一种基于深度学习的气膜冷却温度场数字孪生方法及系统技术方案

本发明专利技术公开了一种基于深度学习的气膜冷却温度场数字孪生方法及系统，涉及热防护技术领域，该方法包括如下步骤：构建气膜冷却实验装置，该实验装置包括传感器、测量和数据采集系统，完成实验数据的测量和采集；采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，实验数据用于对预训练模型进行微调，生成迁移模型；训练预训练模型，采用CFD结果作为预训练数据源，生成预训练模型；同化数值数据，使用基于迭代神经算子的迁移学习方法来同化数值数据，数值数据包括来自不同图像大小和图像层的数据；分别进行空间、结构和工况推演，更新物理

【技术实现步骤摘要】
一种基于深度学习的气膜冷却温度场数字孪生方法及系统


[0001]本专利技术涉及热防护
，尤其涉及一种基于深度学习的气膜冷却温度场数字孪生方法及系统。

技术介绍

[0002]设计、制造、检测、运维的智能化是热防护技术的发展趋势。对于关联/经验模型，其缺点是高维低、精度低；而对于实验/CFD(计算流体动力学)方法，其缺点是成本高，耗时长；因此，建立可靠的高维、高精度预测模型，实现多物理场的快速预测，对航空航天热防护的设计和优化十分必要。
[0003]燃气轮机系统对更高效率要求更高的运行温度。目前燃气轮发动机的涡轮入口温度远远超出了并行高温合金材料的可容忍范围。因此，开发高温合金/陶瓷材料以及应用主动冷却技术来保护燃气轮机系统的热段变得至关重要。目前实施的冷却技术一般集成了各种内部冷却方法和外部冷却方法。在这些方法中，气膜冷却是应用最广泛的外部冷却方法之一。冷却剂空气通过槽或离散孔排出，在热部件的外表面形成冷却剂空气薄膜，避免了高温气体对涡轮叶片的热侵蚀，达到了冷却保护的目的。
[0004]绝热壁面冷却效果是评价气膜冷却的主要标准。气膜冷却效率受吹气比、密度比、主流湍流强度、孔形和孔位等多种因素的影响。为了达到更高的冷却性能，需要准确预测局部温度细节，优化气膜冷却参数。然而，由于冷却剂射流与主流流动之间的复杂相互作用，很难理解气膜冷却流场及其相应的冷却效率分布。目前对气膜冷却的可行性评价，仍是在实验的基础上，借助成熟的非接触测量技术，如压敏涂料、红外热成像和液晶。为了缓解上面提到的挑战，获得高保真和快速响应的二维有效性分布，目前在气膜冷却建模方面提出的一些方法有如下的优缺点：
[0005]1)在预测单孔排的冷却效果方面，应用最广泛的相关性之一是Baldauf的一维相关性，继一维相关之后，Sellers最早提出了气膜冷却槽的叠加计算模型。其缺点是Baldauf相关性不能准确预测不同类型气膜冷却的有效性；Sellers的叠加方程不能考虑到局部条件或局部几何的细节。简单的显式方程不足以模拟叠加的气膜冷却结构的复杂表面温度分布，即使是横向平均值。除了精度问题外，这些相关性的维数也很低，只能为规则排列的气膜冷却孔提供一维结果。利用随机分布的离散孔洞，很少有能够预测表面二维冷却效率分布的相关性。这是由于随机分布射流从上游到下游相互影响并叠加的流场具有极高的复杂性和非线性。特别是当考虑到高温高压条件时，问题中应该涉及到更多的非线性特征，如气体/空气物性的变化，冷却效果的响应就变得更加复杂。
[0006]2)在CFD的方面，近十年来对横流射流现象的研究表明，对气膜冷却结构近壁面湍流的模拟存在着巨大的困难。各向异性湍流扩散被认为是传统的双方程湍流方法(如剪应力输运模型)无法模拟的一种重要机制。同时，普朗特数的计算也存在不准确性，反梯度标量扩散机制异常，超出了扩散模型的能力。为解决这些气膜冷却预测问题而进行的研究尝试，一般都是基于湍流的先验知识和解析推导，与数据的整合程度较低。遵循这一技术路线
