CN117610197A - 基于物理信息神经网络的涡轮叶片温度场预测方法 - Google Patents
基于物理信息神经网络的涡轮叶片温度场预测方法 Download PDFInfo
- Publication number
- CN117610197A CN117610197A CN202311653955.2A CN202311653955A CN117610197A CN 117610197 A CN117610197 A CN 117610197A CN 202311653955 A CN202311653955 A CN 202311653955A CN 117610197 A CN117610197 A CN 117610197A
- Authority
- CN
- China
- Prior art keywords
- neural network
- turbine blade
- data
- temperature
- temperature field
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013078 crystal Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Control Of Turbines (AREA)
Abstract
基于物理信息神经网络的涡轮叶片温度场预测方法,涉及航空发动机测试数据处理。在边界条件完全未知的情况下利用少量的数据和传热方程来训练预测涡轮叶片温度场的神经网络模型,训练后得到一个能预测涡轮叶片温度场的神经网络模型,用机器学习中评价标准在测试集上测试。训练时的损失函数包含两部分:数据损失和传热方程损失,两种都能促进神经网络模型学习涡轮叶片温度场的特点。利用机器学习中评价标在测试集进行评价,主要计算MAE、MRE、R2‑Score来比较分析不同数据量数据训练的神经网络预测涡轮叶片温度场的准确性。本发明可以在未知边界条件下,仅凭较少的已知测温点的数据预测涡轮叶片的温度场。
Description
技术领域
本发明涉及航空发动机测试数据处理领域,具体涉及一种基于物理信息神经网络的涡轮叶片温度场预测算法。
背景技术
燃气涡轮发动机开发测试过程中需要丰富的数据来分析是涡轮部件受热情况,比如涡轮叶片(nozzle guide vanes,NGV)的温度场的数据。涡轮发动机的叶片传热计算模型主要包括两种:不带膜冷却的叶片传热,带膜冷却的叶片传热。相较于不带膜冷却的叶片,带膜冷却的叶片通常具有更好的冷却效果,在燃气轮机中应用更广泛。本发明考虑的是带膜冷却的二维涡轮叶片计算模型。通过设定边界条件和各项初始条件,传统的计算流体动力学(computational fluid dynamics,CFD)的方法可以很精确的求解叶片的温度场。涡轮叶片在实际应用中,会面临复杂热流环境,此时显然不是实施例当中已知的边界条件。不知道热流通量的情况,但又需要其温度的分布情况来对涡轮叶片受热情况进行分析。显然,可以放一些测温计来得到少量的温度数据,但是这零散的温度数据不足以支持分析整个温度分布情况,所以需要开发由少量温度数据反演涡轮叶片温度场的方法。边界条件未知的时求解带膜冷却的涡轮叶片温度场,这是逆传热问题。对于边界条件未知的情况,CFD的求解难度依然较大。
在边界条件未知的情况下求解涡轮叶片的温度场,分析其受热情况,对燃气涡轮发动机开发测试十分重要。由于实际环境的复杂多变性,传统的CFD算法难以在未知边界条件情况时仅由少量的零散测温数据反演涡轮叶片的温度场。开发基于深度学习的算法,利用少量温度数据实现涡轮叶片温度场的反演,从而获取更丰富的数据分析受热情况,对燃气涡轮发动机开发测试过程有很大的促进作用。
涡轮叶片表面温度测量及数据处理对航空发动机热端部件的研制至关重要,通过微型测温晶体测得涡轮叶片表面有限点的温度,通过数据处理的方法获得温度场的分布。由于实际环境的复杂性,涡轮导向叶片边界的热流通量难以全面获取,基于有限测点的涡轮叶片表面温度场反演,是涡轮表面传热的逆问题,本质上要在缺乏某些边界条件或初始条件时求解温度场。我国航空发动机研制过程中,由于严重缺乏涡轮叶片等热端部件表面和其通道内气流温度等基础数据,严重阻碍我国航空发动机设计研发进程,急需开展航空发动机涡轮叶片温度准确测试和数据处理方法研究。
发明内容
本发明的目的旨在针对现有的CFD方法难以求解边界条件完全未知的涡轮叶片温度场的问题,提供一种基于物理信息神经网络(Physics-Informed Neural Networks,PINN)利用少量温度数据在边界条件未知时求解涡轮叶片温度场的方法。
本发明所述基于物理信息神经网络的涡轮叶片温度场预测方法,包括以下步骤:
1)获取待测涡轮叶片的温度数据,可通过设置测温晶体获得或者数值模拟获得;
2)训练神经网络模型:在边界条件完全未知的情况下利用少量的数据和传热方程训练神经网络模型,训练时的损失函数包含两部分:数据损失和传热方程损失,损失函数用于促进神经网络模型学习涡轮叶片温度场的特点;
