CN113361048B - 燃气轮机叶片的可靠性预测方法、装置及电子设备 - Google Patents

燃气轮机叶片的可靠性预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113361048B
CN113361048B CN202110916413.4A CN202110916413A CN113361048B CN 113361048 B CN113361048 B CN 113361048B CN 202110916413 A CN202110916413 A CN 202110916413A CN 113361048 B CN113361048 B CN 113361048B
Authority
CN
China
Prior art keywords
gas turbine
sample
blade
predicted
stress
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.)
Active
Application number
CN202110916413.4A
Other languages
English (en)
Other versions
CN113361048A (zh
Inventor
束国刚
谢永慧
熊泓宇
王雨琦
张荻
张丁午
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
China United Heavy Gas Turbine Technology Co Ltd
Original Assignee
Xian Jiaotong University
China United Heavy Gas Turbine Technology Co Ltd
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, China United Heavy Gas Turbine Technology Co Ltd filed Critical Xian Jiaotong University
Priority to CN202110916413.4A priority Critical patent/CN113361048B/zh
Publication of CN113361048A publication Critical patent/CN113361048A/zh
Application granted granted Critical
Publication of CN113361048B publication Critical patent/CN113361048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本公开提供了一种燃气轮机叶片的可靠性预测方法、装置及电子设备，具体实现方案为：获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况；将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测，不再依赖通过有限元方法处理，对不同运行工况进行多次数值模拟计算，从而预测叶片的可靠性，在缩短了预测耗时的同时，提高了燃气轮机叶片的可靠性预测过程中的效率、有效性及可靠性。

Description

燃气轮机叶片的可靠性预测方法、装置及电子设备
技术领域
本公开涉及燃气轮机技术领域，尤其涉及燃气轮机叶片的可靠性预测方法、装置及电子设备。
背景技术
燃气轮机的可靠性一直是设计工程师、制造商和用户所关注的重要指标。随着燃气轮机在工程领域中应用范围的不断扩大，尤其是在航海和航空领域中的应用，使得燃气轮机的可靠性成为重中之重，这一特性是机组持续工作能力的体现。
特别地，透平是燃气轮机的核心部件，而叶片则是透平中最重要的零部件之一。由于燃气轮机运行中经常需要进行工况变化，其流量、功率等都存在较大的变化范围，因此，叶片的可靠性预测逐渐成为了研究的主要方向之一。
相关技术中，往往采用通过有限元方法处理，以对不同运行工况进行多次数值模拟计算，从而预测叶片的可靠性。这样一来，势必导致燃气轮机叶片的可靠性预测过程中存在耗时久、效率低以及可靠性差的技术问题。
由此，如何提高燃气轮机叶片的可靠性预测过程中的效率及可靠性，并缩短预测耗时，已成为了亟待解决的问题。
发明内容
本公开提供了一种燃气轮机叶片的可靠性预测方法、装置及电子设备，实现了在缩短预测耗时的同时，提高燃气轮机叶片的可靠性预测过程中的效率及可靠性。
根据本公开的第一方面，提供了一种燃气轮机叶片的可靠性预测方法，包括：
获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况；
