CN117077507A - 一种基于几何设计参数预测网络的层板冷却结构设计方法 - Google Patents
一种基于几何设计参数预测网络的层板冷却结构设计方法 Download PDFInfo
- Publication number
- CN117077507A CN117077507A CN202310850694.7A CN202310850694A CN117077507A CN 117077507 A CN117077507 A CN 117077507A CN 202310850694 A CN202310850694 A CN 202310850694A CN 117077507 A CN117077507 A CN 117077507A
- Authority
- CN
- China
- Prior art keywords
- laminate
- geometric
- design parameter
- cold air
- air flow
- 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
- 238000013461 design Methods 0.000 title claims abstract description 105
- 238000001816 cooling Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 9
- 239000007789 gas Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000112 cooling gas Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Laminated Bodies (AREA)
Abstract
一种基于几何设计参数预测网络的层板冷却结构设计方法，涉及航空发动机层板冷却结构设计领域，解决现有层板冷却结构流量设计需要反复修改几何参数，在冷气流量改变时，需要重复寻优而无法根据冷气流量直接得到层板结构参数设计等问题，该方法通过层板流量数据集生成模块、几何设计参数预测网络搭建模块和层板几何参数设计模块实现；通过提前训练好由其他几何参数值、层板进气压力、层板出气压力、预期冷气流量预测规定几何设计参数值的神经网络，能够在目标冷气流量改变时，直接快速地给出满足目标冷气流量的层板结构的所有几何参数值。通过本发明的预测方法，可快速地、直接地得到满足给定预期冷气流量的层板设计结构。
Description
技术领域
本发明涉及航空发动机层板冷却结构设计领域，具体涉及一种基于几何设计参数预测网络的层板冷却结构设计方法。
背景技术
航空发动机作为国之重器，其技术的发展关系到国家国防实力和综合国力的强弱。发展航空发动机技术的重要途径是增加涡轮前温度，从而增大发动机推力。涡轮前温度的增加会使得燃烧室、涡轮等耐温部件面临更加严苛的高温环境，需要通向高温部件的冷却气发挥更强的冷却作用。由于使用冷气流量的增加会引起发动机推理性能的下降，因此在有限冷气流量下，发展高效冷却结构的设计技术以实现冷却气的充分换热，是在高温环境下保证部件寿命的重要途径。
层板冷却结构是在先进航空发动机高温部件中得到成功应用的高效冷却结构之一。层板具有大的换热面积，并且有利于复合冷却结构的设计。在高温部件的设计初期，设计输入是允许使用的总冷气流量，设计师根据部件不同部位的受热量比例，估算不同部位分配的冷却气流量设计目标，设计不同结构、不同几何参数的冷却结构。为了达到给定的流量设计目标，层板的传统设计方法往往需要建立层板流量的预估模型，如流体网络模型、神经网络模型等，通过反复调整层板的几何参数，最终得到满足流量设计目标的层板结构。
在层板结构的设计方面，国内外学者进行了大量研究。
论文[陶智.扰流柱直径对倾斜出气孔层板内流动和换热影响的数值研究[J].航空动力学报.2007]中分析了扰流柱直径对层板流阻的影响，得到了增加扰流助直径会减小层板流阻的结论。论文[吕东.层板结构流动换热机理及优化设计研究[D].北京航空航天大学.2007]定义了1N1层板结构形式，1N1层板中气膜孔、扰流柱、冲击孔按一定规律排布，数量比例为1:N:1；提出了层板结构的流体网络设计方法，首先给定初始的层板结构参数设计，计算层板流阻与通过层板的流量，调整层板结构参数，可以使通过层板结构的冷气流量不断接近预期设计值。论文Kim,K.M.Moon,H.Park,J.S.Cho,H.H.冲击-气膜冷却系统中冲击孔的优化设计[J].能源.2014(Kim,K.M.Moon,H.Park,J.S.Cho,H.H.Optimaldesignofimpingingjetsinanimpingement/effusioncoolingsystem[J].Energy.2014)建立了由层板几何参数预测冷气流量、表面最高温度的神经网络，设置了层板设计的优化目标，通过遗传算法迭代寻优的方式，找到了满足优化目标的层板几何参数。
上述研究中，使层板冷却结构达到给定流量设计目标的方法一般为建立由层板结构参数预测预估通过结构冷气流量的预估模型，通过反复修改几何参数，迭代寻优的方式得到层板结构设计。在目标冷气流量改变时，需要重复寻优。缺少一种由目标冷气流量直接得到层板结构参数的快速设计方法。
