【技术实现步骤摘要】
本专利技术属于燃气轮机，具体涉及一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法。
技术介绍
1、我国燃气轮机产业正在朝着高功率、高效率的方向发展，现阶段的燃气轮机需要更高的可靠性、鲁棒性以及更低的成本和风险。在提高燃气轮机参数的同时，建立精确完善的燃气轮机可靠性评估优化体系，保障工作机组的安全至关重要。
2、疲劳可靠性是现代重型燃气轮机运行和健康管理的关键问题，由于多源不确定性因素在燃气轮机部件的设计、制造和运行过程中普遍存在，燃气轮机部件的疲劳寿命往往呈现出很大的弥散性。叶片轮盘是燃气轮机能量转换的核心部件，在恶劣的压力和温度环境下高转速工作，极易发生故障。为了保障机组的工作安全，需要开展叶片轮盘的疲劳可靠性优化设计，提高燃气轮机安全性，进而避免安全事故的发生。
3、目前，燃气轮机叶片轮盘的优化设计大多是确定性优化，未综合考虑随机优化变量和环境变量随机扰动的影响，同时计算中需要大量调用模拟分析程序，缺乏高效的代理模型构建以及可靠性优化方法，尤其对于叶片轮盘这种复杂系统，存在资源浪费、效率低的问题。因此，综合考虑确定性优化变量、随机优化变量和环境变量的影响，建立高效、可靠、低成本的燃气轮机叶片轮盘可靠性优化方法十分重要。
技术实现思路
1、针对现有燃气轮机叶片轮盘可靠性优化方法的不足，本专利技术提供一种一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法。本专利技术方法综合考虑确定性优化变量、随机优化变量及环境变量，采用序贯优化与可靠性评估方法将概率可靠性
2、为达到上述目的，本专利技术通过以下技术方案来实现：
3、一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，包括以下步骤：
4、s1：建立燃气轮机叶片轮盘几何仿真模型，开展几何仿真模型的有限元分析，获得关键疲劳失效部位及主要疲劳失效形式，建立燃气轮机叶片轮盘寿命模型；
5、s2：根据关键疲劳失效部位及主要疲劳失效形式确定影响叶片轮盘疲劳寿命的确定性优化变量、随机优化变量及环境变量，开展不确定性表征研究，获得随机优化变量及环境变量的概率分布表征模型，由确定性优化变量、随机优化变量和随机环境变量定义的置信域的张量积组成可靠性分析变量的设计空间；
6、s3：根据燃气轮机叶片轮盘寿命模型、确定性优化变量、随机优化变量及环境变量，建立以叶片轮盘疲劳寿命均值为优化目标函数，叶片轮盘寿命失效概率为可靠性约束的叶片轮盘可靠性优化模型；
7、s4：在设计空间采用自适应mlp神经网络构建优化目标函数和可靠性分析中极限状态函数的初始代理模型；
8、s5：采用自适应序贯优化与可靠性评估方法对叶片轮盘可靠性优化模型开展双阶段主动学习可靠性优化，在优化过程中自适应加点更新mlp神经网络代理模型，在第一阶段通过设计空间寻优以缩减设计空间，在第二阶段综合考虑环境变量的影响，优化获得最优解。
9、本专利技术进一步的改进在于，步骤s1的具体步骤如下：
10、根据燃气轮机叶片轮盘实体，忽略加工及工艺结构，建立几何仿真模型，开展气热固耦合分析，获得整体叶片轮盘应力场，选择应力值、应力集中系数最大的一个或多个区域作为关键失效部位，根据载荷形式及有限元分析结果构建结构疲劳寿命模型；对于低周疲劳失效，选用manson-coffin寿命模型，考虑平均应力的影响，采用swt修正模型对原始模型进行修正，得到低周疲劳寿命模型如下：
11、
12、其中：δε为总应变幅；σmax为最大应力；εa为应变幅，σ'f为疲劳强度系数；ε'f为疲劳延性系数；e为弹性模量；b为疲劳强度系数；c为疲劳延性系数；nf为疲劳寿命；γ为材料常数。
13、本专利技术进一步的改进在于，γ的表达式如下：
14、
15、其中：σu为极限抗拉强度；σy为屈服强度。
16、本专利技术进一步的改进在于，步骤s2的具体步骤如下：
17、s21：对于燃气轮机轮盘叶片，针对燃气轮机关键失效部位，对大量实际叶片轮盘样本进行扫描，获得几何形状的测量数据，同时对实验工况、材料属性进行统计分析，确定影响叶片轮盘几何仿真模型疲劳寿命的确定性优化变量、随机优化变量及环境变量；