将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；
获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；
根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测。
根据本公开的第二方面，提供了一种燃气轮机叶片的可靠性预测装置，包括：
第一获取模块，用于获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况；
确定模块，用于将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；
第二获取模块，用于获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；
预测模块，用于根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本公开第一方面所述的方法。
本公开实施例提供的技术方案至少包括如下有益效果：
通过获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况，并将待预测叶型和待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到燃气轮机叶片的应力信息，然后获取待预测燃气轮机叶片对应的疲劳寿命曲线，进而根据应力信息和疲劳寿命曲线，对待预测叶型于待预测运行工况下运行的可靠性进行预测，不再依赖有限元方法处理，对不同运行工况进行多次数值模拟计算，在缩短预测耗时的同时，提高燃气轮机叶片的可靠性预测过程中的效率及可靠性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种燃气轮机叶片的可靠性预测方法的流程示意图；
图2为本公开实施例提供的一种燃气轮机叶片的叶型的示意图；
图3为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图4为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图5为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图6为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图7为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图8为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图9为本公开实施例提供的一种燃气轮机叶片的固体域非结构化网格的结构示意图；
图10为本公开实施例提供的另一种燃气轮机叶片的可靠性预测方法的流程示意图；
图11为本公开实施例提供的一种燃气轮机叶片的可靠性预测装置的结构示意图；
图12为本公开实施例提供的一种燃气轮机叶片的可靠性预测装置的结构示意图；
图13为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面采用实施例对本公开的燃气轮机叶片的可靠性预测方法、装置及电子设备进行详细说明。
图1为本公开实施例提供的一种燃气轮机叶片的可靠性预测方法的流程示意图。其中，需要说明的是，本实施例的燃气轮机叶片的可靠性预测方法的执行主体为燃气轮机叶片的可靠性预测装置，燃气轮机叶片的可靠性预测装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图1所示，本实施例提出的燃气轮机叶片的可靠性预测方法，包括以下步骤：
S101、获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况。
其中，待预测燃气轮机叶片，可以为燃气轮机的任一叶片，例如，待预测燃气轮机叶片可以为透平叶片。
其中，待预测叶型，可以为任一叶型。
需要说明的是，本公开中，获取到的待预测叶型，为参数化后的叶型，即为参数化后形成的数据集。可选地，待预测叶型可以通过中弧线和厚度进行定义。
举例而言，如图2所示，待预测叶型可以通过中弧线A和厚度A进行定义。其中，中弧线A可以通过贝塞尔控制点进行定义，控制点数量为i个，记为[x1,x2,…,xi]；厚度A的分布同样采用贝塞尔曲线进行定义，控制点数量同样为i个，记为[xi+1,xi+2,…,x2i]。进一步地，对于i个控制点形成的n阶贝塞尔曲线，曲线方程B(t)表示如下（t取0~1）：
Figure 674934DEST_PATH_IMAGE001
Figure 454671DEST_PATH_IMAGE002