发明内容
本发明为解决现有层板冷却结构流量设计需要反复修改几何参数，在冷气流量改变时，需要重复寻优而无法根据冷气流量直接得到层板结构参数设计等问题，提供一种基于几何设计参数预测网络的层板冷却结构设计方法。
一种基于几何设计参数预测网络的层板冷却结构设计方法,该方法通过层板流量数据集生成模块、几何设计参数预测网络搭建模块和层板几何参数设计模块实现；该方法的具体过程为：
步骤一、对层板冷却结构进行参数化，获得层板冷却结构几何参数，将所述几何参数允许的变化范围，层板进气压力、层板出气压力的变化范围输入所述层板流量数据集生成模块，所述层板流量数据集生成模块输出层板几何参数值，层板进气压力，出气压力和冷气流量形式的数据集；
步骤二、搭建几何设计参数预测网络；
将层板冷却结构几何参数拆分某一规定几何设计参数和其他几何参数两部分，将步骤一输出的数据集拆分为其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值的数据集形式；
将其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值的数据集输入所述几何设计参数预测网络搭建模块，所述几何设计参数预测网络搭建模块输出训练收敛的用于几何设计参数预测的神经网络；
步骤三、设定其他几何参数值、层板进气压力、层板出气压力和预期冷气流量，并输入步骤二获得的几何设计参数预测的神经网络进行计算，获得某一规定几何设计参数值；
将所述其他几何参数值和某一规定几何设计参数值组成层板结构的完整几何描述参数作为层板几何参数设计模块的输出。
本发明的有益效果：
本发明提供一种由目标冷气流量直接预测得到层板结构参数的快速设计方法。通过提前训练好由其他几何参数值、层板进气压力、层板出气压力、预期冷气流量预测规定几何设计参数值的神经网络，能够在目标冷气流量改变时，直接快速地给出满足目标冷气流量的层板结构的所有几何参数值。
通过本发明的预测方法，可快速地、直接地得到满足给定预期冷气流量的层板设计结构。
附图说明
图1为本发明所述的一种基于几何设计参数预测网络的层板冷却结构设计方法中层板冷却结构及层板冷却结构的参数化示意图；
图2为搭建的几何设计参数预测网络结构示意图；
图3为层板几何参数设计模块实现层板冷却结构设计的原理图；
图4为本发明所述的一种基于几何设计参数预测网络的层板冷却结构设计方法的流程图。
具体实施方式
结合图1至图4说明本实施方式，一种基于几何设计参数预测网络的层板冷却结构设计方法，该方法首先对层板冷却结构进行参数化，得到描述层板冷却结构的几何参数；
接着改变几何参数数值，改变层板进气和出气压力值，进行大量数值模拟计算，得到结构对应的冷气流量数值；接着搭建输入为除规定几何设计参数之外的几何参数(以下简称其他几何参数)、层板进气和出气压力、冷气流量，输出为某一规定几何设计参数(如气膜孔直径)的神经网络；用大量层板结构的流量数据集训练神经网络，得到能够直接预测规定几何设计参数的神经网络。训练好的神经网络可用于设计层板结构，使得通过层板结构的冷气流量接近初期的给定值。该方法包括层板流量数据集生成模块、几何设计参数预测网络搭建模块和层板几何参数设计模块；
一、层板冷却结构参数化；
对待设计的层板结构进行参数化，得到描述层板结构的全部几何参数。输入为待设计层板结构，输出为描述层板结构的全部几何参数。
如图1所示，df为气膜孔直径，di为冲击孔直径，dp为扰流柱直径，α为气膜孔入射角，Pf为气膜孔径向间距，Sf为气膜孔流向间距，t1为层板内壁厚度，t2为层板层间间距，t3为层板外壁厚度。其中，某一规定的几何参数如气膜孔直径，其他几何参数即为上述的其余的参数。
在对层板冷却结构进行参数化的基础上，在层板冷却结构几何参数允许的变化范围内大量采样，并建立相应层板几何模型，多次改变层板进出气压力，进行数值模拟，得到通过层板的冷气流量数据。由此建立关于几何参数值、层板进出气压力、冷气流量的数据集。所述层板流量数据集生成模块的输入为几何参数允许的变化范围，层板进气压力、层板出气压力的变化范围，输出为层板几何参数值、层板进出气压力、冷气流量形式的数据集。
二、生成大量关于层板结构流量的数据集；
在步骤一对层板冷却结构进行参数化的基础上，调用层板流量数据集生成模块，生成大量关于层板结构流量的数据集。输入为几何参数允许的变化范围，层板进气压力、层板出气压力的变化范围，输出层板几何参数值、层板进出气压力、冷气流量形式的数据集。
三、搭建几何设计参数预测网络；
将层板几何参数拆分某一规定几何设计参数(如气膜孔直径)和其他几何参数两部分。将步骤二中的数据集拆分成其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值(如气膜孔直径)的数据集形式。调用几何设计参数预测网络搭建模块，输入其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值(如气膜孔直径)形式的大量数据集，输出训练收敛的用于几何设计参数预测的神经网络。
如图2所示，本实施方式中为搭建全连接神经网络，神经网络的输入层为其他几何参数、层板进气压力、层板出气压力、预期冷气流量，输出层为某一规定几何设计参数(如气膜孔直径)。神经网络的损失函数为训练数据集的规定几何设计参数数值与神经网络预测的规定几何设计参数数值间的均方误差。训练神经网络，直损失函数基本不变。
