CN114741965A - 一种混合动力航空发动机及其优化设计方法 - Google Patents
一种混合动力航空发动机及其优化设计方法 Download PDFInfo
- Publication number
- CN114741965A CN114741965A CN202210406872.2A CN202210406872A CN114741965A CN 114741965 A CN114741965 A CN 114741965A CN 202210406872 A CN202210406872 A CN 202210406872A CN 114741965 A CN114741965 A CN 114741965A
- Authority
- CN
- China
- Prior art keywords
- engine
- design
- determining
- compressor
- design method
- 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
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
- G06F30/27—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本申请提供了一种混合动力航空发动机优化设计方法,包括:通过预定的装机飞机需求,确定最小离地间隙和各个关键飞行点的推力需求,同时确定发动机应用时可能达到的科技水平;确定优化所用的自变量,所述自变量包括传统发动机关键设计参数作为的自变量和电力发动机关键设计参数作为的自变量;确定优化设计的约束条件;确定优化设计的目标;开发及配置遗传算法;开展基于多目标遗传算法的混合电力发动机优化设计,获得最优发动机参数和性能。本申请的方法基于多目标遗传算法,综合考虑传统发动机和电力发动机的性能,既能满足推力需求,又能降低耗油率和耗油量,能够筛选出最合适的电力发动机的工作范围、飞行航程和电量分配。
Description
技术领域
本申请属于航空发动机设计技术领域,特别涉及一种混合动力航空发动机及其优化设计方法。
背景技术
随着燃油的减少及排放污染等问题,使得航空飞行器期望采用油电混合动力作为发动机动力来源。
混合动力发动机兼顾了传统发动机可以产生大推力的特性和电力发动机节省燃油消耗、减少排放的特点。然而,混合动力发动机存在两个较为突出的核心问题,一个是混合动力发动机工作时,何时使用电力发动机才能节约燃油消耗进而提高经济性,另一方面是电力发动机的最佳飞行里程如何确定。
发明内容
本申请的目的是提供了一种混合动力航空发动机优化设计方法,以解决或减轻背景技术中的至少一个问题。
本申请的技术方案是:一种混合动力航空发动机优化设计方法,所述方法包括:
通过预定的装机飞机需求,确定最小离地间隙和各个关键飞行点的推力需求,同时确定发动机应用时可能达到的科技水平;
确定优化所用的自变量,所述自变量包括传统发动机关键设计参数作为的自变量和电力发动机关键设计参数作为的自变量;
确定优化设计的约束条件;
确定优化设计的目标;
开发及配置遗传算法;
开展基于多目标遗传算法的混合电力发动机优化设计,获得最优发动机参数和性能。
进一步的,所述传统发动机关键设计参数作为的自变量包括:涵道比、风扇压比、涡轮前温度、高压压气机压比、低压压气机压比、风扇多变效率、高压压气机多变效率、低压压气机多变效率、高压涡轮多变效率、低压涡轮多变效率、客舱引气量、压气机放气量、冷气量、功率提取、风扇直径、燃烧室压力损失。
进一步的,所述电力发动机关键设计参数作为的自变量包括:电池能量密度、电池电量、飞行设计航程。
进一步的,所述设计约束包括:风扇前马赫数、高压压气机末级叶片高度、起飞状态推力、巡航状态推力、总压比、风扇级间载荷、低压涡轮级间载荷、低压涡轮叶根应力。
进一步的,所述风扇前马赫数与风扇直和进口流量满足:
式中,W2为进口流量,γ为绝热常数,R为气体常数,Tt为进口温度。
进一步的,所述高压压气机末级叶片高度通过相似准则获得,满足:
式中,WHPCi为初始压气机出口口流量,WHPC为压气机出口流量,HPCBHi为压气机末级叶片初始高度,HPCBH为压气机末级叶片高度。
进一步的,所述优化设计目标包括:最大爬升状态推力、巡航状态耗油量、设计航程耗油量、发动机重量、进气道阻力。
另一方面,本还提供了一种混合动力航空发动机,所述混合动力航空发动机根据如上任一所述的混合动力航空发动机优化设计方法确定。
本申请提供的混合动力航空发动机优化设计方法基于多目标遗传算法,综合考虑传统发动机和电力发动机的性能,既能满足推力需求,又能降低耗油率和耗油量,能够筛选出最合适的电力发动机的工作范围、飞行航程和电量分配。
附图说明
为了更清楚地说明本申请提供的技术方案,下面将对附图作简单地介绍。显而易见地,下面描述的附图仅仅是本申请的一些实施例。
