一种基于机器学习的涡轮多尺度流动降阶耦合方法技术

本发明专利技术公开了一种基于机器学习的涡轮多尺度流动降阶耦合方法，包括：构建涡轮集气室内部流场降阶模型、构建涡轮叶冠流场降阶模型、构建涡轮轮盘间隙流场降阶模型，基于三维流体动力学耦合方法构建涡轮叶栅耦合模型，将涡轮集气室内部流场降阶模型、涡轮叶冠流场降阶模型、涡轮轮盘间隙流场降阶模型与该涡轮叶栅耦合模型通过边界条件集成，完成给定工况参数下涡轮集气室、叶冠、轮盘间隙与叶栅通道内部不同尺度的流场参数耦合。本发明专利技术耦合时间短、流场细节丰富、学习能力强。学习能力强。学习能力强。

【技术实现步骤摘要】
一种基于机器学习的涡轮多尺度流动降阶耦合方法


[0001]本专利技术属于涡轮
，具体来说涉及一种基于机器学习的涡轮多尺度流动降阶耦合方法。

技术介绍

[0002]近年来，随着涡轮在新能源、压缩空气储能、余热利用等各类能源系统中的广泛应用，该装置的输出功率和工质流量也逐渐增加，在结构上也具有“几何尺寸大、叶片排数多、多台并行”的发展趋势。在上述特征影响下，集气室尺寸、涡轮通道尺寸、涡轮叶冠尺寸、轮盘间隙尺寸差异更为明显，并导致其内部流动具有显著的“多尺度”特点。
[0003]目前，对于涡轮流场的耦合方法主要基于全三维计算流体动力学(3D
‑
CFD)模型。该方法因为通过耦合全三维粘性Navier
‑
Stokes方程，所以能够提供丰富的流场细节信息，并且具有耦合精度高的优点，但该方法面对“大尺寸、多级叶片排、多台集成运行”的涡轮时，往往需要采用多尺寸计算网格对流动域进行离散，对叶冠间隙、轮盘间隙需要进行局部加密，以满足涡轮内部同时存在的多尺度流场耦合需求，导致网格离散复杂，耦合时间长。目前针对该类流动的耦合往往需要千万级的网格单元数量，耦合时间在几十小时以上。