四、几何设计参数预测网络辅助层板几何参数设计；如图3所示。
在对已知层板进气压力、层板出气压力，预期冷气流量进行几何参数设计时。首先由给定其他几何参数为经验取值，接着调用步骤三中训练收敛的用于几何设计参数预测的神经网络，输入其他几何参数值，层板进气压力、层板出气压力，预期冷气流量，通过几何设计参数预测网络，得到某一规定几何设计参数值(如气膜孔直径)。其他几何参数值和规定几何设计参数值一起组成了层板结构的完整几何描述。所述层板几何参数设计模块的输入为其他几何参数值，层板进气压力、层板出气压力，预期冷气流量，训练好的几何设计参数预测网络，输出为描述层板结构的所有几何参数值。得到规定几何设计参数的值。其他几何参数值和规定几何设计参数值一起组成了层板结构的完整几何描述。
通过本实施方式的方法，可快速地、直接地得到满足给定预期冷气流量的层板设计结构。
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)
1.一种基于几何设计参数预测网络的层板冷却结构设计方法，其特征是：该方法通过层板流量数据集生成模块、几何设计参数预测网络搭建模块和层板几何参数设计模块实现；该方法的具体过程为：
步骤一、对层板冷却结构进行参数化，获得层板冷却结构几何参数，将所述几何参数允许的变化范围，层板进气压力、层板出气压力的变化范围输入所述层板流量数据集生成模块，所述层板流量数据集生成模块输出层板几何参数值，层板进气压力，出气压力和冷气流量形式的数据集；
步骤二、搭建几何设计参数预测网络；
将层板冷却结构几何参数拆分某一规定几何设计参数和其他几何参数两部分，将步骤一输出的数据集拆分为其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值的数据集形式；
将其他几何参数值、层板进气压力、层板出气压力、预期冷气流量、某一规定几何设计参数值的数据集输入所述几何设计参数预测网络搭建模块，所述几何设计参数预测网络搭建模块输出训练收敛的用于几何设计参数预测的神经网络；
步骤三、设定其他几何参数值、层板进气压力、层板出气压力和预期冷气流量，并输入步骤二获得的几何设计参数预测的神经网络进行计算，获得某一规定几何设计参数值；
将所述其他几何参数值和某一规定几何设计参数值组成层板结构的完整几何描述参数作为层板几何参数设计模块的输出。
2.根据权利要求1所述的一种基于几何设计参数预测网络的层板冷却结构设计方法，其特征在于：步骤一中，所述层板流量数据集生成模块在几何参数允许的变化范围内采样，并建立相应层板几何模型，多次改变层板进出气压力，进行数值模拟，得到通过层板的冷气流量数据；并建立关于几何参数值、层板进气压力、出气压力以及冷气流量的数据集。
3.根据权利要求1所述的一种基于几何设计参数预测网络的层板冷却结构设计方法，其特征在于：步骤二中，所述几何设计参数预测网络搭建模块为搭建的全连接神经网络，神经网络的输入层为其他几何参数、层板进气压力、层板出气压力、预期冷气流量，输出层为某一规定几何设计参数；神经网络的损失函数为训练数据集的某一规定几何设计参数数值与神经网络预测的某一规定几何设计参数数值间的均方误差；训练神经网络，直到损失函数值不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310850694.7A CN117077507A (zh) | 2023-07-12 | 2023-07-12 | 一种基于几何设计参数预测网络的层板冷却结构设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310850694.7A CN117077507A (zh) | 2023-07-12 | 2023-07-12 | 一种基于几何设计参数预测网络的层板冷却结构设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077507A true CN117077507A (zh) | 2023-11-17 |
Family
ID=88712368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310850694.7A Pending CN117077507A (zh) | 2023-07-12 | 2023-07-12 | 一种基于几何设计参数预测网络的层板冷却结构设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077507A (zh) |
-
2023
- 2023-07-12 CN CN202310850694.7A patent/CN117077507A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108828947B (zh) | 一种航空发动机含时滞的不确定性模糊动态模型建模方法 | |
| CN107194118B (zh) | 一种涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法 | |
