一种基于机器学习的叶轮机械非稳态流场高效预测方法技术

本发明专利技术涉及一种基于机器学习的叶轮机械变工况流场高效预测方法，包括：样本点数据库、样本点数据集成模块、人工智能非稳态流场代理模型、非稳态工况求解模块、结果后处理与可视化模块。本发明专利技术求解时间短、流场细节丰富、学习能力强，工况适应性强。工况适应性强。工况适应性强。

【技术实现步骤摘要】
一种基于机器学习的叶轮机械非稳态流场高效预测方法


[0001]本专利技术属于机械
，具体来说涉及一种基于机器学习的叶轮机械变工况流场高效预测方法。

技术介绍

[0002]近年来，随着叶轮机械在新能源、压缩空气储能、余热利用等各类能源系统中的广泛应用，其运行工况具有调节过程类型多、工况范围宽、调节频繁的特点，而叶轮机械在结构上也具有叶片排数多、多台并行的发展趋势。在各种工况条件下，准确快速求解叶轮机械内部流场是实现该类设备实时仿真、气动性能优化、高效宽工况调节的基础和关键，对叶轮机械高效、安全运行起到至关重要的作用，也是目前亟需解决的难题。
[0003]目前，对于叶轮机械性能和流场求解方法主要包括一维气动性能预测模型、二维流面模型、全三维计算流体动力学（3D
‑
CFD）模型等。其中一维气动性能预测模型能够根据叶轮机械外性曲线迅速确定运行工况与性能指标的对应关系，可快速确定叶轮机械外特性，具有求解时间短的优点，但无法提供流场细节，因此难以揭示叶轮机械的动态变工况过程中的流场演变规律；二维流面模型不但能提供叶轮机械外特性线，而且还能够提供部分流场分布参数及流场细节，对于叶轮机械调节控制能提供更多参考信息，但求解时间增加，并且大部分流面模型未能考虑工质粘性影响，因此求解精度较低；目前主流求解方法是全三维CFD模型：该模型通过求解三维粘性Navier
‑
Stokes方程，因此能够提供丰富的流场细节信息，并且求解精度高，但求解时间长，一般是前述两种方法求解时间的几个数量级以上。<br/>
技术实现思路

