【技术实现步骤摘要】
本专利技术属于燃气轮机气动设计，具体涉及一种基于主动学习dnn的燃机叶片颤振可靠性评估方法及系统。
技术介绍
1、近年来，燃气轮机不断朝着高负荷和高效率方向发展，压气机叶片的设计的尺寸增大，展弦比增加，相对质量变小。得压气机内部流动的非定常特性愈专利技术显，由非定常流固耦合导致的叶片颤振问题日益突出。此外，叶片加工、制造、运行过程中的各种随机因素都会导致叶片运行工况偏离设计工况，有可能导致叶片的气动弹性的失稳、颤振发生。因此，在我国燃气轮机快速发展的背景下，研究燃气轮机叶片在多源不确定性参数下的颤振可靠性，可以保障燃气轮机的运行安全，具有重要的工程和经济价值。
2、叶片的颤振分析过程复杂，需要进行流固耦合分析，即使根据叶片的周期性以及流场波动的谐波性进行时域和空间上的各种简化，仍需要消耗较长的计算时间成本，因而颤振分析被认为是透平机械领域最具挑战的数值仿真之一。此外，影响叶片颤振特性的不确定性参数众多，材料属性、气动参数、叶片结构等参数的不确定性均会影响叶片颤振特性，而相应的颤振可靠性研究较少。传统可靠性评估方法依赖于蒙特卡洛方法，收敛性严重依赖于数值计算样本数，同样需要消耗较多的计算资源和时间。
3、综上所述，目前燃气轮机叶片的颤振分析往往未考虑不确定性的影响，同时在计算过程中需要大量调用模拟分析程序，且存在资源浪费、耗时久、效率低的问题。
技术实现思路
1、针对现有燃气轮机叶片颤振评估的不足，本专利技术提供一种基于主动学习dnn的燃机叶片颤振可靠性评估方
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、基于主动学习dnn的燃机叶片颤振可靠性评估方法，包括：
4、s1：根据燃气轮机实际测量数据确定影响叶片颤振的随机不确定性参数，开展不确定性表征研究，获得不确定性参数的概率分布表征模型；
5、s2：根据燃气轮机实际运行参数确定叶片的变工况运行参数，由叶片的变工况运行参数与不确定性参数的概率分布表征模型组合构建颤振可靠性分析的设计空间；
6、s3：在颤振可靠性分析的设计空间内建立初始颤振数据训练样本集；
7、s4：根据初始颤振数据训练样本集，构建颤振可靠性分析的主动学习dnn代理模型，采用主动学习方法对dnn代理模型进行更新直至精度满足要求；
8、s5：根据更新后的dnn代理模型，对叶片在给定运行工况下的颤振可靠性进行评估，得到评估结果。
9、本专利技术进一步的改进在于，步骤s1中，根据燃气轮机实际测量数据确定影响叶片颤振的随机不确定性参数，开展不确定性表征研究，获得不确定性参数的概率分布表征模型，包括：
10、s11：对大量实际叶片样本进行扫描，获得几何参数随机不确定性参数的测量数据；对试验工况、材料属性的波动进行统计，获得试验工况、材料属性随机不确定性参数的测量数据，选定波动的几何参数、试验工况、材料属性作为影响叶片颤振的随机不确定性参数；
11、s12：对影响叶片颤振的随机不确定性参数开展表征研究，对于几何参数、试验工况、材料属性的随机不确定性参数，针对一组测量数据，首先假设该变量为统计变量，令变量依次满足设定的几种竞争分布类型，采用极大似然估计对其进行参数估计，获得几种竞争分布的表达式；
12、s13：根据几种竞争分布的表达式分别求解竞争分布的累积密度函数；
13、s14：对各种竞争分布进行假设检验，根据各种竞争分布的累积密度函数通过k-s检验公式计算p-value值；选择竞争分布中p-value的最大值，将其与显著性水平α进行比较；若p-value的最大值大于α，则该变量为对应分布类型的统计变量，满足其概率分布；若p-value最大值小于α，则该变量为区间变量，其区间上下限满足：
14、z＝zmin-ψ·σz
15、
16、其中，z、为分别为区间上下限，σz、zmin、zmax分布为测量数据的标准差、最小值、最大值，ψ为区间的拓展参数；
17、至此确定了不确定性变量的分布类型及其概率分布，获得不确定性参数的概率分布表征模型。
18、本专利技术进一步的改进在于，步骤s2中，根据燃气轮机实际运行参数确定叶片的变工况运行参数，由叶片的变工况运行参数与不确定性参数的概率分布表征模型组合构建颤振可靠性分析的设计空间，包括：
19、s21：对叶片运行工况进行统计，获得变工况运行参数的运行工况边界；
20、s22：确定随机不确定性参数和确定的变工况运行参数的采样空间，对于变工况运行参数，其采样空间为其运行工况边界：
21、
22、其中，d为变工况运行参数采样空间；s为变量数目；dl为变工况运行参数下限；du为变工况运行参数上限；
23、对于随机不确定性参数，根据其概率分布表征模型通过仿真空间截断选取概率高的置信域作为随机不确定性参数的采样空间：
24、
25、其中，x为随机不确定性参数采样空间；f-1为随机不确定性参数累计概率密度积分的反函数；下标xi为随机不确定性参数；上标-为分位数下限；上标+为分位数上限；αas为设计空间之外进行采样的概率；