技术实现思路

[0004]本专利技术的目的在于克服上述缺点而提出的一种耦合时间短、流场细节丰富、学习能力强的基于机器学习的涡轮多尺度流动降阶耦合方法。
[0005]本专利技术的一种基于机器学习的涡轮多尺度流动降阶耦合方法，包括以下步骤：
[0006](1)构建涡轮集气室内部流场降阶模型：基于样本点集，构建涡轮运行工况参数与集气室出口流场参数分布映射关系的降阶模型；
[0007](2)构建涡轮叶冠流场降阶模型：基于样本点集，构建涡轮运行工况参数与涡轮叶栅
‑
叶冠交界面流场参数分布映射关系，以及涡轮运行工况与叶冠间隙内部流场参数分布矩阵映射关系的涡轮叶冠流场降阶模型；
[0008](3)构建涡轮轮盘间隙流场降阶模型：基于样本点集，构建以涡轮运行工况参数与涡轮叶栅
‑
轮盘间隙交界面流场参数分布映射关系，以及涡轮运行工况与轮盘间隙内部流场参数分布矩阵映射关系的涡轮轮盘间隙流场降阶模型；
[0009](4)将降阶模型与涡轮叶栅流场耦合模型集成，形成涡轮多尺度流动耦合降阶模型：基于三维流体动力学耦合方法构建涡轮叶栅耦合模型，将涡轮集气室内部流场降阶模型、涡轮叶冠流场降阶模型、涡轮轮盘间隙流场降阶模型与该涡轮叶栅耦合模型通过边界条件集成，完成给定工况参数下涡轮集气室、叶冠、轮盘间隙与叶栅通道内部不同尺度的流场参数耦合耦合。
[0010]上述的一种基于机器学习的涡轮多尺度流动降阶耦合方法，其中：所述步骤(1)
‑
(3)的降阶模型中，样本点集的获得方式为实验测量、三维计算流体动力学数值模拟。
[0011]上述的一种基于机器学习的涡轮多尺度流动降阶耦合耦合方法，其中步骤(1)构
建涡轮集气室内部流场降阶模型的方法为：构建样本点集，以膨胀比、折合转速等涡轮运行工况参数矢量作为输入量，以涡轮集气室出口总压、总温、气流角等流场参数分布矩阵为输出量，采用机器学习算法，构建反映涡轮运行工况与集气室出口流场参数分布映射关系B
in
→
C
chamb,P,out
、B
in
→
C
chamb,T,out
、B
in
→
C
chamb,α,out
以及涡轮运行工况与集气室内部流场参数分布映射关系B
in
→
C
chamb,P,inner
、B
in
→
C
chamb,T,inner
、B
in
→
C
chamb,α,inner
降阶模型。
[0012]上述的一种基于机器学习的涡轮多尺度流动降阶耦合耦合方法，其中步骤(2)构建涡轮叶冠流场降阶模型的方法为：构建样本点集，以膨胀比、折合转速等涡轮运行工况参数矢量B
in
＝(π
tt
,n
cor
)作为输入量，以涡轮叶栅
‑
叶冠交界面总压、总温、气流角等流场参数分布矩阵C
Cr,inter,P1
＝{P
Cr,inter,i,j
}、C
Cr,inter,T1
＝{T
Cr,inter,i,j
}、C
Cr,inter,α1
＝{α
Cr,inter,i,j
}，C
Cr,inter,P2
＝{P
Cr,inter,i,j
}、C
Cr,inter,T2
＝{T
Cr,inter,i,j
}、C
Cr,inter,α2
＝{α
Cr,inter,i,j
}以及叶冠间隙内部流场参数分布矩阵S
Cr,inner,
＝{S
Cr,inner,i,j
}为输出量，采用机器学习算法，分别构建反映涡轮运行工况与涡轮叶栅
‑
叶冠交界面流场参数分布映射关系B
in
→
C
Cr,inter,P1
、B
in
→
C
Cr,inter,T1
、B
in
→
C
Cr,inter,α1
、B
in
→
C
Cr,inter,P2
、B
in
→
C
Cr,inter,T2
、B
in
→
C
Cr,inter,α2
，以及涡轮运行工况与叶冠间隙内部流场参数分布矩阵映射关系B
in
→
S
Cr,inner,
的涡轮叶冠流场降阶模型。
[0013]上述的一种基于机器学习的涡轮多尺度流动降阶耦合耦合方法，其中步骤(3)构建涡轮轮盘间隙流场降阶模型的方法为：构建样本点集，以膨胀比、折合转速等涡轮运行工况参数矢量B
in
＝(π
tt
,n
cor
)作为输入量，以涡轮叶栅
‑
轮盘间隙交界面流场总压、总温、气流角等参数分布矩阵C
B,inter,P
＝{P
B,inter,i,j
}、C
B,inter,T
＝{T
B,inter,i,j
}、C
B,inter,α
＝{α
B,inter,i,j
}，以及叶冠间隙内部总压、总温、气流角等流场参数分布矩阵C
B,inner,P
＝{P
B,inner,i,j
}、C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的涡轮多尺度流动降阶耦合方法，包括以下步骤：（1）构建涡轮集气室内部流场降阶模型：基于样本点集，构建涡轮运行工况参数与集气室出口流场参数分布映射关系的降阶模型；（2）构建涡轮叶冠流场降阶模型：基于样本点集，构建涡轮运行工况参数与涡轮叶栅
‑
叶冠交界面流场参数分布映射关系，以及涡轮运行工况与叶冠间隙内部流场参数分布矩阵映射关系的涡轮叶冠流场降阶模型；（3）构建涡轮轮盘间隙流场降阶模型：基于样本点集，构建以涡轮运行工况参数与涡轮叶栅
‑
轮盘间隙交界面流场参数分布映射关系，以及涡轮运行工况与轮盘间隙内部流场参数分布矩阵映射关系的涡轮轮盘间隙流场降阶模型；（4）将降阶模型与涡轮叶栅流场耦合模型集成，形成涡轮多尺度流动耦合降阶模型：基于三维流体动力学耦合方法构建涡轮叶栅耦合模型，将涡轮集气室内部流场降阶模型、涡轮叶冠流场降阶模型、涡轮轮盘间隙流场降阶模型与该涡轮叶栅耦合模型通过边界条件集成，完成给定工况参数下涡轮集气室、叶冠、轮盘间隙与叶栅通道内部不同尺度的流场参数耦合耦合。2.如权利要求1所述的一种基于机器学习的涡轮多尺度流动降阶耦合方法，其中：所述步骤（1）
‑
（3）的降阶模型中，样本点集的获得方式为实验测量、三维计算流体动力学数值模拟。3.如权利要求1所述的一种基于机器学习的涡轮多尺度流动降阶耦合耦合方法，其中步骤（1）构建涡轮集气室内部流场降阶模型的方法为：构建样本点集，以膨胀比、折合转速等涡轮运行工况参数矢量作为输入量，以涡轮集气室出口总压、总温、气流角等流场参数分布矩阵为输出量，采用机器学习算法，构建反映涡轮运行工况与集气室出口流场参数分布映射关系以及涡轮运行工况与集气室内部流场参数分布映射关系降阶模型。4.如权利要求1所述的一种基于机器学习的涡轮多尺度流动降阶...

【专利技术属性】
技术研发人员：王星，周鑫，朱阳历，张雪辉，李文，陈海生，
申请(专利权)人：中国科学院工程热物理研究所，
类型：发明
国别省市：