[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

说明书

本发明公开了一种基于流场重构的透平机械变工况性能预测方法，包括：确定透平机械几何参数、工作流体及变工况性能预测输入参数；对样本点进行CFD计算，获得初始流场数据；对CFD结果预处理，获得真实流场数据及性能数据；构建流场重构网络，利用流场重构损失函数训练反卷积神经网络；构建性能预测网络，利用性能预测损失函数训练卷积神经网络；基于训练好的流场重构网络和性能预测网络预测透平机械变工况性能。本发明利用深度卷积神经网络，实现了透平机械变工况参数与流场信息、性能之前的直接转换，具有准确、快速、通用、灵活、易于实现、无需人为干预等优点，在透平机械实时控制和设计优化方面具有良好的应用前景。

技术领域

本发明属于能源动力领域，特别涉及一种基于流场重构的透平机械变工况性能预测方法。

背景技术

透平机械是将流体工质中的能量与机械能相互转换的机械设备，是动力循环的核心部件，因为结构复杂，工作环境恶劣，其研制和生产水平是衡量一个国家科技实力的重要指标。其性能将直接影响循环系统的功率及效率，因而对透平机械开展设计优化研究是工业领域的重要研究方向。

实际运行中，透平机械的运行状态受到电机转速、来流参数、功率等诸多不确定参数的影响，其往往无法保持额定工况运行。偏离设计工况仍能高效、稳定运行是目前透平机械的研究热点。此外，近年来透平机械的布置形式日新月异、应用工质逐渐增多，新颖的透平机械结构以及特殊工质物性、换热规律的特殊性，增加了透平机械偏离设计工况运行的不确定性，危害透平机械及机组的性能及安全性。因此，对于透平机械进行变工况分析对于评估其性能及安全性十分重要。传统的透平变工况性能预测往往采用基于物理模型的CFD(计算流体动力学)求解，尽管目前CFD计算能够较为准确的预测透平性能，但其需要大量的计算工况点，大大增加了计算成本与耗时。一方面，这将导致透平设计周期的显著增加；另一方面，在系统的实际运行和控制中，很难实时掌握透平机组的非设计性能，系统无法及时进行调整。

综上所述，采用传统CFD分析方法进行透平机械的变工况性能预测工作量大、设计周期长。迫切需要开发一种高效、准确的透平机械变工况性能预测方法。

发明内容

本发明的目的在于提供一种基于流场重构的透平机械变工况性能预测方法，以解决上述存在的技术问题。本发明采用深度卷积神经网络构建的透平机械变工况性能预测方法，能够准确且快速的预测变工况情况下透平机械的流场数据及整体性能参数，同时对不同的工程问题具有广泛的适用性。

本发明采用以下技术方案来实现：

一种基于流场重构的透平机械变工况性能预测方法，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；