其中，实际应用中，上式中的n可以取2~5的正整数。针对各边界条件，转速变量记为xr，进口总温记为xT，进口总压记为xP，流量记为xm。
其中，待预测运行工况，可以为任一运行工况。
在上式的基础上，形成的m个待预测运行工况可以表示为下式：
[x]m×(2i+4)=[x1,x2,…,x2i,xr,xT,xP,xm]
其中，实际应用中，上式中的采样工况数m不小于500个。
S102、将待预测叶型和待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到燃气轮机叶片的应力信息。
其中，目标燃气轮机应力信息获取模型，为训练好的收敛的模型。
本公开实施例中，在获取到待预测叶型和待预测运行工况后，可以将待预测叶型和待预测运行工况作为输入，输入至目标燃气轮机应力信息获取模型中，以将模型输出作为燃气轮机叶片的应力信息。
其中，应力信息，可以包括位置信息和应力值。
举例而言，针对待预测燃气轮机叶片A，通过有限元处理，可以将叶片A划分为n个点，此种情况下，应力信息可以为包括n个点的位置信息（xk，yk和zk）和应力值（σk）的数据集[Y]m×k={σk，xk，yk，zk}。
S103、获取待预测燃气轮机叶片对应的疲劳寿命曲线。
其中，疲劳寿命曲线，指的是金属承受交变应力和断裂循环周次之间的关系曲线。
需要说明的是，本公开中，对于获取待预测燃气轮机叶片对应的疲劳寿命曲线的具体方式不作限定，可以根据实际情况进行选取。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S103中获取待预测燃气轮机叶片对应的疲劳寿命曲线的具体过程，包括以下步骤：
S301、获取待预测燃气轮机叶片的材料信息。
需要说明的是，不同的叶片材料对应的疲劳寿命曲线是不同的。可选地，可以获取叶片的编号，并根据编号进行查询，以获取叶片对应的材料信息。
S302、根据材料信息，获取对应的疲劳寿命曲线。
可选地，可以预先存储材料信息与疲劳寿命曲线之间的映射关系。在获取到材料信息后，查询映射关系，可以获取对应的疲劳寿命曲线。
S104、根据应力信息和疲劳寿命曲线，对待预测叶型于待预测运行工况下运行的可靠性进行预测。
需要说明的是，各种材料对变应力的抵抗能力，是以在一定循环作用次数N下，不产生破坏的最大应力σN来表示的。也就是说，结合应力信息和疲劳曲线，即可计算出次数N，从而推算出叶片的运行寿命，以实现对待预测叶型于待预测运行工况下运行的可靠性的预测。
根据本公开提供的燃气轮机叶片的可靠性预测方法，可以通过获取待预测叶型以及待预测运行工况，并将待预测叶型和待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到应力信息，然后获取对应的疲劳寿命曲线，进而根据应力信息和疲劳寿命曲线，对待预测叶型于待预测运行工况下运行的可靠性进行预测，不再依赖通过有限元方法处理，对不同运行工况进行多次数值模拟计算，从而预测叶片的可靠性，在缩短了预测耗时的同时，提高了燃气轮机叶片的可靠性预测过程中的效率、有效性及可靠性。
需要说明的是，目标燃气轮机应力信息获取模型是预先训练好的神经网络模型。可选地，可以选择训练好的PointNet神经网络模型作为目标燃气轮机应力信息获取模型。
下面以PointNet神经网络模型为例，针对目标燃气轮机应力信息获取模型的训练过程进行解释说明：
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上具体包括以下步骤：
S401、获取样本燃气轮机叶片的样本叶型以及样本运行工况。
需要说明的是，本公开中，可以获取第一燃气轮机叶片的第一叶型以及第一运行工况，进而通过归一化处理，得到训练集和验证集。
作为一种可能的实现方式，如图5所示，在上述实施例的基础上，上述步骤S401中获取样本燃气轮机叶片的样本叶型以及样本运行工况的具体过程，包括以下步骤：
S501、获取第一燃气轮机叶片的第一叶型以及第一运行工况。
需要说明的是，获取到的第一叶型以及第一运行工况的数量一致。本公开中，对于获取到的第一叶型以及第一运行工况的数量不作限定，可以根据实际情况进行获取。例如，可以获取1000组第一叶型以及第一运行工况。
S502、对第一叶型和第一运行工况进行归一化处理，并按照预设比例将第一叶型划分为样本叶型和验证叶型，以及将第一运行工况划分为样本运行工况和验证运行工况。
其中，预设比例可以根据实际情况进行设定，例如，可以设定训练集和验证集的比例为4:1，此种情况下，若获取1000组第一叶型以及第一运行工况，则1000个第一叶型可以划分为800个样本叶型和200个验证叶型；1000个第一运行工况可以划分为800个样本运行工况和200个验证运行工况。
S402、将样本叶型和样本运行工况输入至燃气轮机应力信息获取模型中，以得到初始样本应力信息。