26、s23：由随机不确定性参数和确定的变工况运行参数采样空间的张量积构建颤振可靠性分析的设计空间，即：
27、w＝d×x
28、其中，w为颤振可靠性分析的设计空间。
29、本专利技术进一步的改进在于，步骤s3中，在颤振可靠性分析的设计空间内建立初始颤振数据训练样本集，包括：
30、s31：在设计空间内，采用拉丁超立方抽样方法抽取随机变量生成ns个初始样本，对于每个初始样本生成叶片模型，对燃气轮机叶片划分2个叶片通道的气动分析计算域，对所生成的计算域进行网格划分，并依据所选取的湍流模型对边界层进行加密，获得气动计算域网格；
31、s32：对每个叶片模型，首先采用气动计算域网格开展稳态计算流体动力学计算获得收敛的稳态流场，随后将稳态流场结果作为初始流场开展振荡叶片非稳态颤振分析，采用双通道形状修正法对整圈模型进行简化，双通道形状修正法根据相移周期边界假设用双通道中间流动分界面的流场信息修正两侧周期面上的流动参数，将整周计算域简化为两通道计算模型；设置叶片表面为周期性振动位移边界条件，设置叶片间不同的叶间相位角，叶片进行相应的正弦振动，设置瞬态分析方法为谐波平衡法，求解过程中监测叶片不同叶间相位角下的模态气动阻尼比计算收敛曲线直至获得收敛结果，其中模态气动阻尼比计算公示如下：
32、
33、其中，wp为单个周期内周围流体对叶片所做的累积气动功，ek为单元的振动动能，ω为叶片振动频率；p为叶片表面非定常压力分布；vn本文档来自技高网...
【技术保护点】
1.基于主动学习DNN的燃机叶片颤振可靠性评估方法，其特征在于，包括：
2.根据权利要求1所述的基于主动学习DNN的燃机叶片颤振可靠性评估方法，其特征在于，步骤S1中，根据燃气轮机实际测量数据确定影响叶片颤振的随机不确定性参数，开展不确定性表征研究，获得不确定性参数的概率分布表征模型，包括：
3.根据权利要求2所述的基于主动学习DNN的燃机叶片颤振可靠性评估方法，其特征在于，步骤S2中，根据燃气轮机实际运行参数确定叶片的变工况运行参数，由叶片的变工况运行参数与不确定性参数的概率分布表征模型组合构建颤振可靠性分析的设计空间，包括：
4.根据权利要求3所述的基于主动学习DNN的燃机叶片颤振可靠性评估方法，其特征在于，步骤S3中，在颤振可靠性分析的设计空间内建立初始颤振数据训练样本集，包括：
5.根据权利要求4所述的基于主动学习DNN的燃机叶片颤振可靠性评估方法，其特征在于，步骤S4中，根据初始颤振数据训练样本集，构建颤振可靠性分析的主动学习DNN代理模型，采用主动学习方法对DNN代理模型进行更新直至精度满足要求，包括：
6.
7.基于主动学习DNN的燃机叶片颤振可靠性评估系统，其特征在于，包括：
8.根据权利要求7所述的基于主动学习DNN的燃机叶片颤振可靠性评估系统，其特征在于，获得表征模型模块中，根据燃气轮机实际测量数据确定影响叶片颤振的随机不确定性参数，开展不确定性表征研究，获得不确定性参数的概率分布表征模型，包括：
9.根据权利要求8所述的基于主动学习DNN的燃机叶片颤振可靠性评估系统，其特征在于，设计空间构建模块中，根据燃气轮机实际运行参数确定叶片的变工况运行参数，由叶片的变工况运行参数与不确定性参数的概率分布表征模型组合构建颤振可靠性分析的设计空间，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现权利要求1-6中任一项所述的基于主动学习DNN的燃机叶片颤振可靠性评估方法的步骤。
...【技术特征摘要】
1.基于主动学习dnn的燃机叶片颤振可靠性评估方法，其特征在于，包括：
2.根据权利要求1所述的基于主动学习dnn的燃机叶片颤振可靠性评估方法，其特征在于，步骤s1中，根据燃气轮机实际测量数据确定影响叶片颤振的随机不确定性参数，开展不确定性表征研究，获得不确定性参数的概率分布表征模型，包括：
3.根据权利要求2所述的基于主动学习dnn的燃机叶片颤振可靠性评估方法，其特征在于，步骤s2中，根据燃气轮机实际运行参数确定叶片的变工况运行参数，由叶片的变工况运行参数与不确定性参数的概率分布表征模型组合构建颤振可靠性分析的设计空间，包括：
4.根据权利要求3所述的基于主动学习dnn的燃机叶片颤振可靠性评估方法，其特征在于，步骤s3中，在颤振可靠性分析的设计空间内建立初始颤振数据训练样本集，包括：
5.根据权利要求4所述的基于主动学习dnn的燃机叶片颤振可靠性评估方法，其特征在于，步骤s4中，根据初始颤振数据训练样本集，构建颤振可靠性分析的主动学习dnn代理模型，采用主动学习方法对dnn代理模型进行更新直至精度满足要求，包括：
...
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。