下的第j项正交基。
2.样本点初场分配模块,接收产生的样本点分布数据,并在每一个样本计算之前为其添加一个初场,该初场是在样本空间内以K最近邻分类算法搜索到的与待求解样本几何参数和边界条件最相近的初场数据。K最近邻的实施步骤如下,本实施例设置K=4:
1)计算待求解与已求解样本之间在样本点空间中的距离,该距离为欧式距离,计算方法如下:
Figure BDA0003092355000000071
式中A1和A2为待求解与已求解样本第一个输入量的值,在本实施例中为凹槽深度,B1和B2为待求解与已求解样本第二个输入量的值,在本实施例中为主流入口总压,C1和C2为待求解与已求解样本第三个输入量的值,在本实施例中为入口气流角;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个已求解样本;
4)确定前K个已求解样本初场的出现频率;
5)返回前K个已求解样本中出现频率最高的初场数据作为待求解样本的初场。
3.多机异地异步分布式计算模块,接收所述样本点初场分配模块的待计算样本与初场文件,根据本系统所设计的流程,计算逻辑是先计算所有需要用到的样本,然后再将样本导入后续的希尔排序模块,因此可以一次性在多个计算机上调用多个内核并行计算不同样本,样本的计算任务具体可调用商业软件CFX完成。计算的目的是获得样本中每一个网格节点上的气热参数数值,本实施例以换热量为需要研究的气热参数。而传统设计逻辑中必须等一个样本计算完成并导入多项式混沌展开式求解模块后才能进行下一个样本的计算,属于串行计算逻辑。
4.计算进度实时反馈模块,在数值计算的过程中使用Python的Threadxl方法下的函数实时访问多机异地异步分布式计算模块计算过程的线程池,实现随时监控计算进度功能。
5.希尔排序模块,接受多机异地异步分布式计算模块的计算结果并将每一个样本的计算结果的网格节点坐标进行排序。希尔排序的实施步骤如下,本实施例设置第一次的Increment=10000:
1)以Increment作为间隔将全部网格节点坐标分为Increment子集,所有距离为Increment的元素放在同一个子集中;
2)在每一个子集中按照坐标大小进行排序;
3)缩小Increment的大小,缩小规则为上一次的Increment除以三取整加一,例如在本实施例中,第二次的Increment为3334;
4)重复步骤1)~3);
5)当Increment等于1时停止排序,此时数据集已经基本有序。
6.层次聚类模块,接收所述希尔排序模块的计算结果并进行聚类分析,将所有样本中表征同一空间位置的网格节点聚集为一类。层次聚类的实施步骤如下,设置聚类数为网格顶点数目,因此在本实施例中聚类数为49600000:
1)以每一个样本的每一个网格节点单独作为一个类;
2)以不同网格节点的欧式距离为度量,将距离最近的两个网格节点合并为一个大类,网格节点欧式距离的计算方法如下:
Figure BDA0003092355000000081
式中X1和X2,Y1和Y2,Z1和Z2为待求解与已求解样本的三维坐标;
3)以两个大类中各自数据点的两两距离的平均值作为度量,将距离最近的两个大类合并为新的一个大类;
4)重复步骤3);
5)当大类的数目为49600000时停止,此时每一个大类中包含所有样本中表征同一个空间位置的网格节点坐标。
7.类核心坐标求解模块,接受所述层次聚类模块的计算结果,以欧式距离为度量,基于遗传算法求取到同一类各个数据距离最小的空间坐标,此类中心坐标即最能代表该类数据对应的空间位置的网格节点的坐标。遗传算法的实施步骤如下,在本实施例中个体数为10,最高进化代数为500,交叉概率为70%,变异概率为10%,采用实数编码:
1)初始化:随机生成一个包含10个个体的初始种群,初始进化代数设置为0;
2)适应度评估:计算每一个个体到大类中每一个数据的距离并求和,把距离和作为适应度;
3)选择运算:选择适应度前80%的个体进入交叉运算中,淘汰最后20%的个体;
4)交叉运算:以70%的概率把选择运算获得的个体的编码随机交换;
5)变异运算:以10%的概率随机将交叉运算获得的个体的编码替换为一个随机数;
6)随机生成2个个体补充入经过变异运算的种群;
7)重复步骤2)~6)并将进化代数加一;
8)当相邻两代最优个体的欧式距离小于0.0001或者进化代数等于最高进化代数时终止计算,此时最新一代的适应度最高的个体即最能代表该类数据对应的空间位置的网格节点的坐标;
8.空间六面体网格插值模块,接收所述类核心坐标求解模块的计算结果,基于空间六面体网格插值方法计算该类中心坐标上的换热量。空间六面体网格插值方法的实施步骤如下:
1)计算类中每一个数据点到类核心的距离;
2)计算每一个数据点到类核心的距离的总和,记为总距离
3)计算每一个数据到类核心的距离的倒数为权重乘以该数据点上的换热量,得到该数据点对类核心的加权换热量贡献;
4)类中所有数据点的加权换热量贡献的总和除以总距离即为六面体网格插值方法获得的类核心的换热量;
9.多项式混沌展开式系数的求解模块,接收所述空间六面体网格插值模块的计算结果,使用Galerkin投影法求解所述多项式混沌展开式系数并获得每一个类核心上涡轮换热量的均值与偏差。将每一个类核心上涡轮换热量的均值与偏差以及其坐标导入商业软件Tecplot即可绘制涡轮换热量不确定性均值和偏差分布。Galerkin投影法利用多项式的正交性将函数投影到每个基函数项上来计算相应的系数:
Figure BDA0003092355000000101
式中,Ψj(ξ)表示第j项正交基,
Figure BDA0003092355000000102
为多项式内积,J(ξ)为不确定性输入变量的联合概率密度函数,求解多项式混沌展开式的系数之后,根据多项式混沌的正交性快速求出系统输出y的统计特性,其中均值μy与方差σy 2的计算如式(9),(10)所示。
μy=a0(9)
Figure BDA0003092355000000103
10.敏感度分析模块,接收所述空间六面体网格插值模块的计算结果,根据SobolIndice方法获得每一个类核心上涡轮气热性能对每一个输入变量的敏感度。将每一个类核心上涡轮换热量对凹槽深度,主流入口总压和进口气流角的敏感度以及其坐标导入商业软件Tecplot即可绘制涡轮换热量不确定性对凹槽深度,主流入口总压和进口气流角的敏感度分布。当Sobol Indice方法应用于混沌多项式展开式Sobol系数Sk采用式(11)计算:
Figure BDA0003092355000000104
式中,Ψj(ξ)表示第j项正交基,ak为第k阶正交基的系数,Ik为Sk所对应的阶数。
图3为实施例中获得的换热量的不确定性偏差分布,图中Q表示换热量偏差。从图中设计人员可以很直观的看出当凹槽深度,主流入口总压和入口气流角存在不确定性时,涡轮换热量的在什么区域产生的偏差最大,传统的研究方法对于这部分信息简化为一条二维曲线,只能获得不确定性大概的分布范围。而本发明获得的图3将涡轮气热参数的不确定性以三维分布的形式可视化地展现,极大地拓展了设计人员对涡轮气热参数不确定性的理解。
图4,5,6分别为实施例中获得的换热量对凹槽深度,主流入口总压和入口气流角的敏感度分布,图中Sen表示敏感度。从图中可以发现凹槽深度对涡轮前部区域换热量的不确定性影响最大,而主流入口总压对涡轮换热量不确定性几乎不存在影响,入口气流角对涡轮换热量不确定性的影响最大,且其影响主要集中在涡轮中间以及尾部区域。因此在实际的涡轮加工制造以及运行过程中,凹槽深度以及入口气流角是必须要保证精度的参数,而主流入口总压的控制可以允许存在一定的偏差。考虑到入口气流角对涡轮换热量不确定性的极端重要性,采取一些主动控制系统介入运行过程中入口气流角波动过程是必要的。更进一步,得益于本发明给出的详尽的敏感度分布,可以发现凹槽深度以及入口气流角对涡轮换热量不确定性的影响主要是通过对压力侧角涡以及泄漏涡的控制体现的。因此在涡轮的设计中可以采取一些特殊的气动结构抑制压力侧角涡以及泄漏涡的形成来减弱凹槽深度以及入口气流角造成的不确定性。从图4,5,6的应用中可以发现本发明对指导涡轮设计人员的研究工作存在重要意义。

Claims (10)

1.一种涡轮气热性能不确定性可视化分析方法,其特征在于,包括如下步骤:
步骤1,通过多项式混沌理论进行数学建模,生成待求解的多项式混沌展开式,基于Symolyak稀疏网格技术生成待计算的样本点分布数据,将系统的不确定性特征映射到多项式混沌展开式系数上;
步骤2,接收所述样本点分布数据,使用K最近邻分类算法自动搜索已求解样本空间内与待求解样本物理特征最相近的样本的计算结果,作为待求解样本的初场;
步骤3,接收待求解样本与初场文件,将不确定性量化的数值计算逻辑与结果处理逻辑分割,达到多机异地异步分布式计算的目的,进行涡轮气热性能数值计算;
步骤4,将步骤3的计算结果数据进行希尔排序预处理,使数据规律分布;
步骤5,对规律分布的数据进行聚类分析,将所有样本中表征同一空间位置的网格节点聚集为一类;
步骤6,以同一类中各个数据互相之间的欧式距离为度量,基于遗传算法求取类中心坐标,此类中心坐标即最能代表该类数据对应的空间位置的网格节点的坐标;
步骤7,基于空间六面体网格插值方法计算该类中心坐标上的涡轮气热参数;
步骤8,使用Galerkin投影法求解所述多项式混沌展开式系数并获得每一个类核心上涡轮气热参数的均值与偏差;并根据Sobol Indice方法获得每一个类核心上涡轮气热性能对每一个输入变量的敏感度。
2.根据权利要求1所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤1中,用如下公式表示n维k阶稀疏网格精度的数值积分节点:
Figure FDA0003092354990000021
式中,
Figure FDA0003092354990000022
表示n维k阶稀疏网格精度的数值积分节点,q为常数,q=k+n,|i|=i1+i2+i3+…+ij+…+in,ij表示第j项展开式一维数值积分节点的序数,j=1,2,3,…,n,
Figure FDA0003092354990000023
表示序数为ij的一维数值积分的节点;
积分节点对应的权重w表示如下:
Figure FDA0003092354990000024
式中
Figure FDA0003092354990000025
表示序数为ij的稀疏网格数值积分节点权重的分量,
Figure FDA0003092354990000026
表示由各个分量组成的向量;