的先驱研究来自Li等人。为了获得更精确的雷诺应力和湍流标量通量模型，他们提出了一个代数各向异性湍流模型，并通过前缘带莲蓬头发散和全覆盖发散的叶片实验对其进行了验证。通过对四种不同湍流模型的比较，他们证明了代数各向异性模型与实验数据在定性和定量上有较好的一致性。Li等人的后续研究提出了一种改进的代数各向异性涡流黏度法(AAEV)，该方法考虑了壁面和平均流场应变对各向异性比的影响。新的AAEVk
‑
ε模型正确地预测了膜的展向扩展和二次涡的衰减。
[0007]3)在机器学习方面，虽然湍流建模是计算流体动力学不可避免的问题，但数据驱动方法可以以牺牲数据为代价规避这种困难。2012年出现的深度学习方法在用图像或矩阵格式回归许多物理场方面显示出了巨大的潜力，并自然而然地与气膜冷却预测兼容。在普适逼近定理的保证下，研究人员试图建立几何形状与气膜冷却效果之间的映射关系。结果表明，深度学习模型能够以较高的精度和良好的泛化能力识别数据集中的抽象特征。这些深度学习方法的主要优点是气膜冷却预测速度极快，一般比CFD方法快105倍。然而，也因为使用了数值数据来训练深度学习模型，对于气膜冷却的准确性仍然存在着担忧，因为回归模型不会比驱动它的数据有更高的精度。可能的方法在于实验数据或LES数据。不幸的是，这种更高保真度的数据对于训练深度神经网络还是远远不够的，无论是对于气膜冷却数据的数量还是分布都是如此。
[0008]4)在热流体问题的数据融合方法，提高气膜冷却建模精度的一种潜在技术是将模拟数据与实验数据集成，称为“数据同化”。这类方法通常基于现有的部分解析的物理，如Navier
‑
Stokes方程，并用实验数据对这些方程中的几个参数进行建模。Li等人提出了一种连续伴随数据同化模型，该模型成功地从有限数量的壁面压力测量中重建了全球湍流平均流。该模型对高雷诺数分离流、强逆压梯度流和复杂流均有较好的预测效果。他们引入了一种各向异性的伴随数据同化方案，对有限空间范围和可测量的湍流平均流量测量数据进行了补充。他们对圆形射流流场、过钝板流场和过肋壁流场的复杂流场重建取得了良好的结果。Deng等人使用基于集成
‑
卡尔曼滤波的数据同化方法优化RANS模型常数，从局部测量数据中恢复全局流场。他们分别对四种不同的RANS模型验证了数据同化方法的效果。所有采用数据同化方法的研究模型都有显著改善，其中k
‑
k模型表现最好。虽然数据同化方法可以作为提高气膜预测精度的好工具，但仍存在两大缺点:a)实验气膜冷却数据普遍为界面温度(有效性)，而大量模拟数据处于主流流中，导致数据分布不匹配；b)数据同化方法仍然需要求解Navier
‑
Stokes方程，速度太慢，无法向设计人员提供即时响应。解决方案可能仍然与机器学习有关。
[0009]迁移学习是机器学习和数据同化方法的一个特殊类别，它提供了借助从相似数据集获得的预训练模型提高一个数据集建模精度的能力。在大多数情况下，源数据集数据量大，数据分布良好，而目标数据集可能只有很少的数据。预先训练的模型在源数据集上学习一个初始映射，然后在目标数据集上进行微调。如果两个学习任务相似，转移的模型将成功完成预训练模型的部分内部结构，并在目标数据集中准确执行。现有的迁移学习方法包括基于模型的迁移学习(微调)、基于实例的迁移学习和基于特征的迁移学习。
[0010]在最近关于迁移学习和物理学的研究中，一些关于热流体问题的出版物已经揭示了迁移学习在小数据集上实现高精度的潜力。Wang等人提出了一种基于条件生成对抗网络(CGAN)的转移学习模型，用于预测涡轮叶片表面的三维压力分布。该模型从大规模低保真