作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤S402中将样本叶型和样本运行工况输入至燃气轮机应力信息获取模型中，以得到初始样本应力信息的具体过程，包括以下步骤：
S601、将样本叶型和样本运行工况输入至燃气轮机应力信息获取模型中，对样本叶型进行参数化处理，以得到样本采样数据集。
需要说明的是，对样本叶型进行参数化处理，以得到样本采样数据集的过程与获取待预测叶型时的参数化处理过程一致，此处不再赘述。
S602、对样本采样数据集进行数值模拟计算，以样本燃气轮机叶片的应力场信息。
作为一种可能的实现方式，如图7所示，在上述实施例的基础上，上述步骤S602中将样本叶型和样本运行工况输入至燃气轮机应力信息获取模型中，以得到初始样本应力信息的具体过程，包括以下步骤：
S701、对样本采样数据集进行数值模拟计算，以获取温度场信息和表面压力场信息。
作为一种可能的实现方式，如图8所示，在上述实施例的基础上，上述步骤S701中对样本采样数据集进行数值模拟计算，以获取样本燃气轮机叶片的温度场信息和表面压力场信息的具体过程，包括以下步骤：
S801、建立样本燃气轮机叶片的流体域和固体域。
S802、对流体域和固体域进行离散化处理，以得到结构化网格的流体域和非结构化网格的固体域。
举例而言，叶片的非结构化网格的固体域，如图9所示。
S803、根据结构化网格的流体域和非结构化网格的固体域进行流固耦合计算，以获取固体域的温度场信息和固体域的表面压力场信息。
S702、根据温度场信息和表面压力场信息，获取应力场信息。
可选地，可以以温度场信息和表面压力场信息作为边界条件，通过有限元处理进行应力场信息的获取，以获取叶片的固体域的每个节点的应力场信息。
S703、对应力场信息进行后处理，以得到初始样本应力信息。
本公开实施例中，在获取应力场信息后，可以对应力场信息进行后处理，以提取每个节点的应力场数（应力值）和空间坐标（三维空间坐标），从而得到初始样本应力信息。
S403、根据初始样本应力信息，调整燃气轮机应力信息获取模型的损失函数，并返回获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成目标燃气轮机应力信息获取模型。
作为一种可能的实现方式，如图10所示，在上述实施例的基础上，上述步骤S403中根据初始样本应力信息，调整燃气轮机应力信息获取模型的损失函数，并返回获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成目标燃气轮机应力信息获取模型的具体过程，包括以下步骤：
S1001、获取与样本叶型以及样本运行工况均对应的已标注样本应力信息。
举例而言，针对样本叶型A和样本运行工况A，获取对应的已标注样本应力信息A；针对样本叶型A和样本运行工况B，获取对应的已标注样本应力信息B。
S1002、获取初始样本应力信息和已标注样本应力信息之间的差异，并根据差异调整燃气轮机应力信息获取模型的损失函数，以将最后一次损失函数调整后的模型作为待验证燃气轮机应力信息获取模型。
需要说明的是，本公开中，对于损失函数的调整方式不作限定，可以根据实际情况进行设定。
可选地，可以根据初始样本应力信息和已标注样本应力信息之间的差异，确定损失函数中的权重值。其中，损失函数，可以为L1范数损失函数。L1范数损失函数，也被称为最小绝对值偏差（Leastabsolutedeviations，简称LAD）。总体而言，L1范数损失函数是为了将目标值与估计值的绝对差值的总和最小化。
S1003、根据验证叶型和验证运行工况对待验证燃气轮机应力信息获取模型进行验证。
可选地，可以将验证叶型和验证运行工况输入值待验证燃气轮机应力信息获取模型中，并将输出结果与验证叶型和验证运行工况对应的已标注的应力信息进行比较。
S1004、响应于待验证燃气轮机应力信息获取模型满足验证条件，则将满足验证条件的待验证燃气轮机应力信息获取模型作为目标证燃气轮机应力信息获取模型。
其中，验证条件可以根据实际情况进行设定。例如，可以设定验证条件为验证叶型和验证运行工况输入模型后得到的输出结果与已标注的应力信息相似度达到相似度阈值；又例如，可以设定验证条件为验证叶型和验证运行工况输入模型后得到的输出结果与已标注的应力信息差值小于预设差值。
可选地，响应于待验证燃气轮机应力信息获取模型满足验证条件，则将满足验证条件的待验证燃气轮机应力信息获取模型作为目标证燃气轮机应力信息获取模型；响应于待验证燃气轮机应力信息获取模型未满足验证条件，则重新获取第一叶型和第一运行工况，继续对模型进行训练。
需要说明的是，本公开提出的燃气轮机叶片的可靠性预测方法，可以运用于多种场景中。
针对已知叶型和运行工况对叶片的可靠性进行预测的应用场景，可以根据训练好的PointNet神经网络模型预测透平叶片各位置的应力信息，并结合此时叶片材料的疲劳寿命曲线，判断已知叶型可以在已知运行条件下可靠运行的天数、年限等。
