一种基于机器学习的涡轮动态过程流固耦合方法技术

本发明专利技术公开了一种基于机器学习的涡轮动态过程流固耦合方法，包括：基于涡轮变工况特性曲线和流场信息数据集，构建涡轮高精度机器学习代理模型及其动态调节仿真模型；通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数，将该运行工况作为输入量带入涡轮高精度机器学习代理模型，获得涡轮叶片气动载荷分布和轮盘面流场压力分布并作为边界条件输入叶轮有限元模型，求解获得叶轮变形量和等效应力，完成动态过程下涡轮流固耦合分析。本发明专利技术能保证涡轮在频繁调节过程中高效、安全运行，并能够为后续同类涡轮的设计提供参考。并能够为后续同类涡轮的设计提供参考。并能够为后续同类涡轮的设计提供参考。

【技术实现步骤摘要】
一种基于机器学习的涡轮动态过程流固耦合方法


[0001]本专利技术属于流体机械中的流固耦合分析领域，具体地说涉及一种基于机器学习的涡轮动态过程流固耦合方法。

技术介绍

[0002]涡轮是各类能源系统的主要做功部件，主要应用于交通工具引擎涡轮增压器、中低温余热发电装置、可再生能源发电装置、化工过程膨胀机、火箭发动机涡轮泵等。
[0003]涡轮结构有向心式、离心式、轴流式、混流式等，几何外形和结构尺寸、转速随总体热力学设计参数确定。常运行在频繁调节、工况多变的条件下，并被要求高效率运行，为保证涡轮的高效率运行，就需要对涡轮流固耦合进行分析。在常见的流固耦合分析中，主要是考虑涡轮在定态、变工况条件下开展，对于同时考虑流场、结构强度和动态调节特性的流固耦合也未见到。
[0004]现有技术也无法做到通过流固耦合分析构建涡轮运行工况与流场结构的函数映射关系，为后续同类新涡轮的设计提供参考。