高维积分式∫Ωjρ(ξ)dξ表示为:
Figure FDA0003092354990000027
式中y为系统输出,Φj为连续形式第j项的积分节点,ρ(ξ)为连续形式的积分权重,Ns表示稀疏网格数值积分节点数,yl为y的离散形式,Φjl)为Φj的离散形式;
由此,建立多项式混沌展开式所需要的样本点分布数据;
对系统输出y,利用多项式混沌方法将其展开为:
Figure FDA0003092354990000028
式中a0
Figure FDA0003092354990000029
分别表示多项式各阶正交基I0
Figure FDA00030923549900000210
Figure FDA00030923549900000211
所对应的确定性系数,即需要求解的量,
Figure FDA00030923549900000212
为各阶投影,θ为随机变量;在实际运算中根据随机变量的有限数量以及多项展开式的有限阶数将系统输出y的表达式截断为:
Figure FDA0003092354990000031
式中P为多项展开式的阶数,aj为第j项正交基的系数,Ψj(ξ)为离散情况下的第j项正交基。
3.根据权利要求2所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤2中,在每一个样本计算之前为其添加一个初场,所述物理特征为几何参数和边界条件,K最近邻分类算法的计算过程如下:
1)计算待求解与已求解样本在样本点空间中的距离,该距离为欧式距离;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个已求解样本;
4)确定前K个已求解样本初场的出现频率;
5)返回前K个已求解样本中出现频率最高的初场数据作为待求解样本的初场。
4.根据权利要求2所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤3中,先计算所有需要用到的样本,然后再将样本导入希尔排序步骤,从而实现一次性在多个计算机上调用多个内核并行计算不同样本,样本的计算任务调用商业软件CFX完成,计算的目的是获得样本中每一个网格节点上的气热参数数值。
5.根据权利要求2所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤4中,希尔排序预处理过程如下:
1)以Increment作为间隔将所有样本的计算结果的网格节点坐标分为Increment子集,所有距离为Increment的元素放在同一个子集中;
2)在每一个子集中按照坐标大小进行排序;
3)缩小Increment的大小,缩小规则为上一次的Increment除以三取整加一;
4)重复1)~3);
5)当Increment等于1时停止排序,此时数据集已经基本有序。
6.根据权利要求2所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤5中,设置聚类数为网格顶点数目,层次聚类的过程如下:
1)以每一个样本的每一个网格节点单独作为一个类;
2)以不同网格节点的欧式距离为度量,将距离最近的两个网格节点合并为一个大类;
3)以两个大类中各自数据点的两两距离的平均值作为度量,将距离最近的两个大类合并为新的一个大类;
4)重复3);
5)当大类的数目为设定值时停止,此时每一个大类中包含所有样本中表征同一个空间位置的网格节点坐标;
所述步骤6中,遗传算法采用实数编码,过程如下:
1)初始化:随机生成一个包含若干个体的初始种群,初始进化代数设置为0;
2)适应度评估:计算每一个个体到大类中每一个数据的距离并求和,将距离和作为适应度;
3)选择运算:选择适应度前80%的个体进入交叉运算中,淘汰最后20%的个体;
4)交叉运算:以设定的交叉概率将选择运算获得的个体的编码随机交换;
5)变异运算:以设定的变异概率随机将交叉运算获得的个体的编码替换为一个随机数;
6)随机生成2个个体补充入经过变异运算的种群;
7)重复步骤2)~6)并将进化代数加一;
8)当相邻两代最优个体的欧式距离小于0.0001或者进化代数等于最高进化代数时终止计算,此时最新一代的适应度最高的个体即最能代表该类数据对应的空间位置的网格节点的坐标;
所述步骤7中,涡轮气热参数为换热量,空间六面体网格插值方法的步骤如下:
1)计算类中每一个数据点到类核心的距离;
2)计算每一个数据点到类核心的距离的总和,记为总距离;
3)计算每一个数据到类核心的距离的倒数为权重乘以该数据点上的换热量,得到该数据点对类核心的加权换热量贡献;
4)类中所有数据点的加权换热量贡献的总和除以总距离即为六面体网格插值方法获得的类核心的换热量。
7.根据权利要求2~6任一权利要求所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤8中,Galerkin投影法利用多项式的正交性将函数投影到每个基函数项上来计算相应的系数:
Figure FDA0003092354990000051
式中,Ψj(ξ)表示第j项正交基,
Figure FDA0003092354990000052
为多项式内积,J(ξ)为不确定性输入变量的联合概率密度函数,求解多项式混沌展开式的系数之后,根据多项式混沌的正交性快速求出系统输出y的统计特性,其中均值μy=a0,方差