针对燃气轮机透平叶片的初始设计阶段的应用场景，可以将训练好的PointNet神经网络模型作为精确快速获取应力分布的代理模型，结合遗传算法、模拟退火算法、粒子群算法等优化算法，分析各种叶型在各运行工况下的疲劳寿命，最终获取满足可靠性要求的优化叶型及其运行条件。
综上所述，本公开中，可以基于训练好的PointNet神经网络模型，并利用PointNet神经网络模型中所有的卷积操作均针对单个点的特点，使得基于结构复杂的透平叶片，在数值模拟中常采用非结构化网格，针对单个点进行卷积的特征变得更加适用。同时，基于深度学习算法获得的寿命预测模型具有精度高、速度快、可迁移性强的特点，并且采用数据挖掘的方法不再需要工程技术人员掌握深奥的寿命预测机理，使用非常方便。
为了实现上述实施例，本实施例提供了一种燃气轮机叶片的可靠性预测装置，图11为本公开实施例提供的一种燃气轮机叶片的可靠性预测装置的结构示意图。
如图11所示，该燃气轮机叶片的可靠性预测装置1000，包括：第一获取模块110、确定模块120、第二获取模块130和预测模块140。其中，
第一获取模块110，用于获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况；
确定模块120，用于将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；
第二获取模块130，用于获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；
预测模块140，用于根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测。
根据本公开实施例，第二获取模块130，还用于：
获取所述待预测燃气轮机叶片的材料信息；
根据所述材料信息，获取对应的所述疲劳寿命曲线。
根据本公开实施例，如图12所示，燃气轮机叶片的可靠性预测装置1000，还包括：训练模块150，用于：
获取样本燃气轮机叶片的样本叶型以及样本运行工况；
将所述样本叶型和所述样本运行工况输入至燃气轮机应力信息获取模型中，以得到初始样本应力信息；
根据所述初始样本应力信息，调整所述燃气轮机应力信息获取模型的损失函数，并返回所述获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成所述目标燃气轮机应力信息获取模型。
根据本公开实施例，训练模块150，还用于：
将所述样本叶型和所述样本运行工况输入至所述燃气轮机应力信息获取模型中，对所述样本叶型进行参数化处理，以得到样本采样数据集；
对所述样本采样数据集进行数值模拟计算，以所述样本燃气轮机叶片的应力场信息；
对所述应力场信息进行后处理，以得到所述初始样本应力信息。
根据本公开实施例，训练模块150，还用于：
对所述样本采样数据集进行数值模拟计算，以获取温度场信息和表面压力场信息；
根据所述温度场信息和所述表面压力场信息，获取所述应力场信息。
根据本公开实施例，训练模块150，还用于：
建立所述样本燃气轮机叶片的流体域和固体域；
对所述流体域和所述固体域进行离散化处理，以得到结构化网格的流体域和非结构化网格的固体域；
根据所述结构化网格的流体域和所述非结构化网格的固体域进行流固耦合计算，以获取所述固体域的所述温度场信息和所述固体域所述表面压力场信息。
根据本公开实施例，训练模块150，还用于，包括：
获取第一燃气轮机叶片的第一叶型以及第一运行工况；
对所述第一叶型和所述第一运行工况进行归一化处理，并按照预设比例将所述第一叶型划分为所述样本叶型和验证叶型，以及将所述第一运行工况划分为所述样本运行工况和验证运行工况。
根据本公开实施例，训练模块150，还用于：
获取与所述样本叶型以及所述样本运行工况均对应的已标注样本应力信息；
获取所述初始样本应力信息和所述已标注样本应力信息之间的差异，并根据所述差异调整所述燃气轮机应力信息获取模型的所述损失函数，以将最后一次所述损失函数调整后的模型作为待验证燃气轮机应力信息获取模型；
根据所述验证叶型和所述验证运行工况对所述待验证燃气轮机应力信息获取模型进行验证；
响应于所述待验证燃气轮机应力信息获取模型满足验证条件，则将满足验证条件的所述待验证燃气轮机应力信息获取模型作为所述目标证燃气轮机应力信息获取模型。
根据本公开提供的燃气轮机叶片的可靠性预测装置，可以通过获取待预测叶型以及待预测运行工况，并将待预测叶型和待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到应力信息，然后获取对应的疲劳寿命曲线，进而根据应力信息和疲劳寿命曲线，对待预测叶型于待预测运行工况下运行的可靠性进行预测，不再依赖通过有限元方法处理，对不同运行工况进行多次数值模拟计算，从而预测叶片的可靠性，在缩短了预测耗时的同时，提高了燃气轮机叶片的可靠性预测过程中的效率、有效性及可靠性。
