基于深度学习与损失权重分析的涡轮损失模型构建方法技术

本发明专利技术公开了一种基于深度学习与损失权重分析的涡轮叶片损失模型构建方法，所述方法为了探究如何对现有涡轮叶型损失模模型修正，首先需对叶型损失中的各项损失进行拆分，并与现有模型的预测大小进行对比，分析得到需要修正的系数与项和需要添加的修正项，进而形成具有修正形式的损失预测模型。并通过对比具有不同叶型参数的涡轮叶型损失，找到需要考虑的叶型参数变量。利用人工神经网络模型建立需要考虑的叶型参数变量与需要修正的系数(或项和需要添加的修正项)之间的函数关系，并带入具有修正形式的损失预测模型，进而构建涡轮叶型损失预测模型。该方法能够准确预测具有较大攻角工作范围的涡轮叶型损失。工作范围的涡轮叶型损失。工作范围的涡轮叶型损失。

【技术实现步骤摘要】
基于深度学习与损失权重分析的涡轮损失模型构建方法


[0001]本专利技术涉及一种航空发动机/燃气轮机中涡轮叶片气动损失预测模型构建方法，具体涉及一种基于深度学习与损失权重分析的涡轮叶片损失模型构建方法。

技术介绍

[0002]航空发动机这一动力系统，目前研制到第四代发动机，并逐渐向着第五代发动机发展，要求有更宽广的飞行包线；高速旋翼机也对航空发动机有更宽的工作范围要求。涡轮作为其中承担将工质的热能转换为机械的重要旋转部件，也相应提高了工作范围内的损失性能要求，故对涡轮部件的气动设计工作提出了新要求。
[0003]燃气轮机涡轮的气动设计工作是一个从低维到高维逐步设计及优化的过程，低维设计结果作为高维设计的初值及基础。在一维设计中，损失模型起到了非常大的作用，可根据其选出较好的进出口气动条件，对整个涡轮部件的设计有重要意义。然而随着技术的发展，涡轮叶片性能不断得到提升，现有的涡轮损失预测模型的预测精度较差，尤其是针对宽攻角范围的叶型损失预测性能较差。预测相对误差在30％左右(AMDCKO涡轮损失模型)；非零攻角涡轮损失预测模型在负攻角范围预测精度较差。所以，需要针对现有损失模型进行修正。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习与损失权重分析的涡轮损失模型构建方法，在提高了原有模型的预测精度的同时，提供了一种简单快速的涡轮损失模型构建方法，该方法能够准确预测具有较大攻角工作范围的涡轮叶型损失。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于深度学习与损失权重分析的涡轮损失模型构建方法，包括如下步骤：
[0007]步骤S1、获取涡轮二维叶型的几何参数，并根据选定的工况对涡轮二维叶型进行平面叶栅试验，获得该涡轮叶型进出口气动参数，其中：
[0008]所述几何参数包括进口几何角β1、出口几何角β2、安装角γ、前缘楔角We、前缘相对厚度LEd/C、尾缘相对厚度TEd/C、相对最大厚度tmax/C、相对栅距t/C和前缘椭圆度LEb/LEa；
[0009]所述进口几何角β1、出口几何角β2、安装角γ均为与轴向方向的夹角，LEa为零攻角来流下前缘椭圆中与来流方向垂直的椭圆直径，LEb为零攻角来流下前缘椭圆中与来流方向相同的椭圆直径，LEd为叶型前缘圆(前缘圆为正圆)直径，C为叶型弦长，TEd为叶型尾缘圆(尾缘圆为正圆)直径，tmax为叶型最大厚度、t为栅距；
[0010]所述进出口气动参数为不同工况下的进出口气动参数，至少包括进口总压P
*1
、进口静压P1、出口静压P2、进口马赫数Ma1、出口马赫数Ma2、来流攻角i、出口气流角α2、出口截面的总压损失Y
p
、叶型的型面压力分布和出口总压损失周向分布。
[0011]步骤S2、对涡轮二维叶型进行CFD计算，通过对比CFD计算和步骤S1试验测量得到
的型面压力分布、出口总压损失周向分布与出口总压损失大小，对CFD计算结果进行校核；
[0012]步骤S3、结合步骤S2中获得的CFD计算结果和步骤S1中获得的试验测量结果，提取叶型损失中各成分损失大小和因来流存在攻角而产生的附加损失大小，其中：