Figure FDA0003092354990000053
将每一个类核心上涡轮换热量的均值与偏差以及其坐标导入商业软件Tecplot即可绘制涡轮换热量不确定性均值和偏差分布。
8.根据权利要求2~6任一权利要求所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤8中,将每一个类核心上涡轮换热量对每一个输入变量的敏感度以及其坐标导入商业软件Tecplot即可绘制涡轮换热量不确定性对每一个输入变量的敏感度分布,当Sobol Indice方法应用于混沌多项式展开式Sobol系数Sk采用下式计算:
Figure FDA0003092354990000061
式中,Ψj(ξ)表示第j项正交基,ak为第k阶正交基的系数,Ik为Sk所对应的阶数。
9.根据权利要求1所述涡轮气热性能不确定性可视化分析方法,其特征在于,所述步骤3在数值计算的过程中使用Python的Threadxl方法下的函数实时访问多机异地异步分布式计算模块计算过程的线程池,实现随时监控计算进度功能。
10.一种涡轮气热性能不确定性可视化分析系统,其特征在于,包括:
多项式混沌展开式模型及样本点分布生成模块,通过多项式混沌理论进行数学建模,生成待求解的多项式混沌展开式,基于Symolyak稀疏网格技术生成待计算的样本点分布数据,将系统的不确定性特征映射到多项式混沌展开式系数上;
样本点初场分配模块,接收所述样本点分布数据,使用K最近邻分类算法自动搜索已求解样本空间内与待求解样本物理特征最相近的样本的计算结果,作为待求解样本的初场;
多机异步分布式计算模块,接收待求解样本与初场文件,将不确定性量化的数值计算逻辑与结果处理逻辑分割,达到多机异地异步分布式计算的目的,进行涡轮气热性能数值计算;
希尔排序模块,将所述多机异步分布式计算模块的计算结果数据进行希尔排序预处理,使数据规律分布;
层次聚类模块,对规律分布的数据进行聚类分析,将所有样本中表征同一空间位置的网格节点聚集为一类;
类核心坐标求解模块,以同一类中各个数据互相之间的欧式距离为度量,基于遗传算法求取类中心坐标,此类中心坐标即最能代表该类数据对应的空间位置的网格节点的坐标;
空间六面体网格插值模块,基于空间六面体网格插值方法计算该类中心坐标上的涡轮气热参数;
多项式混沌展开式系数的求解模块,使用Galerkin投影法求解所述多项式混沌展开式系数并获得每一个类核心上涡轮气热参数的均值与偏差;
敏感度分析模块,根据Sobol Indice方法获得每一个类核心上涡轮气热性能对每一个输入变量的敏感度。
CN202110599824.5A 2021-05-31 2021-05-31 一种涡轮气热性能不确定性可视化分析方法与系统 Active CN113221467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110599824.5A CN113221467B (zh) 2021-05-31 2021-05-31 一种涡轮气热性能不确定性可视化分析方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110599824.5A CN113221467B (zh) 2021-05-31 2021-05-31 一种涡轮气热性能不确定性可视化分析方法与系统

Publications (2)

Publication Number Publication Date
CN113221467A true CN113221467A (zh) 2021-08-06
CN113221467B CN113221467B (zh) 2022-10-25

Family

ID=77081717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110599824.5A Active CN113221467B (zh) 2021-05-31 2021-05-31 一种涡轮气热性能不确定性可视化分析方法与系统

Country Status (1)

Country Link
CN (1) CN113221467B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266124A (zh) * 2021-12-29 2022-04-01 西安交通大学 一种涡轮热力场云图的构建方法
CN117521528A (zh) * 2024-01-03 2024-02-06 中国核动力研究设计院 一种涡轮设备仿真模型进化方法、装置、介质及计算设备
CN117574303A (zh) * 2024-01-16 2024-02-20 深圳市九象数字科技有限公司 施工状况的监测预警方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209982A1 (en) * 2004-01-26 2005-09-22 Yaochu Jin Reduction of fitness evaluations using clustering techniques and neural network ensembles