3)预测涡轮叶片温度场:用步骤2)训练后的神经网络模型预测涡轮叶片温度场;
4)使用步骤3)神经网络模型的预测温度结果,结合步骤1)中数值模拟所得数据作为测试数据,用机器学习中评价标准在测试集上测试,计算测试集上平均相对误差MRE,平均绝对误差MAE,R2-Score,比较分析不同数据量数据训练的神经网络预测涡轮叶片温度场的准确性。
在步骤1)中,本发明所用数据来源于数值模拟,取数值模拟的少量数据用于训练,更多的数据用于测试;在实际应用中,也可以通过设置测温晶体获得温度数据。
在步骤2)中,所述训练神经网络模型是使用步骤1)获得的数据进行训练,具体步骤为:输入涡轮叶片数据的二维坐标至神经网络模型θ表示神经网络的参数,x,y表示二维坐标;神经网络模型输出对应坐标的温度,通过计算损失值,损失反向传播,对神经网络的参数进行更新;
所述计算损失值,损失函数包括两部分:数据损失和传热方程损失
所述传热方程损失如下:
其中,表示来自涡轮叶片定义域内的二维坐标点,k为叶片的热传导系数,具体如下所示:
所述数据损失如下:
其中,表示来观测温度在涡轮叶片定义域内的二维坐标点,T(x,y)表示对应x,y坐标点的已知温度。
使用已知少量数据和控制方程训练神经网络其中/>和ωd表示权值,都被设置为1,优化目标如下:
在步骤3)中,所述预测涡轮叶片温度场,使用数据和物理信息共同驱动的神经网络来预测涡轮叶片温度场,具体步骤为将涡轮叶片的二维坐标输入至神经网络模型/>神经网络输出预测的该坐标的温度。
在步骤4)中,所述MAE,MRE和R2-Score的计算方法如下:
式中,MAE和MRE指标是越小表明误差越小。R2-Score的最大值为1,与MAE不同,R2-Score越接近1则表明误差越小。
本发明和传统的CFD方法相比具有如下优点:
1)在边界条件完全未知时,可以仅凭少量已知温度数据预测涡轮叶片温度场;
2)本发明传热控制方程融入神经网络的训练过程,缓解神经网络对数据的依赖性,使用较少的数据也能训练出良好性能的神经网络,在测试集上结果见表1;
3)本发明使用的是轻量级的较小的神经网络,该神经网络参数较少,存储所用空间小,节约内存。
附图说明
图1为二维NASA C3X涡轮叶片计算模型示意图。
图2为本发明的方法流程示意图。
图3为本发明的设计的神经网络框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下实施例将结合附图对本发明进行作进一步的说明。
如图2所示,本发明实施例的方法包括以下步骤:
1)获取数据:本实施例所用涡轮叶片温度数据来源于基于OPENFoam开源框架的数值模拟,取数值模拟的少量数据用于训练,更多的数据用于测试;在实际应用中,也可以通过设置测温晶体获得温度数据。如图1所示,用二维带冷却管的NASA C3X涡轮叶片([1]Hylton LD,et al.Analytical and experimental evaluation of the heat transferdistribution over the surfaces of turbine vanes[R].1983.)作为计算模型,图1中1~10表示10个冷却管。其中,与热空气相接触的叶片外表面和与冷空气相接触的叶片内表面均为边界条件。
2)设计并训练神经网络模型:本发明设计的神经网络结构如图3所示。图3中“Input”表示输入变量该神经网络的输入是二维空间坐标(x,y),“Output”表示输出变量即输入变量二维空间坐标(x,y)对应的温度。输入涡轮叶片的二维坐标至神经网络模型/>θ表示神经网络的参数,x,y为涡轮叶片二维坐标;神经网络模型输出对应坐标的温度,通过计算损失值,损失反向传播,对神经网络的参数更新,以训练神经网络模型;
预测涡轮叶片温度场涉及的传热问题的传热方程如下:
-kΔT=0, (1)
其中T表示温度,k为叶片的热传导系数。
使用数据和物理信息共同驱动的神经网络来预测涡轮叶片温度场,θ表示神经网络的参数。损失函数包括两部分:数据损失/>和传热方程损失/>传热方程损失如下:
其中,表示来自涡轮叶片定义域内的二维坐标点,k为叶片的热传导系数同公式(1)所示,/>如下所示:
数据损失如下:
其中表示来观测温度在涡轮叶片定义域内的二维坐标点,T(x,y)表示对应x,y坐标点的已知温度。
使用已知少量数据和控制方程来训练神经网络其中/>和ωd表示权值,都被设置为1,优化目标如下:
本发明设计的神经网络结构如图3所示。图3中“Input”表示输入变量该神经网络的输入是二维空间坐标(x,y),“Output”表示输出变量即输入变量二维空间坐标(x,y)对应的温度。如图3所示,损失函数包括数据损失和传热方程损失,图中所示“温度数据”为已知的零散的温度数据,图中传热方程损失如公式(2)所示,数据损失如公式(4)所示。本发明用以求解涡轮叶片温度场的神经网络共包括7层全连接层,全连接层在图3中用“Linear”表示。第一层全连接层的激活函数是PReLU(Parametric Rectified LinearUnit)如图3中“PReLU”所示,其后五层全连接层的激活函数是SiLU(Sigmoid LinearUnit),如图3中“SiLU”所示,最后一层全连接层无需激活函数。该神经网络前五层全连接层每层有64个结点,后两层全连接层每层有32个结点。整个神经网络的参数在19K左右,是一个比较小轻量级神经网络模型。在训练时,该网络的损失通过反向传播更新神经网络参数,最终使得损失越来越小,也就是预测的温度越接近真实温度。神经网络训练时的学习率被设置为0.003,Batch-size被设置为256,参数更新时使用了Adam优化方式。