数据集中学习到的知识被转移到小规模高保真数据集中。结果表明，转移学习有效地提高了小规模数据集上的泛化精度。Obiols
‑
Sales等人引入了超分辨率流网络(SURFNet)，可以加速高分辨率湍流CFD模拟。SURFNet在低分辨率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的气膜冷却温度场数字孪生方法，其特征在于，所述方法包括如下步骤：S101：构建气膜冷却实验装置，所述实验装置包括传感器、测量和数据采集系统，所述实验装置完成实验数据的测量和采集；S103：采集实验数据，使用红外相机拍摄残缺的孔板温度图像并保存，所述实验数据用于对预训练模型进行微调，生成迁移模型；S105：训练所述预训练模型，采用CFD结果作为预训练数据源，生成所述预训练模型；S107：同化数值数据，使用基于迭代神经算子的迁移学习方法来同化所述数值数据，所述数值数据包括来自不同图像大小和图像层的数据；S109：分别进行空间、结构和工况推演，更新物理
‑
虚拟同步模型。2.如权利要求1所述的方法，其特征在于，在所述步骤S101中，所述气膜冷却实验装置包括风洞、压力容器、流量计、低温恒温器、红外热成像仪、测量和数据采集系统；其中，所述风洞截面为矩形，在所述风洞的测量区域上游安装蜂巢，以提供均匀的气流；所述压力容器为主流流和二次流提供驱动力；所述流量计安装在所述风洞中部，测量所述主流流的速度；所述二次流在进行压力和温度的测量之前由所述低温恒温器将所述二次流冷却到
‑
5℃；所述红外热成像仪记录射流冷却板外表面温度分布，所述测量和数据采集系统采用热电偶对所述主流流和二次流的温度进行实时测量，并进行数据采集，所述主流流和所述二次流的混合物最终从所述风洞出口排放到环境中。3.如权利要求1所述的方法，其特征在于，在所述步骤S103中，所述实验数据在预定实验条件获得，所述预定实验条件包括：实验在常温常压下进行，所述主流流和所述二次流的背压为1atm，所述主流流的温度为299.60K，所述二次流的温度为273.15K；实验样品材料为增材制造材料，所述增材制造材料为不饱和聚酯树脂，所述材料的导热系数为0.1W/m/K。4.如权利要求1所述的方法，其特征在于，在所述步骤S105中，所述训练预训练模型包括如下步骤：S1051：使用CFD结果作为预训练数据源；S1052：利用五折交叉验证选出合适的超参数；S1053：训练过程中的学习率设置为1e
‑
3；S1054：采用Adam优化器更新所述预训练模型权重；S1055：将所述数值数据样本转换为图像进行机器学习，得到具有泛化精度的所述预训练模型。5.如权利要求4所述的方法，其特征在于，在所述步骤S1051中，通过在等温条件下模拟一个随机分布的渗出孔穿过的平板，来获取气膜几何图形，利用所述气膜几何图形进行CFD模拟生成CFD数值数据。6.如权利要求5所述的方法，其特征在于，所述CFD模拟的计算域只包含流体域，计算单元为非结构化多面体，边界层区域生成棱柱网格；所述气膜几何图形在预设的约束条件下生成，所述约束条件为在等温条件下随机分布的渗出孔模拟穿过平板，所述渗出孔分布区域长度为40mm，所述渗出孔直径为1mm，所述渗出孔数量为10～15个，所述渗出孔按照预定条件分布；其中，所述预定条件包括：所述孔不重叠，所述孔中心距离不小于所述孔直径的2倍；所述孔的孔洞构型...

【专利技术属性】
技术研发人员：杨力，李晓鹏，王子奕，余鸿乾，陈启悦，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：