基于深度学习与损失权重分析的涡轮损失模型构建方法

摘要

本发明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。

说明书

技术领域

本发明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。

背景技术

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。

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。

发明内容

本发明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。

本发明的目的是通过以下技术方案实现的：

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：

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：

所述几何参数包括进口几何角β

所述进口几何角β

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

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，其中：

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：

1)针对附面层总压损失系数Y

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

根据附面层能量厚度的定义δ

其中，ρ

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，

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

2)针对尾迹损失Y

Y

所述因来流存在攻角而产生的附加损失ΔΦ

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；

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：

1)叶型附面层损失的马赫数修正因子K

2)叶型附面层损失的马赫数修正因子K

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

4)尾迹损失的预测值Y’

其中，c、d、e、f均为待确定的项。

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：

1)攻角变量χ的表达式：

变为

其中，LEd为前缘圆直径，We为前缘楔角，β

2)将利用攻角变量χ计算因攻角而产生附加损失的分段函数合并为一个函数ΔΦ

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，其中：

对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的函数形式进行构造时，认为a、b、c、d、e、f均为叶型相对厚度tmax/C、叶型安装角与零攻角条件下气流折转角的比值γ/(β

采用人工神经网络模型构造F

对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进行构造时，认为A、B、F(χ)为以下函数形式：

a、对于待确定的项A，认为A是以叶型安装角与几何折转角的比值γ/(β

A＝f(t max/C，t/C，LEb/LEa)；

利用人工神经网络模型构造函数f，所述人工神经网络模型具有8个隐藏层，每层隐藏层具有2400个神经元，激活函数选取为PReLu函数；

b、对于待确定的项B，认为B是以叶型安装角与几何折转角的比值γ/(β

B＝f(t max/C，t/C，i，LEb/LEa)；

其中，当前缘小圆为椭圆时，前缘直径LEd的大小取值与LEa相同；

利用人工神经网络模型构造函数g，所述人工神经网络模型具有8个隐藏层，每层隐藏层具有2000个神经元，激活函数采用PReLu函数；

c、对于F(χ)，认为F(χ)是以攻角变量χ的1次幂至8次幂为变量的函数，即：

利用人工神经网络模型构造函数

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，其中：

确定F

1)对于F

其中，Y

以叶型几何参数和进出口气动参数作为输入、以附面层损失Y

2)对于G

其中，Y

以叶型几何参数和进出口气动参数作为输入、以尾迹损失Y

确定l、m、n的大小及函数f、g、

将l、m、n、f、g、

以叶型几何参数和进出口的气动参数作为输入、以因攻角而产生附加损失作为输出的样本集进行对模型进行训练，最终确定f、g、

对零攻角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时，将样本集按8：1的比例随机分为训练集和测试集，对模型进行训练以及对训练结果泛化能力的检验，并选择HuberLoss损失函数评价模型预测精度。

本发明中，该模型预测的是绕流涡轮二维叶型所产生的总压损失系数；所述模型构建方法预测的相对误差在5％以内。

本发明中，所述涡轮为轴流式结构，涡轮的工作介质为空气、氧气、天然气等，涡轮的应用领域包括中低温余热发电装置、可再生能源发电装置、航空发动机、燃气轮机。

相比于现有技术，本发明具有如下优点：

(1)对使用者的叶轮机械流动理解的要求较低。

(2)采用深度学习方法，能够较准确且快速地获得涡轮二维叶型几何参数与现有涡轮叶型损失预测模型的系数之间的函数关系式，构建出新的涡轮叶型损失预测模型。

附图说明

图1为本发明基于深度学习与损失权重分析的涡轮叶片损失模型构建流程图；

图2为人工神经网络模型的形式。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供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。如图1所示，包括如下步骤：

1)借助CAE软件对涡轮二维叶型参数表示，并获得涡轮二维叶型几何参数(至少包括进口几何角β

2)借助CFD商业软件对涡轮二维叶型进行计算，并通过对比CFD计算和试验测量的型面压力分布、出口总压损失周向分布与出口总压损失大小，来对CFD计算结果进行校核。

3)结合CFD计算结果和试验测量结果，对损失进行拆分如下：

a、针对零攻角来流条件的工况，将损失拆分成附面层损失和尾迹损失：

i>附面层损失——通过附面层能量厚度计算出附面层中的能量损失大小：

根据附面层能量厚度的定义δ

所以，附面层中能量损失的大小为：

并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：

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

ii>尾迹损失——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

Y

b、针对非零攻角来流条件的工况，利用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，计算出因来流存在攻角而产生的附加损失ΔΦ

4)针对现有的涡轮叶型损失预测经验模型(可以进行对叶型损失中各成分损失进行预测)(AMDCKO模型)，将对各组分损失的预测值与步骤3)中提取的相应部分损失大小进行对比，分析出需要修正的系数和需要添加的修正项，包括：

a、修正AMDCKO涡轮损失预测模型中将叶型附面层损失的马赫数修正因子K

b、修正AMDCKO涡轮损失预测模型中将叶型附面层损失的马赫数修正因子K

c、修正AMDCKO涡轮损失预测模型中将只与附面层损失大小相关的系数2/3替换为系数W

d、针对AMDCKO涡轮损失预测模型中尾迹损失的预测值Y’

其中，c、d、e、f均为待确定的项。

针对预测因攻角而产生附加损失的经验模型，将其预测值与步骤3)中提取的附加损失大小进行对比，分析出需要修正的系数和需要添加的修正项，包括：

a、预测模型中攻角变量χ的表达式：

变为

其中，A、B为待确定的项；

b、将原模型(Benner模型)中利用攻角变量χ计算因攻角而产生附加损失的分段函数合并为了一个函数ΔΦ

5)采用人工神经网络模型构造待修正的系数及添加的项的函数形式：

a、针对现有的涡轮叶型损失预测经验模型(可以进行对叶型损失中各成分损失进行预测)(AMDCKO模型)：步骤4)中的待修正项a、b、c、d、e、f均为叶型相对厚度tmax/C、叶型安装角与零攻角条件下气流折转角的比值γ/(β

采用人工神经网络模型构造F

b、针对预测因攻角而产生附加损失的经验模型：

i>对于待确定的项A，认为A是以叶型安装角与几何折转角的比值γ/(β

A＝f(t max/C，t/C，LEb/LEa)；

利用人工神经网络模型构造函数f，所述人工神经网络模型具有8个隐藏层，每层隐藏层具有2400个神经元，激活函数选取为PReLu函数，神经网络的形式如图2(b)所示，模型中具体中的参数会在后续对模型训练中获得；

ii>对于待确定的项B，认为B是以叶型安装角与几何折转角的比值γ/(β

B＝g(γ/(β

其中，当前缘小圆为椭圆时，前缘直径LEd的大小取值与LEa相同；

利用人工神经网络模型构造函数g，所述人工神经网络模型具有8个隐藏层，每层隐藏层具有2000个神经元，激活函数采用PReLu函数，神经网络结构如图2(c)所示，模型中具体中的参数会在后续对模型训练中获得；

iii>对于F(χ)，认为F(χ)是以攻角变量χ的1次幂至8次幂为变量的函数，即：

利用人工神经网络模型构造函数

6)利用步骤1)获得的叶型参数和步骤3)获得的相应叶型损失构建样本集，将样本集按8：1的比例随机分为训练集和测试集，对模型进行训练以及对训练结果泛化能力的检验，并选择HuberLoss损失函数评价模型预测精度。对于不同的修正项，样本集的构建有所不同：

a、对于F

b、对于G

c、对于f、g、