技术实现思路

[0005]本专利技术的目的在于克服上述缺点而提供的一种能保证涡轮在频繁调节过程中高效、安全运行，并能够为后续同类涡轮的设计提供参考的基于机器学习的涡轮动态过程流固耦合方法。
[0006]本专利技术为解决其技术问题所采用的技术解决方案为：本专利技术的一种基于机器学习的涡轮动态过程流固耦合方法，包括以下步骤：（1）基于涡轮变工况特性曲线和流场信息数据集，构建涡轮高精度机器学习代理模型及其动态调节仿真模型；（2）通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数，将该运行工况作为输入量带入涡轮高精度机器学习代理模型，获得涡轮叶片气动载荷分布和轮盘面流场压力分布；（3）将步骤（2）中的结果作为边界条件输入叶轮有限元模型，求解获得叶轮变形量和等效应力，完成动态过程下涡轮流固耦合分析。
[0007]优选地，步骤（1）中所述涡轮变工况特性曲线为不同折合转速下的膨胀比
‑
功率曲线和膨胀比
‑
流量曲线用于获得不同折合转速和膨胀比下涡轮的功率和流量。
[0008]优选地，步骤（1）中所述涡轮流场信息数据集为涡轮叶片表面气动力分布以及涡轮叶轮轮盘表面流场压力分布。
[0009]优选地，步骤（1）中所述涡轮高精度机器学习代理模型包括输入模块、求解模块、输出模块，输入模块包含涡轮工况输入参数膨胀比π
tt
和折合转速n
cor
，求解模块包含机器学习算法，输出模块包含涡轮性能参数以及流动参数。其中性能参数包括流量、功率；流动参数包括叶轮叶片表面流场压力分布、叶轮轮盘表面气动载荷分布。
[0010]优选地，步骤（1）中所述涡轮高精度机器学习代理模型中机器学习方法包括支持向量机方法、随机森林方法、人工神经网络方法等。
[0011]优选地，步骤（1）中所述涡轮动态调节仿真模型为并网恒转速变负荷动态仿真模型。
[0012]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：本专利技术同时对流场和结构强度进行流固耦合，还进一步采用涡轮的动态调节特性（转速超调量、动态调节时间）实现了涡轮动态调节过程中的求解，从而保证涡轮在频繁调节过程中高效、安全性预测。本专利技术还采用机器学习方法建立了涡轮高精度代理模型，不但能够提高求解效率，还能根据新的求解结果更新模型以提高精度。此外，采用机器学习方法能够直接构建涡轮运行工况与气动性能参数、流场结构的函数映射关系，为后续同类新涡轮的设计提供参考。因此，本专利技术具有求解时间短，求解效率高的优点，可完成“多排叶轮、多级组合”式的大规模涡轮在动态工况下的流固耦合分析；可与目前成熟的涡轮仿真平台、变工况调节程序、涡轮设计程序相结合，具有应用范围广的特点；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。
[0013]附图说明
[0014]图1 为本专利技术的原理图；图2 为本专利技术的涡轮高精度机器学习代理模型；图3 为本专利技术的涡轮动态调节仿真系统；图4 为本专利技术的有限元分析模型。
具体实施方式
[0015]参照图1，一种基于机器学习的涡轮动态过程流固耦合方法，包括以下步骤：（1）基于涡轮变工况特性曲线和流场信息数据集，构建涡轮高精度机器学习代理模型及其动态调节仿真模型，其中涡轮变工况特性曲线为不同折合转速下的膨胀比
‑
流量曲线，膨胀比
‑
功率曲线；涡轮流场信息数据集为涡轮叶片表面气动力分布和涡轮轮盘表面压力分布。
[0016]（2）如图2所示，采用人工神经网络方法构建涡轮机器学习代理模型，模型中输入模块包括涡轮膨胀比π
tt
、折合转速n
cor
，求解模块为人工神经网络求解方法，输出模块为涡轮叶片表面气动力分布矩阵{F1，F2，F3，
……
，F
n
}和涡轮轮盘表面的压力分布矩阵{P1，P2，P3，
……
，P
n
}。
[0017]（3）采用matlab simulink 软件构建涡轮动态调节仿真系统，如图3所示。根据给定的涡轮转速、涡轮进口温度、涡轮出口总压等参数，基于容积方程模块和涡轮高精度机器学习代理模型，求解不同流量扰动下的涡轮流量、功率、叶片表面压力分布和涡轮轮盘表面压力分布，其中功率用于与实际负荷变化比较提供PID控制型号，反馈给阀门进气调阀改变开度，改变容积进口流量，实现闭环控制。流量提供给容积方程模块，结合容积进口总温、容积进口流量获得涡轮进口压力，并和涡轮出口压力一起获得涡轮膨胀比，提供给涡轮高精度机器学习代理模型。
[0018]（4）将步骤（3）中的涡轮叶片表面压力分布和涡轮轮盘表面压力分布作为边界条件施加到涡轮叶轮叶片和轮盘上，将动态调节仿真中的涡轮转速作为约束施加带涡轮叶轮上，构建形成叶轮有限元模型，如图4所示。求解该模型，获得叶轮变形量和等效应力，完成动态过程下涡轮流固耦合分析。
[0019]以上所述，仅是本专利技术的较佳实施例而已，并非对本专利技术作任何形式上的限制，任何未脱离本专利技术技术方案内容，依据本专利技术的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本专利技术技术方案的范围内。
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动态过程流固耦合方法，包括以下步骤：（1）基于涡轮变工况特性曲线和流场信息数据集，构建涡轮高精度机器学习代理模型及其动态调节仿真模型；（2）通过涡轮动态调节仿真模型求解涡轮调节过程中的运行工况参数，将该运行工况作为输入量带入涡轮高精度机器学习代理模型，获得涡轮叶片气动载荷分布和轮盘面流场压力分布；（3）将步骤（2）中的结果作为边界条件输入叶轮有限元模型，求解获得叶轮变形量和等效应力，完成动态过程下涡轮流固耦合分析。2.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法，其中：步骤（1）中所述涡轮变工况特性曲线为不同折合转速下的膨胀比
‑
功率曲线和膨胀比
‑
流量曲线用于获得不同折合转速和膨胀比下涡轮的功率和流量。3.如权利要求1所述的一种基于机器学习的涡轮动态过程流固耦合方法，其中：步骤（1）中所述涡轮流场信息数据集...

【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：中国科学院工程热物理研究所，
类型：发明
国别省市：