为探索多少个温度数据足以训练出性能良好的预测叶片温度场神经网络,分别使用了62、92、122、152个点的温度数据来训练神经网络,然后在测试集上测试,本发明使用不同数量的训练数据评价结果结果如表1所示。
选择机器学习中的常用指标平均绝对误差(mean absolute error,MAE),平均相对误差(mean relative error,MRE)和R2-Score作为评价指标来度量物理信息神经网络(Physics-Informed Neural Networks,PINN)的性能。MAE,MRE和R2-Score的计算方法如下:
测试集具有15980个涡轮叶片二维坐标点的温度数据。MAE和MRE指标是越小表明误差越小。R2-Score的最大值为1,与MAE不同,R2-Score越接近1则表明误差越小。
表1本发明在测试集上评价结果
从表1可以发现,即使仅使用62个点的温度数据,本发明使用的物理神经网络方法在测试集平均相对误差MRE也在2%以下,且当数据量增加到122时,MRE降低到1%以下。这表明本发明使用的深度全连接神经网络具有良好的性能。如果想要减少成本使训练数据尽可能少,本发明认为62个温度数据训练的神经网络模型已经能够预测涡轮叶片温度场分布情况,此时的MRE在2%以下,R2-Score在0.95以上,此时的结果也是可靠。如果想要更准的预测,可以考虑使用122或者152个数据来训练神经网络模型。当训练的温度数据的数量为122时,物理信息神经网络在测试集上的MAE为4.12K,MER为0.7393%,R2-Score为0.9903,此时的神经网络模型已经具有良好的性能。
本发明形成一个基于物理信息神经网络预测涡轮叶片温度场的方法,对边界条件未知时反演涡轮叶片的温度场具有重要意义。
上述实施例仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (5)
1.基于物理信息神经网络的涡轮叶片温度场预测方法,其特征在于包括以下步骤:
1)获取待测涡轮叶片的温度数据,通过设置测温晶体获得或数值模拟获得;
2)训练神经网络模型:在边界条件完全未知的情况下利用少量的数据和传热方程训练神经网络模型,训练时的损失函数包含两部分:数据损失和传热方程损失,损失函数用于促进神经网络模型学习涡轮叶片温度场的特点;
3)预测涡轮叶片温度场:用步骤2)训练后的神经网络模型预测涡轮叶片温度场;
4)使用步骤3)神经网络模型的预测温度结果,结合步骤1)中数值模拟所得数据作为测试数据,用机器学习中评价标准在测试集上测试,计算测试集上平均相对误差MRE,平均绝对误差MAE,R2-Score,比较分析不同数据量数据训练的神经网络预测涡轮叶片温度场的准确性。
2.如权利要求1所述基于物理信息神经网络的涡轮叶片温度场预测方法,其特征在于在步骤1)中,所述数据来源于数值模拟,取数值模拟的少量数据用于训练,更多的数据用于测试;或通过设置在涡轮叶片上设置测温晶体获得温度数据。
3.如权利要求1所述基于物理信息神经网络的涡轮叶片温度场预测方法,其特征在于在步骤2)中,所述训练神经网络模型是使用步骤1)获得的数据进行训练,具体步骤为:输入数据的二维坐标至神经网络模型θ表示神经网络的参数,x,y为二维空间坐标;神经网络模型输出对应坐标的温度,通过计算损失值,损失反向传播,对神经网络的参数进行更新;
所述计算损失值,损失函数包括两部分:数据损失和传热方程损失/>
所述传热方程损失如下:
其中,表示来自涡轮叶片定义域内的二维坐标点,k为叶片的热传导系数,具体如下所示:
所述数据损失如下:
其中,表示来观测温度在涡轮叶片定义域内的二维坐标点,T(x,y)表示对应x,y坐标点的已知温度;
使用已知少量数据和控制方程训练神经网络优化目标如下,其中/>和ωd表示权值,都被设置为1:
4.如权利要求1所述基于物理信息神经网络的涡轮叶片温度场预测方法,其特征在于在步骤3)中,所述预测涡轮叶片温度场,使用数据和物理信息共同驱动的神经网络来预测涡轮叶片温度场,将涡轮叶片的二维坐标输入至神经网络模型/>神经网络输出预测的该坐标的温度。
5.如权利要求1所述基于物理信息神经网络的涡轮叶片温度场预测方法,其特征在于在步骤4)中,所述MAE,MRE和R2-Score的计算方法如下:
式中,MAE和MRE指标是越小表明误差越小;R2-Score的最大值为1,与MAE不同,R2-Score越接近1则表明误差越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653955.2A CN117610197A (zh) | 2023-12-05 | 2023-12-05 | 基于物理信息神经网络的涡轮叶片温度场预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653955.2A CN117610197A (zh) | 2023-12-05 | 2023-12-05 | 基于物理信息神经网络的涡轮叶片温度场预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610197A true CN117610197A (zh) | 2024-02-27 |
Family
ID=89959603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311653955.2A Pending CN117610197A (zh) | 2023-12-05 | 2023-12-05 | 基于物理信息神经网络的涡轮叶片温度场预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610197A (zh) |
-
2023
- 2023-12-05 CN CN202311653955.2A patent/CN117610197A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3575892A1 (en) | Model parameter value estimation device and estimation method, program, recording medium with program recorded thereto, and model parameter value estimation system | |
CN102521439B (zh) | 结合有限元法和反传热法计算淬火介质换热系数的方法 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
CN105046030B (zh) | 基于有限元法的三维传热条件下的铝合金构件淬火过程换热系数的获得方法 | |
CN109885885B (zh) | 一种基于气固液三相耦合传热的喷嘴杆壁温预估方法 | |
CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
KR20210110661A (ko) | 해석 시스템 및 해석 방법 | |
CN103853927B (zh) | 基于聚类全局优化算法预测材料力学行为的方法 | |
CN111090907B (zh) | 一种飞行试验转捩判断方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN116882324B (zh) | 一种数据驱动的滑移流近壁区非线性本构流场建模方法 | |
CN117610197A (zh) | 基于物理信息神经网络的涡轮叶片温度场预测方法 | |
Karadogan et al. | Potential use of machine learning to determine yield locus parameters | |
CN114462336B (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
CN116070374A (zh) | 一种考虑热辐射的涡轮叶片气膜冷却效率修正方法 | |
CN113849901B (zh) | 针对接触换热系数辨识的改进自适应优化方法及系统 | |
CN113065275B (zh) | 一种飞行器飞行过程中驻点热流的在线预示方法 | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
CN114429029A (zh) | 疫苗冷库性能评价方法、系统和存储介质 | |
CN111625995A (zh) | 一种集成遗忘机制和双超限学习机的在线时空建模方法 | |
CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 | |
Bahl et al. | Experimental investigations on brass material and pin–fin based heat transfer system and its modeling by using adaptive neuro-fuzzy inference system | |
CN116090340B (zh) | 一种基于数据分析的热工控制时间延迟估计方法 | |
CN117195717A (zh) | 一种热边界条件计算方法、装置、设备及存储介质 | |
CN114035529B (zh) | 基于atl-bma的非线性工业过程低成本建模方法 |
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 |