为了实现上述实施例，本实施例提供了一种电子设备，如图13所示，所述电子设备8000包括：处理器801；用于存储所述处理器801可执行指令的一个或多个存储器802；其中，所述处理器801被配置为执行上述实施例所述的燃气轮机叶片的可靠性预测方法。处理器801和存储器802通过通信总线连接。
为了实现上述实施例，本公开还提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备8000的处理器801执行时，使得电子设备8000能够执行以完成上述实施例所述的燃气轮机叶片的可靠性预测方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例，本公开还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述实施例所述的燃气轮机叶片的可靠性预测方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (11)

1.一种燃气轮机叶片的可靠性预测方法，包括：
获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况，其中，所述待预测叶型包括参数化后的叶型；
将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；
获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；
根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测；
所述目标燃气轮机应力信息获取模型的训练过程，包括：
获取样本燃气轮机叶片的样本叶型以及样本运行工况；
将所述样本叶型和所述样本运行工况输入至燃气轮机应力信息获取模型中，对所述样本叶型进行参数化处理，以得到样本采样数据集，建立所述样本燃气轮机叶片的流体域和固体域，对所述流体域和所述固体域进行离散化处理，以得到结构化网格的流体域和非结构化网格的固体域，根据所述结构化网格的流体域和所述非结构化网格的固体域进行流固耦合计算，以获取所述固体域的温度场信息和所述固体域的表面压力场信息，根据所述温度场信息和所述表面压力场信息获取所述样本燃气轮机叶片的应力场信息，对所述应力场信息进行后处理，并提取每个节点的应力值和空间坐标以得到初始样本应力信息，其中，将所述温度场信息和所述表面压力场信息作为边界条件，通过有限元处理进行应力场信息的获取，以获取叶片的固体域的每个节点的应力场信息；
根据所述初始样本应力信息，调整所述燃气轮机应力信息获取模型的损失函数，并返回所述获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成所述目标燃气轮机应力信息获取模型。
2.根据权利要求1所述的预测方法，其中，所述获取所述待预测燃气轮机叶片对应的疲劳寿命曲线，包括：
获取所述待预测燃气轮机叶片的材料信息；
根据所述材料信息，获取对应的所述疲劳寿命曲线。
3.根据权利要求1所述的预测方法，其中，所述获取样本燃气轮机叶片的样本叶型以及样本运行工况，包括：
获取第一燃气轮机叶片的第一叶型以及第一运行工况；
对所述第一叶型和所述第一运行工况进行归一化处理，并按照预设比例将所述第一叶型划分为所述样本叶型和验证叶型，以及将所述第一运行工况划分为所述样本运行工况和验证运行工况。
4.根据权利要求3所述的预测方法，其中，所述根据所述初始样本应力信息，调整所述燃气轮机应力信息获取模型的损失函数，并返回所述获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成目标燃气轮机应力信息获取模型，包括：
获取与所述样本叶型以及所述样本运行工况均对应的已标注样本应力信息；
获取所述初始样本应力信息和所述已标注样本应力信息之间的差异，并根据所述差异调整所述燃气轮机应力信息获取模型的所述损失函数，以将最后一次所述损失函数调整后的模型作为待验证燃气轮机应力信息获取模型；
根据所述验证叶型和所述验证运行工况对所述待验证燃气轮机应力信息获取模型进行验证；
响应于所述待验证燃气轮机应力信息获取模型满足验证条件，则将满足验证条件的所述待验证燃气轮机应力信息获取模型作为所述目标证燃气轮机应力信息获取模型。
5.一种燃气轮机叶片的可靠性预测装置，包括：
第一获取模块，用于获取待预测燃气轮机叶片的待预测叶型以及待预测运行工况，其中，所述待预测叶型包括参数化后的叶型；
确定模块，用于将所述待预测叶型和所述待预测运行工况输入至目标燃气轮机应力信息获取模型中，以得到所述燃气轮机叶片的应力信息；
第二获取模块，用于获取所述待预测燃气轮机叶片对应的疲劳寿命曲线；
预测模块，用于根据所述应力信息和所述疲劳寿命曲线，对所述待预测叶型于所述待预测运行工况下运行的可靠性进行预测；