| Gul et al. | Multi-objective-optimization of process parameters of industrial-gas-turbine fueled with natural gas by using Grey-Taguchi and ANN methods for better performance | |
| Shahpar et al. | Aerodynamic optimization of high-pressure turbines for lean-burn combustion system | |
| CN111967202B (zh) | 一种基于人工智能的航空发动机极速性能数字孪生方法 | |
| CN112901369B (zh) | 一种二元喷管冷却气流量控制方法 | |
| Khamlaj et al. | Optimization study of shrouded horizontal axis wind turbine | |
| Ghisu et al. | An integrated system for the aerodynamic design of compression systems—part II: Application | |
| Tejero et al. | Impact of droop and scarf on the aerodynamic performance of compact aero-engine nacelles | |
| Liu et al. | Multivariate design and analysis of aircraft heat exchanger under multiple working conditions within flight envelope | |
| CN117077507A (zh) | 一种基于几何设计参数预测网络的层板冷却结构设计方法 | |
| Jia et al. | Design of control schedules for interturbine burner turbofan engine considering ignition and flameout characteristics | |
| Benjamin et al. | Design and Optimization of a Nacelle for a UHBR Turbofan engine using an Intuitive Class Shape Transformation based parameterization | |
| Zhao | On Aero Engine Intercooling | |
| CN114519299A (zh) | 一种一体化支板火焰稳定器双层壁结构的多目标优化方法 | |
| Falissard et al. | Computation of airfoil-vortex interaction using a vorticity-preserving scheme | |
| Lejon | Aerodynamic design framework for low-pressure compression systems | |
| Sharma | Heat transfer analysis for preliminary design of gas turbine combustion chamber liners | |
| Jiang et al. | Improved Firefly Algorithm for Optimization of Aero-engine Controller Based on PIDNN | |
| Tuite et al. | Optimization of an High Pressure Turbine Blade and Sector-Based Annular Rig Design for Supercritical CO2 Power Cycle Representative Testing | |
| Cai et al. | Predictive control method for mode transition process of multi-mode turbine engine based on onboard adaptive composite model | |
| CN116050051B (zh) | 一种基于响应面模型的微流道换热器优化设计方法 | |
| CN113971320B (zh) | 一种冲压发动机推力性能的实时优化方法 | |
| Ren et al. | Multi-stage optimization method for air-intake system of hovercraft based on autonomous optimization | |
| Johnson et al. | Low-Heat-Load-Vane Profile Optimization, Part 1: Code Validation and Airfoil Redesign |
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 |