一种涡轮导叶片一维冷效的智能评估方法技术

一种涡轮导叶片一维冷效的智能评估方法，涉及航空发动机领域，解决双层壁涡轮导叶片外表面上的热分析问题，本发明专利技术使用神经网络建立几何参数与一维冷效预测参数的联系，使用大量数据训练神经网络，使用神经网络对叶片外表面冷却效果进行预测，首先依据设计经验提取出了凝练的冷却结构几何参数。将其作为神经网络的输入参数，与结构计算出的温度场信息相对应。在确定输入神经网络的几何参数后，对参数的取值进行选择，并建立各个取值方案所对应的叶片几何模型。对几何模型进行ANSYS数值模拟，得到各个模型对应的温度场。提取若干条线平均温度，将其作为神经网络的输出。本发明专利技术使用训练好的神经网络对新的几何参数进行一维冷效预测仅需几秒钟。

【技术实现步骤摘要】
一种涡轮导叶片一维冷效的智能评估方法
本专利技术涉及航空发动机领域，具体涉及一种涡轮导叶片一维冷效的智能评估方法。
技术介绍
在航空发动机设计过程中，提高涡轮进口燃气温度是改善航空发动机性能的重要途径。相同发动机尺寸下，涡轮进口燃气温度每提高55℃，推力就能提高10％左右。目前，世界先进军用航空发动机涡轮进口燃气温度可以达到1970K，这样的温度是叶片材料无法承受的。且涡轮进口燃气温度的增长速度远远高于材料耐温程度的增长速度。因此，我们需要设计先进的冷却结构，来适应不断提高的涡轮前温度。目前的涡轮叶片冷却结构设计体系严重依赖反复的三维建模计算评估，繁琐费时。因而如何简化仿真计算过程、缩短冷效评估耗费的时间，将是新一代设计方法亟需解决的问题。同时，近年来人工智能(AI)技术发展迅猛，在航空发动机领域的应用也逐渐深入，因此本专利技术将通过结合AI技术来评估双层壁导叶复杂冷却结构，以提高设计效率。在可用于神经网络训练的基础数据集基础上，通过使用TensorFlow平台搭建适应的人工神经网络模型，将不同冷却结构的几何结构参数作为神经网络的输入参数，数值模拟得到的温度数据作为输出参数，用数据集中的样本对其进行训练和测试，完成了几何参数直接到温度数据的快速智能评估。
技术实现思路
本专利技术为解决双层壁涡轮导叶片外表面上的热分析问题，提供一种涡轮导叶片一维冷效的智能评估方法。一种涡轮导叶片一维冷效的智能评估方法，该方法由以下步骤实现：步骤一、提取作为神经网络输入的涡轮导叶片冷却结构的各几何参数；步骤二、选择步骤一所述的各几何参数的取值范围，建立各个取值范围所对应的叶片几何模型；步骤三、将步骤二所述的对应的叶片几何模型进行ANSYS数值模拟，获得各个模型对应的温度场，并提取各个模型中每条线的线平均温度数据，将所述各个模型中每条线的线平均温度数据作为神经网络的输出；步骤四、选择训练集和测试集对神经网络进行训练和测试，所述测试集用于评估神经网络输出的线平均温度；所述训练集和测试集均为步骤一所述的神经网络输入的各几何参数和步骤三中神经网络输出的线平均温度数据。本专利技术的有益效果：(1)本专利技术利用已获取的数据进行神经网络训练和测试，程序运行100次的平均误差约0.7％，平均决定系数R2约0.98，取得了非常优秀的预测效果。(2)本专利技术使用神经网络预测一维冷效的效率非常高，使用现有数据训练神经网络仅需几分钟，使用训练好的神经网络对新的几何参数进行一维冷效预测仅需几秒钟。附图说明图1为本专利技术所述的一种涡轮导叶一维冷效的智能评估方法的流程图；图2为使用journal脚本语言读取的几组数据示例效果图；图3为使用测试集连续预测100次神经网络的预测误差的效果图；图4为对神经网络的线平均温度预测，运行100次的变化曲线效果图；图5为预测结果与ANSYS(有限元分析)仿真结果的对比效果图。具体实施方式结合图1至图5说明本实施方式，一种涡轮导叶片一维冷效的智能评估方法，所谓的一维冷效，指特定工况下叶片外表面取若干条线，每条线的线平均温度。本实施方式使用神经网络建立几何参数与一维冷效预测参数的联系，使用大量数据训练神经网络，然后使用神经网络代替传统的热分析流程。使用神经网络对叶片外表面冷却效果进行预测，就必须对涡轮导叶的冷却结构进行参数化的描述。本专利技术首先依据设计经验提取出了凝练的冷却结构几何参数。将其作为神经网络的输入参数，与结构计算出的温度场信息相对应。在确定了输入神经网络的几何参数后，对这些参数的取值进行选择，并由此建立各个取值方案所对应的叶片几何模型。对这些几何模型进行ANSYS数值模拟，得到各个模型对应的温度场。使用Journal脚本提取若干条线平均温度，将其作为神经网络的输出。由此建立了基础仿真数据集，将数据输入神经网络模型进行训练。由此得到的神经网络便可以代替ANSYS等有限元分析软件，针对新的几何参数预测外表面的线平均温度数据。本实施方式的具体实现步骤为：1、提取冷却结构的几何参数及其取值方案，如表1所示：表1根据表1可知：共需计算34＝81个几何模型，表1中0.9±0.1为对前缘超温区域进行加密，共加密3排结构，对应每排气膜孔个数为32。3排气膜孔直径分别为1mm、0.9mm、0.8mm，对应的弦向倾角分别为0°、45°、60°。所述前缘气膜孔靠近叶背的4排直径固定为0.4mm，其余气膜孔直径固定为0.8mm。靠近叶背的5排气膜孔倾角指前缘1号腔靠近叶背的4排气膜孔、叶背3号腔供气的1排叶背气膜孔。根据上述取值方案，确定8个几何参数作为变量。这些几何参数均为Fluent结果迭代过程中经常调整的参数，对温度场影响较大。由此建立的三维仿真数据库对于人工神经网络具有更加优异的训练性能，对涡轮导叶设计也有更大的参考意义。2、温度数据的提取结合图2说明本实施方式，选取线平均温度作为神经网络模型的预测参数。在一个模型中取11条线，分别读取每条线的线平均温度数据。将这些温度数据保存到csv文件中。在操作过程中，使用journal脚本语言记录操作流程，并以此为基础编写程序。通过该程序，自动在Fluent内实现创建直线、读取温度等操作。如附图1所示。通过journal脚本读取的数据同样批量保存到csv文件中，供神经网络预测使用。3、神经网络及其预测结果针对各模型的计算结果提取温度数据后，便得到了人工神经网络训练所需的全部输入和输出，如表2所示。表2使用已有的几何参数和温度数据进行神经网络的训练和测试，按照7:3的比例将其分为训练集和测试集。使用训练集对神经网络进行训练，使用测试集评估神经网络的预测误差。连续预测100次测试集的温度数据，评估其预测效果，如图3所示。图中纵向的线是程序运行100次时，每一次运行得到的测试集各模型每条线的线平均温度相对于仿真结果的平均相对误差；水平的横线100次运行综合的平均相对误差。从图中可以看到，训练好的人工神经网络对于线平均温度有着非常优秀的预测效果。对于本图中的结果，100次预测的平均相对误差为0.715％，且波动范围在千分之五以内。本实施方式中，对于神经网络的线平均温度预测，分析其对应的决定系数R2。同样运行100次，观察其变化曲线如图4所示。图中纵向的线是运行100次时，每一次运行得到的决定系数；水平的横线是运行100次综合的平均决定系数。从图中可以看到，使用训练好的神经网络预测涡轮导叶外表面的线平均温度可以取得非常高的决定系数R2，运行100次的平均值可以达到0.98以上。说明输入神经网络的几何参数对线平均温度的解释程度是非常高的，由人工神经网络建立的联系十分可靠。在训练集的变量取值范围内，额外选取一组测试集，参数选取方案如表3。表3结合图5，图5为根据本实施的预测结果与ANSYS仿真结本文档来自技高网...