[0013]所述叶型损失中各成分损失大小的计算方法包括但不限于：
[0014]1)针对附面层总压损失系数Y
bl
，具体计算方式如下：
[0015]通过附面层能量厚度计算出附面层中的能量损失大小：
[0016][0017]其中，u为附面层内的流体速度大小，u
∞
为主流速度大小，ρ为附面层内流体密度大小，δ为边界层的名义厚度。
[0018]根据附面层能量厚度的定义δ
e
：
[0019][0020]其中，ρ
∞
为主流密度大小。所以，附面层中能量损失的大小为：
[0021][0022]根据假设流动为等熵流动条件下计算得到的出口理想动能：
[0023][0024]其中，为质量流量，h
01
为进口总焓，h
s
为为出口静焓，C
P
为气体定压比热，T
01
为进口总温，γ为比热比，Ma
2s
为出口等熵马赫数。
[0025]最终计算出附面层能量损失系数为：
[0026][0027]并通过下式转换至附面层总压损失系数Y
bl
：
[0028][0029]2)针对尾迹损失Y
m
，因为在所研究的工况中无激波产生，利用试验测量的总损失Y
p
减去附面层损失Y
bl
获得，即：
[0030]Y
m
＝Y
P
‑
Y
bl
。
[0031]所述因来流存在攻角而产生的附加损失ΔΦ
2P
的计算方法包括但不限于：非零攻角下的能量损失系数与零攻角下的能量损失系数的差值。
[0032]步骤S4、针对现有的零攻角涡轮叶型损失预测经验模型进行各损失成分的拆分，并与步骤S3中提取的相应部分损失大小进行对比，分析出该零攻角涡轮叶型损失预测经验模型中需要修正的系数和需要添加的修正项；针对能够预测因攻角而产生附加损失的经验模型(变攻角模型)，与步骤S3中提取的附加损失大小进行对比，分析出该变攻角模型需要修正的系数和需要添加的修正项；
[0033]所述现有的零攻角涡轮叶型损失预测经验模型为AMDCKO涡轮损失预测模型，需要修正的系数和需要添加的修正项包括：
[0034]1)叶型附面层损失的马赫数修正因子K2表达式中的幂次，将K2＝(Ma1/Ma2)2替换为K2＝(Ma1/Ma2)
a
，其中a为待修正的项；
[0035]2)叶型附面层损失的马赫数修正因子K1表达式中的幂次，将K1＝1
‑
(1.25(Ma2‑
0.2))1替换为K1＝1
‑
(1.25(Ma2‑
0.2))
b
，其中b为待修正的项；
[0036]3)附面层损失占据的权重，将原式中只与附面层损失大小相关的系数2/3替换为常系数W
P
，W
P
为待定系数；
[0037]4)尾迹损失的预测值Y
’
TET
乘上可压缩修正项K
tet
，其表达式为：
[0038][0039]其中，c、d、e、f均为待确定的项。
[0040]所述能够预测因攻角而产生附加损失的经验模型为Benner涡轮损失预测模型，需要修正的系数和需要添加的修正项包括：
[0041]1)攻角变量χ的表达式：
[0042][0043]变为
[0044][0045]其中，LEd为前缘圆直径，We为前缘楔角，β1为进口几何角，β2为出口几何角，l、m、n为待定系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述方法包括如下步骤：步骤S1、获取涡轮二维叶型的几何参数，并根据选定的工况对涡轮二维叶型进行平面叶栅试验，获得该涡轮叶型进出口气动参数；步骤S2、对涡轮二维叶型进行CFD计算，通过对比CFD计算和步骤S1试验测量得到的型面压力分布、出口总压损失周向分布与出口总压损失大小，对CFD计算结果进行校核；步骤S3、结合步骤S2中获得的CFD计算结果和步骤S1中获得的试验测量结果，提取叶型损失中各成分损失大小和因来流存在攻角而产生的附加损失大小；步骤S4、针对现有的零攻角涡轮叶型损失预测经验模型进行各损失成分的拆分，并与步骤S3中提取的相应部分损失大小进行对比，分析出该零攻角涡轮叶