图1为本申请的混合动力航空航空发动机优化设计方法流程图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
本申请提出了一种基于多目标遗传算法的并联式混合动力航空发动机设计方法,以发动机关键设计参数和电池能量密度为自变量,建立包含电池能量密度、电池使用阶段、最佳飞行里程的优化设计模型,以满足设计点和非设计点的推力需求及涡轮前温度等为设计约束条件,最终优化得出耗油率和耗油量最低的混合电力航空发动机。
如图1所示,本申请的优化设计方法包括如下步骤:
1)飞机推力需求和科技水平识别
通过预定的装机飞机需求,确定最小离地间隙和各个关键飞行点的推力需求,同时明确发动机应用时可能达到的科技水平,例如压气机出口温度、涡轮前温度、部件效率等。
2)确定自变量
本申请采用并联式混合动力推进系统,即在起飞状态和爬升状态,涡扇发动机和电力发动机同时工作为飞机提供推力。因此,本申请中分别定义了传统发动机和电力发动机的关键设计参数作为自变量。
2.1)确定传统发动机参数
由于影响传统发动机的参数较多,为了更好的获得性能最佳的发动机,本申请中构建的传统发动机设计变量包括:涵道比、风扇压比、涡轮前温度、高压压气机压比、低压压气机压比、风扇多变效率、高压压气机多变效率、低压压气机多变效率、高压涡轮多变效率、低压涡轮多变效率、客舱引气量、压气机放气量、冷气量、功率提取、风扇直径、燃烧室压力损失。
本申请中定义的传统发动机各项参数参见表1。
表1传统发动机设计自变量
参数 | 含义 | 参数 | 含义 |
BPR | 涵道比 | ηHPT | 高压涡轮多变效率 |
FPR | 风扇压比 | ηLPT | 低压涡轮多变效率 |
TET | 涡轮前温度 | Bleed1 | 客舱引气量 |
πHPC | 高压压气机压比 | Bleed2 | 压气机放气量 |
πLPC | 低压压气机压比 | Cooling | 冷气量 |
ηFan | 风扇多变效率 | Offtake | 功率提取 |
ηHPC | 高压压气机多变效率 | Dfan | 风扇直径 |
ηLPC | 低压压气机多变效率 | ΔP | 燃烧室压力损失 |
2.2)确定电力发动机参数
本申请中构建的电力发动机设计变量主要包括电池能量密度Den、电池电量Pow、飞行设计航程Ran等三个参数。
3)确定设计约束条件
本发明采用类似黑匣子设计,在获得最优发动机前,将所有变量在设计空间内不断迭代,直至达到设计目标,因此必须设计合理的约束条件以使优化后的发动机方案合理可行。
本申请中的主要设计约束条件见表2。
表2混合动力发动机约束条件
其中,风扇前马赫数FMN与风扇直径Dfan和进口流量W2关联,高压压气机末级叶片高度HPCBH通过相似准则获得,满足条件如下:
式中:W2为进口流量,γ为绝热常数,R为气体常数,Tt为进口温度,WHPCi为初始压气机出口口流量,WHPC为压气机出口流量,HPCBHi为压气机末级叶片初始高度,
4)确定优化设计目标
为了充分发挥传统发动机的推力优势并保证在最大爬升阶段的推力,同时巡航状态的耗油率也要最低,同时使设计航程下的耗油量足够低,最终发动机重量和进气道阻尼应尽量降低。
本申请的优化设计目标见表3。
表3混合电力发动机优化设计目标
设计目标 | 含义 |
FNCL | 最大爬升状态推力 |
SFCCR | 巡航状态耗油量 |
BF | 设计航程耗油量 |
EW | 发动机重量 |
ND | 进气道阻力 |
5)遗传算法开发及配置:
5.1)由于发动机设计点和非设计点的计算较为复杂,无法通过显示公式表达,因此采用隐式函数法,将变量与设计目标和设计约束关联,最终将获得的发动机性能参数与指定的设计目标值不断比较,直至到达设计目标,该函数为:
Fitness(FNCL,SFCCR,BF,EW,ND)=Fsearch(
BPR,FPR,TET,πHPC,πLPC,ηFan,ηHPC,ηLPC,ηHPT,ηLPT,Bleed1,Bleed2,Cooling,Offtake,Dfan,ΔP,Den,Pow,Ran);
5.2)遗传算法中,最为关键的三个参数是杂交概率、突变概率和选择,本申请中采用中间交叉法、高斯突变法和锦标赛算法来不断筛选强壮的基因,以便遗传至下一代,最终得到满足设计要求的设计变量。
杂交采用中间交叉法进行杂交迭代,将第一代的两组参数组成的合集分别定义为子体P1和P2。
P1=f1(BPR,FPR,TET,πHPC,πLPC,ηFan,ηHPC,ηLPC,ηHPT,ηLPT,Bleed1,Bleed2,Cooling,Offtake,Dfan,ΔP,Den,Pow,Ran)
P2=f2(BPR,FPR,TET,πHPC,πLPC,ηFan,ηHPC,ηLPC,ηHPT,ηLPT,Bleed1,Bleed2,Cooling,Offtake,Dfan,ΔP,Den,Pow,Ran)
通过对子体P1和P2进行杂交可以获得下一代优良基因C1和C2,设定k1和k2为杂交因子,0<k1,k2<1,则:
C1=P1+k1×(P2-P1)