US20050209767A1 (en) * 2004-03-16 2005-09-22 Honeywell International Inc. Method for fault diagnosis of a turbine engine
US20120215512A1 (en) * 2011-02-17 2012-08-23 Chevron U.S.A. Inc. System And Method For Uncertainty Quantification In Reservoir Simulation
CN102722103A (zh) * 2012-05-18 2012-10-10 镇江雅迅软件有限责任公司 基于模糊分析和可视化技术的多目标参数寻优方法
CN103049664A (zh) * 2012-12-26 2013-04-17 中国航天科工集团第二研究院二O七所 一种基于地点类别划分的温度插值方法
CN112507452A (zh) * 2020-11-30 2021-03-16 南京航空航天大学 航空发动机涡轮叶片可靠性数字孪生建模方法
CN112613720A (zh) * 2020-12-17 2021-04-06 湖北工业大学 考虑多不确定性的水库灌溉优化调度方法
CN112749519A (zh) * 2020-12-17 2021-05-04 北京电子工程总体研究所 基于混沌多项式自适应加点策略不确定性优化方法及系统
CN112765746A (zh) * 2021-01-21 2021-05-07 西安交通大学 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209982A1 (en) * 2004-01-26 2005-09-22 Yaochu Jin Reduction of fitness evaluations using clustering techniques and neural network ensembles
US20050209767A1 (en) * 2004-03-16 2005-09-22 Honeywell International Inc. Method for fault diagnosis of a turbine engine
US20120215512A1 (en) * 2011-02-17 2012-08-23 Chevron U.S.A. Inc. System And Method For Uncertainty Quantification In Reservoir Simulation
CN102722103A (zh) * 2012-05-18 2012-10-10 镇江雅迅软件有限责任公司 基于模糊分析和可视化技术的多目标参数寻优方法
CN103049664A (zh) * 2012-12-26 2013-04-17 中国航天科工集团第二研究院二O七所 一种基于地点类别划分的温度插值方法
CN112507452A (zh) * 2020-11-30 2021-03-16 南京航空航天大学 航空发动机涡轮叶片可靠性数字孪生建模方法
CN112613720A (zh) * 2020-12-17 2021-04-06 湖北工业大学 考虑多不确定性的水库灌溉优化调度方法
CN112749519A (zh) * 2020-12-17 2021-05-04 北京电子工程总体研究所 基于混沌多项式自适应加点策略不确定性优化方法及系统
CN112765746A (zh) * 2021-01-21 2021-05-07 西安交通大学 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHU, PEIYUAN;YAN, YONG;SONG, LIMING;LI, JUN;FENG, ZHENPING: "UNCERTAINTY QUANTIFICATION OF HEAT TRANSFER FOR A HIGHLY LOADED GAS TURBINE BLADE ENDWALL USING POLYNOMIAL CHAOS", 《PROCEEDINGS OF THE ASME TURBO EXPO: TURBINE TECHNICAL CONFERENCE AND EXPOSITION, 2016》 *
刘振军等: "面向工程全局优化的混沌优化算法研究进展", 《计算力学学报》 *
陈江涛等: "基于稀疏多项式混沌方法的不确定性量化分析", 《航空学报》 *
黄明,李军,李志刚,宋立明: "动叶凹槽状叶顶气膜冷却有效度和气动性能不确定性量化研究", 《西安交通大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266124A (zh) * 2021-12-29 2022-04-01 西安交通大学 一种涡轮热力场云图的构建方法
CN114266124B (zh) * 2021-12-29 2024-01-16 西安交通大学 一种涡轮热力场云图的构建方法