[0004]本专利技术的目的在于针对上述缺点而提供的一种求解时间短、流场细节丰富、学习能力强，工况适应性强的基于机器学习的叶轮机械变工况流场高效预测方法。
[0005]为达到上述目的，本专利技术采用了下述技术方案。
[0006]本专利技术的一种基于机器学习的叶轮机械变工况流场高效预测方法，包括以下步骤：（1）样本点数据库：输入样本点为涡轮的运行工况参数膨胀比πtt、折合转速ncor；输出样本点为涡轮的叶轮出口处不同位置（流场位置点1
’
、2
’
、3
’
、......120
’
）上静熵S值所构成的集合，样本点数据库在三维流场软件Numeca中通过给定膨胀比、折合转速作为已知条件，通过求解Navier
‑
stokes方程获得；（2）样本点数据集成模块：将上述输入样本点与输出样本点进行数组合并和行列转置，形成为能使人工智能流场代理模型可识别数据库；（3）人工智能神经网络流场代理模型：人工智能流场代理模型采用神经网络算法完成对流场数据的学习，并完成对样本点数据库以外运行工况下流场的预测，其中人工智能流场代理模型具有1层隐藏层，每层神经元数量为200个，激活函数为Sigmoid函数；
非稳态工况求解模块：采用matlab simulink构成涡轮非稳态工况求解模块，求解变膨胀比过程和变折合转速过程下的涡轮出口流动损失静熵分布，获得膨胀比和折合转速随时间的变化数据点，将上述数据点作为输入变量带入人工智能流场代理模型并求解；（4）结果后处理与可视化模块：首先对不同时刻膨胀比对应的静熵分布求解值进行插值和拟合，获得了叶轮出口熵分布随膨胀比变化规律；其次对不同时刻折合转速下对应的静熵分布求解值进行插值和拟合，获得了叶轮出口熵分布随折合转速的变化规律。
[0007]本专利技术与现有技术相比，具有明显的有益效果，从以上技术方案可知：本专利技术通过已有的涡轮不同工况下的流场参数数据库，结合人工智能算法（不依赖显式复杂非线性方程求解，具有自学习功能和联想存储功能等），经过模型训练后，在不经过复杂三维流场求解过程条件下，即可根据工况需求输出丰富多样的流场参数，并能根据结果扩充样本点库，因此具有求解时间短、流场细节丰富、学习能力强的优点，特别适合于多排叶轮、多级组合式的大规模叶轮机械在动态工况下的性能和流场分析。即使在模型训练阶段需要较多的样本数据点，训练完成后可脱离样本点工况范围限制，进而根据实际工况参数完成叶轮机械内部流场的快速求解。随着模型使用次数的增加，样本点数量会增多，使模型预测精度得到进一步提高。本专利技术对非稳态工况下的叶轮机械内部流场求解具有求解精度高，求解时间短的优点；本专利技术可与目前成熟的叶轮机械仿真平台、变工况调节程序、叶轮机械设计程序相结合，具有应用范围广的特点。
附图说明
[0008]图1 本专利技术原理图；图2 本专利技术涡轮非稳态工况求解模块图；图3 本专利技术样本点数据库图；图4 本专利技术人工智能神经网络流场代理模型；图5 本专利技术方法预测的叶轮出口静熵分布随膨胀比变化规律；图6 本专利技术方法预测的叶轮出口静熵分布随折合转速变化规律；图7 本专利技术方法对叶轮出口静熵分布预测精度对比结果。
[0009]具体实施方式
[0010]以下结合附图及较佳实施例，对依据本专利技术提出的一种基于机器学习的叶轮机械变工况流场高效预测方法具体实施方式、结构、特征及其功效，详细说明如后。
[0011]如图1所示，一种基于机器学习的叶轮机械变工况流场高效预测方法，包括以下步骤 ：（1）样本点数据库：如图2所示。输入样本点为涡轮的运行工况参数膨胀比π
tt
、折合转速n
cor
；输出样本点为涡轮的叶轮出口处不同位置（流场位置点1
’
、2
’
、3
’
、......120
’
）上静熵S值所构成的集合，样本点数据库在三维流场软件Numeca中通过给定膨胀比、折合转速作为已知条件，通过求解Navier
‑
stokes方程获得；（2）样本点数据集成模块：将上述输入样本点与输出样本点进行数组合并和行列转置，形成为能使人工智能流场代理模型可识别数据库；
（3）人工智能神经网络流场代理模型：人工智能流场代理模型采用神经网络算法完成对流场数据的学习，并进一步完成对样本点数据库以外运行工况下流场的预测，如图3所示，人工智能流场代理模型具有1层隐藏层，每层神经元数量为200个，激活函数为Sigmoid函数；非稳态工况求解模块：采用matlab simulink构成涡轮非稳态工况求解模块，如图4所示，求解变膨胀比过程和变折合转速过程下的涡轮出口流动损失静熵分布，获得膨胀比和折合转速随时间的变化数据点，将上述数据点作为输入变量带入人工智能流场代理模型并求解；（4）结果后处理与可视化模块：如图5所示，首先对不同时刻膨胀比对应的静熵分布求解值进行插值和拟合，获得了叶轮出口熵分布随膨胀比变化规律；如图6所示，其次对不同时刻折合转速下对应的静熵分布求解值进行插值和拟合，获得了叶轮出口熵分布随折合转速的变化规律。
[0012]将本专利技术获得的结果与数值模拟方法进行了验证对比。如图7所示，本专利技术对叶轮机械出口马赫数分布的预测结果与全三维CFD模型求解结果基本一致，表明该方法能够在较短时间内获得较高精度的求解结果。
[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叶轮机械变工况流场高效预测方法，包括以下步骤：（1）样本点数据库：输入样本点为涡轮的运行工况参数膨胀比πtt、折合转速ncor；输出样本点为涡轮的叶轮出口处不同位置（流场位置点1
’
、2
’
、3
’
、......120
’
）上静熵S值所构成的集合，样本点数据库在三维流场软件Numeca中通过给定膨胀比、折合转速作为已知条件，通过求解Navier
‑
stokes方程获得；（2）样本点数据集成模块：将上述输入样本点与输出样本点进行数组合并和行列转置，形成为能使人工智能流场代理模型可识别数据库；（3）人工智能神经网络流场代理模型：人工智能流场代理模型采用神经网络算法完成对流场数据的学习，并完成对样本点数据库以外运行工况下流场的预测，其中人工智能流场代理模型具有...

【专利技术属性】
技术研发人员：王星，李文，朱阳历，张雪辉，陈海生，
申请(专利权)人：毕节高新技术产业开发区国家能源大规模物理储能技术研发中心，
类型：发明
国别省市：