C2=P2+k2×(P2-P1)
与此同时,进行第一代个体P3的基因突变,采用随机突变方法,设定突变概率为K3,r为随机产生的数。变量参数的上边界为up,下边界为low。
以涵道比BPR变异为例进行说明,BPR为P3变异前的参数,BPR’为变异后的参数。
当r<k3时,C3=P3=f3(BPR,FPR,TET,πHPC,πLPC,ηFan,ηHPC,ηLPC,ηHPT,ηLPT,Bleed1,Bleed2,Cooling,Offtake,Dfan,ΔP,Den,Pow,Ran)
当r>k3时,C3=P3=f3(BPR,FPR,TET,πHPC,πLPC,ηFan,ηHPC,ηLPC,ηHPT,ηLPT,Bleed1,Bleed2,Cooling,Offtake,Dfan,ΔP,Den,Pow,Ran)
采用随机竞争方法,随机挑选若干个体进行竞争,选择性能最优的进入下一代进行基因迭代,例如对应上述三组参数可以产生三个结果Fi1,Fi2,Fi3。
如果Fi1>Fi2>Fi3,则Fi1对应的P1进入下一轮进行迭代,以此类推。
5.3)开展上述杂交概率因子、突变概率因子和选择因子的参数化分析,获得最适合各项配置参数。
6)开展基于多目标遗传算法的混合电力发动机优化设计,获得最优发动机参数和性能。
本申请提供的混合动力航空发动机优化设计方法基于多目标遗传算法,综合考虑传统发动机和电力发动机的性能,既能满足推力需求,又能降低耗油率和耗油量,能够筛选出最合适的电力发动机的工作范围、飞行航程和电量分配。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种混合动力航空发动机优化设计方法,其特征在于,所述方法包括:
通过预定的装机飞机需求,确定最小离地间隙和各个关键飞行点的推力需求,同时确定发动机应用时可能达到的科技水平;
确定优化所用的自变量,所述自变量包括传统发动机关键设计参数作为的自变量和电力发动机关键设计参数作为的自变量;
确定优化设计的约束条件;
确定优化设计的目标;
开发及配置遗传算法;
开展基于多目标遗传算法的混合电力发动机优化设计,获得最优发动机参数和性能。
2.如权利要求1所述的混合动力航空发动机优化设计方法,其特征在于,所述传统发动机关键设计参数作为的自变量包括:涵道比、风扇压比、涡轮前温度、高压压气机压比、低压压气机压比、风扇多变效率、高压压气机多变效率、低压压气机多变效率、高压涡轮多变效率、低压涡轮多变效率、客舱引气量、压气机放气量、冷气量、功率提取、风扇直径、燃烧室压力损失。
3.如权利要求2所述的混合动力航空发动机优化设计方法,其特征在于,所述电力发动机关键设计参数作为的自变量包括:电池能量密度、电池电量、飞行设计航程。
4.如权利要求3所述的混合动力航空发动机优化设计方法,其特征在于,所述设计约束包括:风扇前马赫数、高压压气机末级叶片高度、起飞状态推力、巡航状态推力、总压比、风扇级间载荷、低压涡轮级间载荷、低压涡轮叶根应力。
7.如权利要求5或6所述的混合动力航空发动机优化设计方法,其特征在于,所述优化设计目标包括:最大爬升状态推力、巡航状态耗油量、设计航程耗油量、发动机重量、进气道阻力。
8.一种混合动力航空发动机,其特征在于,所述混合动力航空发动机根据如权利要求1至7任一所述的混合动力航空发动机优化设计方法确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406872.2A CN114741965A (zh) | 2022-04-18 | 2022-04-18 | 一种混合动力航空发动机及其优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406872.2A CN114741965A (zh) | 2022-04-18 | 2022-04-18 | 一种混合动力航空发动机及其优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741965A true CN114741965A (zh) | 2022-07-12 |
Family
ID=82282069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406872.2A Pending CN114741965A (zh) | 2022-04-18 | 2022-04-18 | 一种混合动力航空发动机及其优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741965A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880198A (zh) * | 2023-07-25 | 2023-10-13 | 杭州牧星科技有限公司 | 一种用于超声速无人机的动力装备自适应控制系统及其方法 |
-
2022