训练模块，还用于获取样本燃气轮机叶片的样本叶型以及样本运行工况；
将所述样本叶型和所述样本运行工况输入至燃气轮机应力信息获取模型中，对所述样本叶型进行参数化处理，以得到样本采样数据集，建立所述样本燃气轮机叶片的流体域和固体域，对所述流体域和所述固体域进行离散化处理，以得到结构化网格的流体域和非结构化网格的固体域，根据所述结构化网格的流体域和所述非结构化网格的固体域进行流固耦合计算，以获取所述固体域的温度场信息和所述固体域的表面压力场信息，根据所述温度场信息和所述表面压力场信息获取所述样本燃气轮机叶片的应力场信息，对所述应力场信息进行后处理，并提取每个节点的应力值和空间坐标以得到初始样本应力信息，其中，将温度场信息和表面压力场信息作为边界条件，通过有限元处理进行应力场信息的获取，以获取叶片的固体域的每个节点的应力场信息；
根据所述初始样本应力信息，调整所述燃气轮机应力信息获取模型的损失函数，并返回所述获取样本燃气轮机叶片的样本叶型以及样本运行工况步骤重新训练直至模型训练结束，生成所述目标燃气轮机应力信息获取模型。
6.根据权利要求5所述的预测装置，其中，所述第二获取模块，还用于：
获取所述待预测燃气轮机叶片的材料信息；
根据所述材料信息，获取对应的所述疲劳寿命曲线。
7.根据权利要求5所述的预测装置，其中，所述训练模块，还用于，包括：
获取第一燃气轮机叶片的第一叶型以及第一运行工况；
对所述第一叶型和所述第一运行工况进行归一化处理，并按照预设比例将所述第一叶型划分为所述样本叶型和验证叶型，以及将所述第一运行工况划分为所述样本运行工况和验证运行工况。
8.根据权利要求7所述的预测装置，其中，所述训练模块，还用于：
获取与所述样本叶型以及所述样本运行工况均对应的已标注样本应力信息；
获取所述初始样本应力信息和所述已标注样本应力信息之间的差异，并根据所述差异调整所述燃气轮机应力信息获取模型的所述损失函数，以将最后一次所述损失函数调整后的模型作为待验证燃气轮机应力信息获取模型；
根据所述验证叶型和所述验证运行工况对所述待验证燃气轮机应力信息获取模型进行验证；
响应于所述待验证燃气轮机应力信息获取模型满足验证条件，则将满足验证条件的所述待验证燃气轮机应力信息获取模型作为所述目标证燃气轮机应力信息获取模型。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
CN202110916413.4A 2021-08-11 2021-08-11 燃气轮机叶片的可靠性预测方法、装置及电子设备 Active CN113361048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916413.4A CN113361048B (zh) 2021-08-11 2021-08-11 燃气轮机叶片的可靠性预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916413.4A CN113361048B (zh) 2021-08-11 2021-08-11 燃气轮机叶片的可靠性预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113361048A CN113361048A (zh) 2021-09-07
CN113361048B true CN113361048B (zh) 2022-06-28

Family

ID=77522960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916413.4A Active CN113361048B (zh) 2021-08-11 2021-08-11 燃气轮机叶片的可靠性预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113361048B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113847107A (zh) * 2021-09-26 2021-12-28 中国联合重型燃气轮机技术有限公司 燃气轮机压气机叶片积垢状态监测方法及装置
CN114970325B (zh) * 2022-05-05 2024-08-16 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统
CN116090138B (zh) * 2023-04-03 2023-06-27 浙江远算科技有限公司 一种基于数据监测的水轮机转轮疲劳仿真计算方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745132B (zh) * 2014-01-23 2016-10-19 中国北方发动机研究所(天津) 一种增压器压气机叶轮叶片振动疲劳可靠寿命评价方法