18、s22：通过统计推断提取随机优化变量及环境变量的不确定性分布，获得随机优化变量及环境变量的概率分布表征模型；随机优化变量及环境变量的分布可为对数正态分布、正态分布、威布尔分布和均匀分布；
19、s23：采用确定性优化变量、随机优化变量和随机环境变量置信域的张量积组成可靠性分析变量的设计空间；具体地，对于确定性优化变量，其置信域即为其设计边界：
20、
21、其中，d为确定性优化变量置信域；s为变量数目；dl为确定性优化变量下限；du为确定性优化变量上限；
22、对于随机优化变量和随机环境变量，为了防止随机分布导致的设计空间过大，通过仿真空间截断选取概率高的置信域，由下列张量积获得设计空间的超立方体区域：
23、
24、
25、其中，x为随机优化变量置信域；p为随机环境变量置信域；q为与设计变量或环境变量的边界相关的分位数；下标xi为随机优化变量；下标pi为随机环境变量；上标-为分位数下限；上标+为分位数上限；
26、可靠性分析的设计空间可表示为置信区间的张量积，即：
27、w＝d×x×p
28、其中，w为可靠性分析变量的设计空间。
29、本专利技术进一步的改进在于，步骤s3的具体步骤如下：
30、以步骤s2获得的确定性优化变量及随机优化变量为优化变量，环境变量为不可控随机变量，根据步骤s1获得的燃气轮机叶片轮盘寿命模型建立优化目标函数及可靠性约束，所述优化目标函数为最大化燃气轮机叶片轮盘的寿命均值，其公式如下：
31、
32、其中：d为确定性优化变量；μx为随机优化变量x均值；μp为环境变量p的均值；nf为燃气轮机叶片轮盘寿命；e[nf]为燃气轮机叶片轮盘的寿命均值；上标l、u分别是优化变量的下界与上界；
33、所述可靠性约束为燃气轮机叶片轮盘的失效概率小于规定数值，定义燃气轮机叶片轮盘的失效的极限状态函数为疲劳寿命小于规定阈值：
34、
35、
36、其中：g(·)为可靠性分析的极限状态函数；是最大允许失效概率；p(·)为概率算子；为设计寿命阈值；
37、至此，建立了叶片轮盘可靠性优化模型。
38、本专利技术进一步的改进在于，步骤s4的具体步骤如本文档来自技高网...
【技术保护点】
1.一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤S1的具体步骤如下：
3.根据权利要求2所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，γ的表达式如下：
4.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤S2的具体步骤如下：
5.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤S3的具体步骤如下：
6.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤S4的具体步骤如下：
7.根据权利要求6所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，所述MLP神经网络由一个扩张路径和一个收缩路径构成，扩展路径与收缩路径均包含3层神经网络，每经过一层扩张通道，神经元数量都加倍；收缩路径每下采样一次，神经元数量都减少一半。
8
...【技术特征摘要】
1.一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤s1的具体步骤如下：
3.根据权利要求2所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，γ的表达式如下：
4.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于，步骤s2的具体步骤如下：
5.根据权利要求1所述的一种基于双阶段主动学习的叶片轮盘疲劳可靠性优化方法，其特征在于...
【专利技术属性】
技术研发人员：谢永慧，李金星，李国嘉，张荻，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。