CN114880909A - 一种基于机器学习的涡轮动态过程流固耦合方法 - Google Patents
一种基于机器学习的涡轮动态过程流固耦合方法 Download PDFInfo
- Publication number
- CN114880909A CN114880909A CN202210681632.3A CN202210681632A CN114880909A CN 114880909 A CN114880909 A CN 114880909A CN 202210681632 A CN202210681632 A CN 202210681632A CN 114880909 A CN114880909 A CN 114880909A
- Authority
- CN
- China
- Prior art keywords
- turbine
- machine learning
- solid coupling
- dynamic
- model
- 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
- G06F30/23—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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/12—Improving ICE efficiencies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种基于机器学习的涡轮动态过程流固耦合方法,包括:基于涡轮变工况特性曲线和流场信息数据集,构建涡轮高精度机器学习代理模型及其动态调节仿真模型;通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数,将该运行工况作为输入量带入涡轮高精度机器学习代理模型,获得涡轮叶片气动载荷分布和轮盘面流场压力分布并作为边界条件输入叶轮有限元模型,求解获得叶轮变形量和等效应力,完成动态过程下涡轮流固耦合分析。本发明能保证涡轮在频繁调节过程中高效、安全运行,并能够为后续同类涡轮的设计提供参考。
Description
技术领域
本发明属于流体机械中的流固耦合分析领域,具体地说涉及一种基于机器学习的涡轮动态过程流固耦合方法。
背景技术
涡轮是各类能源系统的主要做功部件,主要应用于交通工具引擎涡轮增压器、中低温余热发电装置、可再生能源发电装置、化工过程膨胀机、火箭发动机涡轮泵等。
涡轮结构有向心式、离心式、轴流式、混流式等,几何外形和结构尺寸、转速随总体热力学设计参数确定。常运行在频繁调节、工况多变的条件下,并被要求高效率运行,为保证涡轮的高效率运行,就需要对涡轮流固耦合进行分析。在常见的流固耦合分析中,主要是考虑涡轮在定态、变工况条件下开展,对于同时考虑流场、结构强度和动态调节特性的流固耦合也未见到。
现有技术也无法做到通过流固耦合分析构建涡轮运行工况与流场结构的函数映射关系,为后续同类新涡轮的设计提供参考。
发明内容
本发明的目的在于克服上述缺点而提供的一种能保证涡轮在频繁调节过程中高效、安全运行,并能够为后续同类涡轮的设计提供参考的基于机器学习的涡轮动态过程流固耦合方法。
本发明为解决其技术问题所采用的技术解决方案为:
本发明的一种基于机器学习的涡轮动态过程流固耦合方法,包括以下步骤:
(1)基于涡轮变工况特性曲线和流场信息数据集,构建涡轮高精度机器学习代理模型及其动态调节仿真模型;
(2)通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数,将该运行工况作为输入量带入涡轮高精度机器学习代理模型,获得涡轮叶片气动载荷分布和轮盘面流场压力分布;
(3)将步骤(2)中的结果作为边界条件输入叶轮有限元模型,求解获得叶轮变形量和等效应力,完成动态过程下涡轮流固耦合分析。
优选地,步骤(1)中所述涡轮变工况特性曲线为不同折合转速下的膨胀比-功率曲线和膨胀比-流量曲线用于获得不同折合转速和膨胀比下涡轮的功率和流量。
优选地,步骤(1)中所述涡轮流场信息数据集为涡轮叶片表面气动力分布以及涡轮叶轮轮盘表面流场压力分布。
优选地,步骤(1)中所述涡轮高精度机器学习代理模型包括输入模块、求解模块、输出模块,输入模块包含涡轮工况输入参数膨胀比π tt 和折合转速n cor ,求解模块包含机器学习算法,输出模块包含涡轮性能参数以及流动参数。其中性能参数包括流量、功率;流动参数包括叶轮叶片表面流场压力分布、叶轮轮盘表面气动载荷分布。
优选地,步骤(1)中所述涡轮高精度机器学习代理模型中机器学习方法包括支持向量机方法、随机森林方法、人工神经网络方法等。
优选地,步骤(1)中所述涡轮动态调节仿真模型为并网恒转速变负荷动态仿真模型。
本发明与现有技术相比,具有明显的有益效果,从以上技术方案可知:本发明同时对流场和结构强度进行流固耦合,还进一步采用涡轮的动态调节特性(转速超调量、动态调节时间)实现了涡轮动态调节过程中的求解,从而保证涡轮在频繁调节过程中高效、安全性预测。本发明还采用机器学习方法建立了涡轮高精度代理模型,不但能够提高求解效率,还能根据新的求解结果更新模型以提高精度。此外,采用机器学习方法能够直接构建涡轮运行工况与气动性能参数、流场结构的函数映射关系,为后续同类新涡轮的设计提供参考。因此,本发明具有求解时间短,求解效率高的优点,可完成“多排叶轮、多级组合”式的大规模涡轮在动态工况下的流固耦合分析;可与目前成熟的涡轮仿真平台、变工况调节程序、涡轮设计程序相结合,具有应用范围广的特点;随着模型使用次数的增加,样本点数量会增多,使模型预测精度得到进一步提高。
附图说明
图1 为本发明的原理图;
图2 为本发明的涡轮高精度机器学习代理模型;
图3 为本发明的涡轮动态调节仿真系统;
图4 为本发明的有限元分析模型。
具体实施方式
参照图1,一种基于机器学习的涡轮动态过程流固耦合方法,包括以下步骤:
(1)基于涡轮变工况特性曲线和流场信息数据集,构建涡轮高精度机器学习代理模型及其动态调节仿真模型,其中涡轮变工况特性曲线为不同折合转速下的膨胀比-流量曲线,膨胀比-功率曲线;涡轮流场信息数据集为涡轮叶片表面气动力分布和涡轮轮盘表面压力分布。
(2)如图2所示,采用人工神经网络方法构建涡轮机器学习代理模型,模型中输入模块包括涡轮膨胀比π tt 、折合转速n cor ,求解模块为人工神经网络求解方法,输出模块为涡轮叶片表面气动力分布矩阵{F 1 ,F 2 ,F 3 ,……,F n }和涡轮轮盘表面的压力分布矩阵{P 1 ,P 2 ,P 3 ,……,P n }。
(3)采用matlab simulink 软件构建涡轮动态调节仿真系统,如图3所示。根据给定的涡轮转速、涡轮进口温度、涡轮出口总压等参数,基于容积方程模块和涡轮高精度机器学习代理模型,求解不同流量扰动下的涡轮流量、功率、叶片表面压力分布和涡轮轮盘表面压力分布,其中功率用于与实际负荷变化比较提供PID控制型号,反馈给阀门进气调阀改变开度,改变容积进口流量,实现闭环控制。流量提供给容积方程模块,结合容积进口总温、容积进口流量获得涡轮进口压力,并和涡轮出口压力一起获得涡轮膨胀比,提供给涡轮高精度机器学习代理模型。
(4)将步骤(3)中的涡轮叶片表面压力分布和涡轮轮盘表面压力分布作为边界条件施加到涡轮叶轮叶片和轮盘上,将动态调节仿真中的涡轮转速作为约束施加带涡轮叶轮上,构建形成叶轮有限元模型,如图4所示。求解该模型,获得叶轮变形量和等效应力,完成动态过程下涡轮流固耦合分析。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,任何未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于机器学习的涡轮动态过程流固耦合方法,包括以下步骤:
(1)基于涡轮变工况特性曲线和流场信息数据集,构建涡轮高精度机器学习代理模型及其动态调节仿真模型;
(2)通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数,将该运行工况作为输入量带入涡轮高精度机器学习代理模型,获得涡轮叶片气动载荷分布和轮盘面流场压力分布;
(3)将步骤(2)中的结果作为边界条件输入叶轮有限元模型,求解获得叶轮变形量和等效应力,完成动态过程下涡轮流固耦合分析。
2.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法,其中:步骤(1)中所述涡轮变工况特性曲线为不同折合转速下的膨胀比-功率曲线和膨胀比-流量曲线用于获得不同折合转速和膨胀比下涡轮的功率和流量。
3.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法,其中:步骤(1)中所述涡轮流场信息数据集为涡轮叶片表面气动力分布以及涡轮叶轮轮盘表面流场压力分布。
4.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法,其中:步骤(1)中所述涡轮高精度机器学习代理模型包括输入模块、求解模块、输出模块,输入模块包含涡轮工况输入参数膨胀比π tt 和折合转速n cor ,求解模块包含机器学习算法,输出模块包含涡轮性能参数以及流动参数,其中性能参数包括流量、功率;流动参数包括叶轮叶片表面流场压力分布、叶轮轮盘表面气动载荷分布。
5.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法,其中:步骤(1)中所述涡轮高精度机器学习代理模型中机器学习方法包括支持向量机方法、随机森林方法、人工神经网络方法。
6.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法,其中:步骤(1)中所述涡轮动态调节仿真模型为并网恒转速变负荷动态仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681632.3A CN114880909A (zh) | 2022-06-16 | 2022-06-16 | 一种基于机器学习的涡轮动态过程流固耦合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681632.3A CN114880909A (zh) | 2022-06-16 | 2022-06-16 | 一种基于机器学习的涡轮动态过程流固耦合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880909A true CN114880909A (zh) | 2022-08-09 |
Family
ID=82682083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210681632.3A Pending CN114880909A (zh) | 2022-06-16 | 2022-06-16 | 一种基于机器学习的涡轮动态过程流固耦合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880909A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494892A (zh) * | 2022-08-31 | 2022-12-20 | 中国航发四川燃气涡轮研究院 | 高空模拟试车台进气环境模拟系统解耦控制方法 |
CN115659520A (zh) * | 2022-11-11 | 2023-01-31 | 南京威翔科技有限公司 | 一种发动机寿命参数的处理方法 |
-
2022
- 2022-06-16 CN CN202210681632.3A patent/CN114880909A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494892A (zh) * | 2022-08-31 | 2022-12-20 | 中国航发四川燃气涡轮研究院 | 高空模拟试车台进气环境模拟系统解耦控制方法 |
