一种共转盘腔内部流动传热的精细化预测方法技术

本发明专利技术公开一种共转盘腔内部流动传热的精细化预测方法，包括以下步骤：选择预测模型的输入参数；进行变工况数值实验设计，根据实验设计方案建立相应的物理模型，并基于物理模型求解结果建立盘腔内部速度、温度及压力分布数据库；构建深度神经网络，并利用反向传播算法对神经网络参数进行训练；验证预测模型的泛化能力。本发明专利技术克服了传统计算流体力学方法所带来的的多工况下计算时间长、盘腔结构设计周期长的问题，提供了一种预测精度高、预测速度快、泛化能力强的盘腔内部流动传热预测方法；相较于传统的经验关联式方法也能提供更为详细的三维场分布信息。细的三维场分布信息。细的三维场分布信息。

【技术实现步骤摘要】
一种共转盘腔内部流动传热的精细化预测方法


[0001]本专利技术涉及航空发动机空气系统领域，具体涉及一种共转盘腔内部流动传热的精细化预测方法。

技术介绍

[0002]提高涡轮前温度是改善航空涡轮发动机性能的基本技术途径之一。新一代航空燃气涡轮发动机推重比将达到15
‑
20，涡轮进口燃气温度也将高达2200K～2300K。航空发动机涡轮前温度不断提高，使得涡轮部件工作环境进一步恶化，因此要对涡轮中的高温部件进行冷却。在涡轮发动机中，冷气主要由压气机盘腔径向内流引出，而共转盘腔内部的流动和传热过程十分复杂。因此，深入地了解涡轮盘腔结构中流动和传热的基本特性，对改进冷却结构设计，减少对冷却气量的需求，从而提高发动机的性能是十分有意义的。目前共转盘腔的内部流动传热研究通过计算流体力学(CFD)计算，此方法在不同工况下时间成本高，进而盘腔冷却结构设计周期长。因此，如何实现盘腔内部流动传热的准确、快速预测具有重要的现实意义。
[0003]深度学习是一类模式识别方法的统称，关于深度学习的研究是在人工神经网络的基础上进行的，是机器学习算法中最热门的一个分支。本专利技术基于深度学习原理，设计深度神经网络(DNN)。通过输入共转盘腔结构参数与热力参数，利用深度神经网络在学习样本数据的内在规律和表示层次的优势，经过其运算后，可以获得盘腔内部流动传热特性。实现了对盘腔内部流动传热的快速、准确预测，进而可以在初步设计阶段快速选择和评估合适的旋转盘腔设计方案，提高了设计效率。