US20150322789A1 (en) * 2014-05-06 2015-11-12 General Electric Company Real-time monitoring of gas turbine life
EP3575556A1 (en) * 2018-06-01 2019-12-04 Siemens Aktiengesellschaft Turbine blade assembly and method for manufacturing such blades
CN109492345B (zh) * 2019-01-10 2020-11-10 西安交通大学 一种基于SENet的透平叶片高周疲劳寿命预测方法

Also Published As

Publication number Publication date
CN113361048A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113361048B (zh) 燃气轮机叶片的可靠性预测方法、装置及电子设备
CN105718634B (zh) 一种基于非概率区间分析模型的翼型鲁棒优化设计方法
US10331810B2 (en) Method for determining a model of an output quantity of a technical system
EP3380948B1 (en) Environmental monitoring systems, methods and media
CN106777482A (zh) 一种基于网格参数化的结构多学科设计优化方法
JP2022553866A (ja) シミュレーションの計算コストの推定のための方法およびシステム
CN113836634B (zh) 一种大差异性气动数据的深度神经网络建模方法
CN108319799A (zh) 一种自主水下航行器的外形多保真度优化设计方法
JP2013510365A (ja) 発電プラントの熱効率を最大化するシステム及び方法
CN108334670A (zh) 一种基于摄动法的复杂模型不确定性有限元模型修正方法
Vicario et al. Meta‐models in computer experiments: Kriging versus artificial neural networks
CN114429090A (zh) 一种基于数据驱动的压气机叶片鲁棒性设计方法
Denney Pros and cons of applying a proxy model as a substitute for full reservoir simulations
Koziel et al. Variable-fidelity CFD models and co-Kriging for expedited multi-objective aerodynamic design optimization
EP3582153A1 (en) Generating hybrid models of physical systems
CN114564787A (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
CN106681133A (zh) 一种水电机组模型改进型子空间闭环辨识方法
CN107061032B (zh) 一种发动机运行状态的预测方法及预测系统
KR102266279B1 (ko) 비정상상태를 구현하기 위한 차수 감축 모델 구축 방법
Weinmeister et al. Analysis of a polynomial chaos-Kriging metamodel for uncertainty quantification in aerospace applications
CN106874561B (zh) 基于牛顿迭代的多学科不确定性传播分析方法
CN117057265A (zh) 一种基于迁移学习和离散物理信息神经网络的流场预测方法
Tsilifis et al. Inverse design under uncertainty using conditional normalizing flows
CN114692529A (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
Yan et al. Discretization error estimation by the error transport equation on unstructured meshes-applications to viscous flows

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