CN117521528A (zh) * 2024-01-03 2024-02-06 中国核动力研究设计院 一种涡轮设备仿真模型进化方法、装置、介质及计算设备
CN117521528B (zh) * 2024-01-03 2024-03-15 中国核动力研究设计院 一种涡轮设备仿真模型进化方法、装置、介质及计算设备
CN117574303A (zh) * 2024-01-16 2024-02-20 深圳市九象数字科技有限公司 施工状况的监测预警方法、装置、设备及存储介质
CN117574303B (zh) * 2024-01-16 2024-05-07 深圳市九象数字科技有限公司 施工状况的监测预警方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113221467B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN113221467B (zh) 一种涡轮气热性能不确定性可视化分析方法与系统
Aulich et al. High-dimensional constrained multiobjective optimization of a fan stage
CN104750973B (zh) 基于数据平滑度函数的机组负荷(准)稳态工况聚类算法
CN110263998B (zh) 多源数值天气预报集合双层修正方法
Öksüz et al. Multi-objective aerodynamic optimization of axial turbine blades using a novel multilevel genetic algorithm
CN112417773A (zh) 多级轴流膨胀机的多学科优化设计方法、装置及设备
CN116049977B (zh) 一种航空发动机燃烧室的参数多目标优化方法
CN112765746B (zh) 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统
Tandis et al. Inverse design of airfoils via an intelligent hybrid optimization technique
CN111950135B (zh) 一种基于网络解耦的电-气互联系统概率能流计算方法
Seshadri et al. Supporting multi-point fan design with dimension reduction
CN107276093B (zh) 基于场景削减的电力系统概率潮流计算方法
Cheng et al. Robust aerodynamic optimization and design exploration of a wide-chord transonic fan under geometric and operational uncertainties
Safari et al. A novel combination of adaptive tools for turbomachinery airfoil shape optimization using a real-coded genetic algorithm
CN113221466B (zh) 基于泛克里金模型的涡轮气热性能不确定性量化方法及系统
CN115481510B (zh) 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置
Cheng et al. Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法
CN115577563A (zh) 一种基于采样空间压缩技术的涡轮气热性能不确定性量化方法
Qiao et al. Study on K-means method based on Data-Mining
CN114756980A (zh) 基于Info-GAN的多设计空间耦合气动形状优化方法及系统
Glänzel et al. Parameterization of environmental influences by automated characteristic diagrams for the decoupled fluid and structural-mechanical simulations
Lotfi et al. Aerodynamic optimization of industrial fan blade cascades
CN116136946A (zh) 基于人工神经网络的涡轮叶片不确定性流线生成方法
Safari et al. Optimum NURBS curve fitting for geometry parameterization of gas turbine blades’ sections: Part I—evolutionary optimization techniques

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
GR01 Patent grant
GR01 Patent grant