CN115659520A (zh) * | 2022-11-11 | 2023-01-31 | 南京威翔科技有限公司 | 一种发动机寿命参数的处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880909A (zh) | 一种基于机器学习的涡轮动态过程流固耦合方法 | |
CN111062177B (zh) | 一种基于围带阻尼的汽轮机转子系统稳定性动态优化方法 | |
CN111814272B (zh) | 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 | |
CN111859563B (zh) | 一种超临界二氧化碳透平试验的相似模化方法 | |
Chelabi et al. | Analysis of the threedimensional accelerating flow in a mixed turbine rotor | |
CN112115576A (zh) | 一种轴流压缩机缩尺过程多变效率修正方法和系统 | |
Leonard et al. | Numerical and experimental investigation of the impact of mixed flow turbine inlet cone angle and inlet blade angle | |
Wang et al. | A forward-curved blade centrifugal compressor for anode recirculation in proton exchange membrane fuel cells | |
CN102444426B (zh) | 改装汽轮机的方法 | |
CN111413867B (zh) | 一种在Flowmaster平台上液压控制机构等效控制器快速建模及优化方法 | |
Kim et al. | The optimization of blade pitch settings of an air turbine using self-pitch-controlled blades for wave power conversion | |
Lu et al. | Numerical investigation on the dynamic characteristics of an adjustable power turbine used in environmental control system | |
Aulich et al. | Fan casing contouring under consideration of aeroacoustics, mechanics, aeroelasticity, and whole engine performance | |
CN111814370A (zh) | 一种调节级叶片的有限元计算方法 | |
Wang et al. | Research on Optimal Matching Method of Variable Stator Vanes for Multi-Stage Compressor Based on Genetic Algorithm | |
CN115685752B (zh) | 一种基于模块化仿真平台的间冷燃气轮机模型建模方法 | |
Pachidis et al. | Prediction of engine performance under compressor inlet flow distortion using streamline curvature | |
Grubert et al. | Design and development of a combined intake fan test rig to enable investigations of stable operating ranges | |
Sajedin et al. | Aero-Structural study on the blade thickness effects in an automotive turbocharger turbine in transonic conditions | |
Peng et al. | Optimal design and steady-state characteristic analysis of high speed s-co 2 axial turbine blades | |
Li et al. | One-Dimensional Aerodynamic Design of Micro Radial Turbine Based on Genetic Algorithm | |
Krivosheev et al. | Development of Methods for Designing Turbines and Compressors as a Part of Gas Turbine Engines | |
Orth et al. | Improved compressor exit diffuser for an industrial gas turbine | |
Wang et al. | Design and optimization of the tandem arranged cascade in a transonic compressor | |
Syarafina et al. | Design of Single Stage Axial Turbine for Mini Turbojet Engine |
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 |