型损失预测经验模型中需要修正的系数和需要添加的修正项；针对能够预测因攻角而产生附加损失的经验模型，与步骤S3中提取的附加损失大小进行对比，分析出该模型需要修正的系数和需要添加的修正项；步骤S5、采用神经网络模型构造涡轮叶型损失预测经验模型和能够预测因攻角而产生附加损失的经验模型中需要修正的系数和需要添加的修正项的函数形式；步骤S6、利用步骤S1获得的叶型参数和步骤S3获得的相应叶型损失构建样本集，进而利用样本集对涡轮叶型损失预测经验模型和能够预测因攻角而产生附加损失的经验模型进行训练，得到最终结果。2.根据权利要求1所述的基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述步骤S1中，几何参数包括进口几何角β1、出口几何角β2、安装角γ、前缘楔角We、前缘相对厚度LEd/C、尾缘相对厚度TEd/C、相对最大厚度tmax/C、相对栅距t/C和前缘椭圆度LEb/LEa，进口几何角β1、出口几何角β2、安装角γ均为与轴向方向的夹角，LEa为零攻角来流下前缘椭圆中与来流方向垂直的椭圆直径，LEb为零攻角来流下前缘椭圆中与来流方向相同的椭圆直径，LEd为叶型前缘圆直径，C为叶型弦长，TEd为叶型尾缘圆直径，tmax为叶型最大厚度、t为栅距。3.根据权利要求1所述的基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述步骤S1中，进出口气动参数为不同工况下的进出口气动参数，至少包括进口总压P
*1
、进口静压P1、出口静压P2、进口马赫数Ma1、出口马赫数Ma2、来流攻角i、出口气流角α2、出口截面的总压损失Y
p
、叶型的型面压力分布和出口总压损失周向分布。4.根据权利要求1所述的基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述步骤S3中，叶型损失中各成分损失大小的计算方法如下：1)针对附面层总压损失系数Y
bl
，具体计算方式如下：通过附面层能量厚度计算出附面层中的能量损失大小：其中，u为附面层内的流体速度大小，u
∞
为主流速度大小，ρ为附面层内流体密度大小，δ为边界层的名义厚度；根据附面层能量厚度的定义δ
e
：
其中，ρ
∞
为主流密度大小，附面层中能量损失的大小为：根据假设流动为等熵流动条件下计算得到的出口理想动能：其中，为质量流量，h
01
为进口总焓，h
s
为为出口静焓，C
P
为气体定压比热，T
01
为进口总温，γ为比热比，Ma
2s
为出口等熵马赫数；最终计算出附面层能量损失系数为：并通过下式转换至附面层总压损失系数Y
bl
：2)针对尾迹损失Y
m
，利用试验测量的总损失Y
p
减去附面层损失Y
bl
获得，即：Y
m
＝Y
P
‑
Y
bl
；所述因来流存在攻角而产生的附加损失ΔΦ
2P
的计算方法为：非零攻角下的能量损失系数与零攻角下的能量损失系数的差值。5.根据权利要求1所述的基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述步骤S4中，现有的零攻角涡轮叶型损失预测经验模型为AMDCKO涡轮损失预测模型，需要修正的系数和需要添加的修正项包括：1)叶型附面层损失的马赫数修正因子K2表达式中的幂次，将K2＝(Ma1/Ma2)2替换为K2＝(Ma1/Ma2)
a
，其中a为待修正的项；2)叶型附面层损失的马赫数修正因子K1表达式中的幂次，将K1＝1
‑
(1.25(Ma2‑
0.2))1替换为K1＝1
‑
(1.25(Ma2‑
0.2))
b
，其中b为待修正的项；3)附面层损失占据的权重，将原式中只与附面层损失大小相关的系数2/3替换为系数...

【专利技术属性】
技术研发人员：王松涛，李和群，房兴龙，欧阳玉清，方堪羡，陈英杰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：