技术实现思路

[0004]本专利技术所要解决的技术问题是一种基于机器学习的盘腔内部流动换热的预测方法，克服CFD多工况计算时间长、盘腔设计周期长的不足，提供一种预测精度高，预测速度快、泛化能力强的盘腔内部流动换热预测方法。
[0005]一种共转盘腔内部流动传热的精细化预测方法，其特征在于：包括如下步骤：
[0006]步骤1，选择预测模型的输入参数，并确定输入参数的变化范围；
[0007]步骤2，进行变工况数值实验，根据变工况数值实验建立物理模型，并基于物理模型求解结果，建立盘腔内部速度、温度及压力分布数据库，其中数据库包括训练样本数据库和测试样本数据库；
[0008]步骤3，构建深度神经网络模型，确定深度神经网络模型的拓扑结构，并利用反向传播算法对深度神经网络模型进行训练，得到训练好的深度神经网络模型；
[0009]步骤4，基于训练好的深度神经网络模型对测试样本数据库中的盘腔内部速度、温度及压力进行计算，验证模型的泛化能力。
[0010]优选的，所述步骤1中选择的输入参数包括：喷嘴角度、喷嘴直径、旋转雷诺数、无量纲流量；变化范围设定如下：喷嘴角度变化范围为30～90
°
，喷嘴直径变化范围为18～
30mm，旋转雷诺数变化范围为0.6
×
106～2.8
×
106，无量纲流量变化范围为1.72
×
104～8.62
×
104。
[0011]优选的，采用拉丁超立方抽样方法针对喷嘴直径、喷嘴角度、旋转雷诺数及无量纲流量进行实验设计，进行48组变工况数值实验，并基于计算流体力学方法求解，所得到的计算结果作为训练样本数据库；对喷嘴直径、喷嘴角度、旋转雷诺数及无量纲流量进行随机抽样组合，进行10组变工况数值实验，并基于计算流体力学方法求解，所得到的计算结果作为测试样本数据库。
[0012]优选的，所述步骤3中深度神经网络模型的结构包括8
×
800的全连接网络，即除了输入数据层和输出数据层，共布置了8个隐含层，每个隐含层包含800个神经元，相邻隐含层间的神经元完全连接，且同一隐含层神经元相互独立，互不连接。
[0013]优选的，所述步骤3中，深度神经网络模型各隐含层神经元的计算公式为：
[0014][0015]式中：下标i表示第i个隐含层神经网络；上标n表示输入向量长度；上标m表示输出向量长度；Y
i
为第i个隐含层的输入向量；W
i
为第i个隐含层的权重矩阵；b
i
为第i个隐含层的偏置向量。
[0016]优选的，所述步骤3中，深度神经网络模型的各隐含层采用PELV激活函数f(z)，表达式如(2)所示：
[0017]f(z)＝e
sin(z/δ)
(2)
[0018]其中，e为指数函数，z为激活函数的输入值，δ为激活函数的经验系数。
[0019]优选的，所述步骤3中深度神经网络训练具体步骤如下：
[0020]步骤3.1，训练样本数据库内的数据样本经隐含层神经元进行计算，隐含层神经元将前一个隐含层各神经元的输出值进行加权求和；
[0021]步骤3.2，利用激活函数对输出值的加权求和进行非线性处理后输出，作为后一个隐含层神经元的输入值；
[0022]步骤3.3，将输出数据层输出的数据与测试样本数据库进行对比，依据损失函数计算误差，损失函数MSE定义为：
[0023][0024]式中：m
batch
为每个训练批次的数量，i为参数；与y
i
分别为输出数据层输出的数据与实际值；
[0025]步骤3.4，根据损失函数计算得到的值进行反向传播，直至误差达到精度要求，神经网络训练结束。
[0026]有益效果：1)本专利技术基于深度神经网络的盘腔内部流动传热预测模型精度高：深度学习模型能够较好地学习盘腔内部流动中的隐含规律，在预测盘腔温度场、压力场和流场等问题时能较好地拟合数据集，从而很好地还原。
[0027]2)本专利技术在满足足够精度要求的前提下，在预测速度上有很大的优势：传统CFD计算多工况耗时长，而深度学习模型完成后，预测时仅需2
‑
3秒，远小于CFD计算时长，深度神经网络在得出盘腔内部流动换热特征时间上具有明显的优势。
[0028]3)传统经验关联式方法仅能得到盘腔性能指标结果，本专利技术中的深度神经网络可以输出流场、温度场及压力分布的详细数据，输出结果更加精细化。
附图说明
[0029]图1为深度神经网络拓扑结构图；
[0030]图2(a)为共转盘腔物理模型计算域示意图；
[0031]图2(b)为共转盘腔物理模型的正视图；
[0032]图2(c)为共转盘腔物理模型的左视图。
具体实施方式
[0033]下面结合附图对本专利技术作更进一步的说明。
[0034]步骤1，基于图2所示的共转盘腔物理模型，计算域选取1/18盘腔结构，b为盘腔外径，a为盘腔内径，s为盘腔厚度，l为喷嘴长度。在喷嘴入口引入不可压缩理想气体，气体入口温度为300K；侧盘壁面定义为无滑移壁面条件，给定热通量300W/m2；护罩给定无滑移绝热壁面条件；其余两个壁面给定旋转周期壁面条件；给定计算域转速，旋转轴为x。选择去旋喷嘴角度(α)、喷嘴孔径(D)、旋转雷诺数(Re
φ...

【技术保护点】

【技术特征摘要】
1.一种共转盘腔内部流动传热的精细化预测方法，其特征在于：包括如下步骤：步骤1，选择预测模型的输入参数，并确定输入参数的变化范围；步骤2，进行变工况数值实验，根据变工况数值实验建立物理模型，并基于物理模型求解结果，建立盘腔内部速度、温度及压力分布数据库，其中数据库包括训练样本数据库和测试样本数据库；步骤3，构建深度神经网络模型，确定深度神经网络模型的拓扑结构，并利用反向传播算法对深度神经网络模型进行训练，得到训练好的深度神经网络模型；步骤4，基于训练好的深度神经网络模型对测试样本数据库中的盘腔内部速度、温度及压力进行计算，验证模型的泛化能力。2.根据权利要求1所述的精细化预测方法，其特征在于：所述步骤1中选择的输入参数包括：喷嘴角度、喷嘴直径、旋转雷诺数、无量纲流量；变化范围设定如下：喷嘴角度变化范围为30～90
°
，喷嘴直径变化范围为18～30mm，旋转雷诺数变化范围为0.6
×
106～2.8
×
106，无量纲流量变化范围为1.72
×
104～8.62
×
104。3.根据权利要求2所述的精细化预测方法，其特征在于：所述步骤2的实现过程为：采用拉丁超立方抽样方法针对喷嘴直径、喷嘴角度、旋转雷诺数及无量纲流量进行实验设计，进行48组变工况数值实验，并基于计算流体力学方法求解，所得到的计算结果作为训练样本数据库；对喷嘴直径、喷嘴角度、旋转雷诺数及无量纲流量进行随机抽样组合，进行10组变工况数值实验，并基于计算流体力学方法求解，所得到的计算结果作为测试样本数据库。4.根据权利要求1所述的精细化预测方法，其特征在于：所述步骤3中深度神经网络模型的结构包括8
×...

【专利技术属性】
技术研发人员：王春华，张卓，张靖周，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：