【技术保护点】
1.一种涡轮导叶一维冷效的智能评估方法，其特征是：该方法由以下步骤实现：/n步骤一、提取作为神经网络输入的涡轮导叶片冷却结构的各几何参数；/n步骤二、选择步骤一所述的各几何参数的取值范围，建立各个取值范围所对应的叶片几何模型；/n步骤三、将步骤二所述的对应的叶片几何模型进行ANSYS数值模拟，获得各个模型对应的温度场，并提取各个模型中每条线的线平均温度数据，将所述各个模型中每条线的线平均温度数据作为神经网络的输出；/n步骤四、选择训练集和测试集对神经网络进行训练和测试，所述测试集用于评估神经网络输出的线平均温度；/n所述训练集和测试集均为步骤一所述的神经网络输入的各几何参数和步骤三中神经网络输出的线平均温度数据。/n

【技术特征摘要】
1.一种涡轮导叶一维冷效的智能评估方法，其特征是：该方法由以下步骤实现：
步骤一、提取作为神经网络输入的涡轮导叶片冷却结构的各几何参数；
步骤二、选择步骤一所述的各几何参数的取值范围，建立各个取值范围所对应的叶片几何模型；
步骤三、将步骤二所述的对应的叶片几何模型进行ANSYS数值模拟，获得各个模型对应的温度场，并提取各个模型中每条线的线平均温度数据，将所述各个模型中每条线的线平均温度数据作为神经网络的输出；
步骤四、选择训练集和测试集对神经网络进行训练和测试，所述...

【专利技术属性】
技术研发人员：陶智，姚广宇，朱剑琴，邱璐，解广源，王燕嘉，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11