- 2022-04-18 CN CN202210406872.2A patent/CN114741965A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880198A (zh) * | 2023-07-25 | 2023-10-13 | 杭州牧星科技有限公司 | 一种用于超声速无人机的动力装备自适应控制系统及其方法 |
CN116880198B (zh) * | 2023-07-25 | 2024-03-12 | 杭州牧星科技有限公司 | 一种用于超声速无人机的动力装备自适应控制系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229015B (zh) | 一种高空两级涡轮增压器变工况匹配设计方法 | |
CN107885891B (zh) | 一种航空发动机总体性能优化方法 | |
Alrashed et al. | Utilisation of turboelectric distribution propulsion in commercial aviation: A review on NASA’s TeDP concept | |
CN114741965A (zh) | 一种混合动力航空发动机及其优化设计方法 | |
CN112380794A (zh) | 一种航空涡轮发动机叶片的多学科并行协作优化设计方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
Yihao et al. | Design method of optimal control schedule for the adaptive cycle engine steady-state performance | |
CN114547877A (zh) | 一种基于极限边界的超大涵道比涡扇发动机优化设计方法 | |
CN116738872A (zh) | 基于数字孪生的航空发动机综合热管理可视化仿真系统 | |
CN112182789A (zh) | 自适应变循环发动机多目标优化设计方法 | |
CN116910923B (zh) | 一种机载机电系统的优化设计方法及装置 | |
CN112926255B (zh) | 基于改进遗传算法的变循环发动机最低油耗控制优化方法 | |
CN113901573A (zh) | 基于博弈策略的飞机综合一体化热/能量多目标优化方法 | |
Berton et al. | Multi-objective optimization of turbofan design parameters for an advanced, single-aisle transport | |
Yan et al. | A Newly Improved Collaborative Optimization Strategy: Application to Conceptual Multidisciplinary Design Optimization of a Civil Aero-Engine | |
CN116502796A (zh) | 一种飞发一体化热/能量综合管理系统能效管控优化方法 | |
CN114165477B (zh) | 一种轴向超音通流风扇串列构型及串列构型优化方法 | |
Spanelis et al. | The aerodynamic design of the low pressure air delivery ducts for a cooled cooling air system | |
Cihangir et al. | Energy and performance analysis of a turbofan engine with the aid of dynamic component efficiencies | |
Chapman | Utilizing electrical power extraction for stability bleed reduction within gas turbine engines | |
CN115587446B (zh) | 一种变循环发动机多任务稳态控制规律优化方法 | |
CN115992777B (zh) | 一种双燃料预冷变循环发动机 | |
CN115544779B (zh) | 基于双模线性螺旋吸引法的航空发动机最大推力控制方法 | |
M’Bengue | Toward ACARE 2020: Innovative engine architectures to achieve the environmental goals | |
CN116595680B (zh) | 一种跨代发展小涵道比涡扇发动机主机和加力匹配方法 |
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 |