[发明专利]一种基于流场重构的透平机械变工况性能预测方法

权利要求书

1.一种基于流场重构的透平机械变工况性能预测方法，其特征在于，包括以下步骤：

第1步，确定透平机械几何参数、工作流体以及变工况性能预测的输入变量，其中输入变量包括：将进口温度T_in、进口压力P_in、进口气流角α₁、质量流量以及透平机械转速ω_R；确定待设计变量的经验设计空间，然后对所有设计变量在经验设计空间中采用LatinHypercube Sampling方式进行采样，获得输入数据x_n,a，其中n＝1,…N，N为LatinHypercube Sampling方式采样获得的变工况点总数，a＝1,…A，A为上述输入变量总数；

第2步，根据透平机械几何参数进行通流部分建模，然后对N个透平机械变工况点进行CFD计算，获得初始流场数据；

第3步，对N个透平机械变工况CFD结果进行预处理，导出真实流场数据f_n,i,j,m以及透平性能数据ψ_n,h，f_n,i,j,m及ψ_n,h与输入数据x_n,a一一对应，其中i＝1,…I，I为x方向上节点总数，j＝1,…J，J为y方向上节点总数，m＝1,…M，M为记录的流场参数总数，h＝1,2，分别为透平功率及透平效率；

第4步，构建透平机械变工况预测模型，包括两级深度卷积网络；首先，基于反卷积神经网络构建输入数据x_n,a到重构流场数据的流场重构网络stage1，根据真实流场数据f_n,i,j,m与重构流场数据之间的流场重构损失函数l_stage1来训练反卷积神经网络，使重构流场数据与真实流场数据f_n,i,j,m一致；

第5步，基于卷积神经网络构建重构流场数据到透平性能数据ψ_n,h的性能预测网络stage2，根据真实性能数据ψ_n,h与预测性能数据之间的性能预测损失函数l_stage2来训练卷积神经网络；

第6步，将训练好的流场重构网络stage1和性能预测网络stage2用于透平机械变工况性能预测；将给定的变工况点参数：进口温度T_in、进口压力P_in、进口气流角α₁、质量流量以及透平机械转速ω_R作为输入变量，变工况性能预测模型通过流场重构网络stage1获得给定变工况点的关键流动截面流场，随后通过性能预测网络stage2获得透平机械变工况点的功率及效率。

2.根据权利要求1所述的一种基于流场重构的透平机械变工况性能预测方法，其特征在于，第1步中，输入变量的取值范围均为设计值的±10％～±50％。

3.根据权利要求1所述的一种基于流场重构的透平机械变工况性能预测方法，其特征在于，第2步具体包括：

根据透平机械几何参数，调用三维造型软件生成动叶及静叶三维模型；将获得的几何模型导入网格划分软件进行流体域网格划分，对进气延伸段和出口延伸段进行H型网格划分；对叶片采用O型网格划分，并细化叶顶间隙和壁面附近的网格，以获得精确的流量参数；以单个动叶-静叶流道为计算模型进行CFD计算，计算中选定第1步确定的工作流体，湍流模型选取为SST k-ω湍流模型；

具体的边界条件设定如下：

a)静叶入口：静温、静压和气流角边界；

b)动叶出口：流量边界；

c)动叶流体域：绕Z轴的旋转速度；

d)静叶流体域出口与动叶流体域入口：耦合交界面，采用混合模型stage来耦合静叶与动叶的流动；

e)静叶壁面：绝对静止壁面，动叶壁面：相对静止壁面，所有区域的上下壁面均为绝热壁面，满足无滑移流动条件。