本發(fā)明涉及一種渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)氣動-熱協(xié)同優(yōu)化方法，屬于強(qiáng)化冷卻技術(shù)領(lǐng)域。

背景技術(shù)：

在航空燃?xì)鉁u輪發(fā)動機(jī)的技術(shù)發(fā)展過程中，壓氣機(jī)增壓比和渦輪進(jìn)口燃?xì)鉁囟瘸尸F(xiàn)不斷增加的趨勢。根據(jù)先進(jìn)航空燃?xì)鉁u輪發(fā)動機(jī)技術(shù)的未來的發(fā)展趨勢，新一代發(fā)動機(jī)推重比將達(dá)到15左右，屆時(shí)渦輪進(jìn)口燃?xì)鉁囟葘⑦_(dá)到2200k-2300k。渦輪進(jìn)口燃?xì)鉁囟鹊奶嵘龢O大的加劇了渦輪葉片、燃燒室火焰筒以及排氣噴管等熱端部件的熱載荷；同時(shí)，壓氣增壓比的提高也導(dǎo)致用于熱端部件的冷卻空氣品質(zhì)降低。因此熱端部件冷卻技術(shù)是提高燃?xì)鉁u輪發(fā)動機(jī)關(guān)鍵技術(shù)問題。

氣膜冷卻作為一種高效冷卻方式，被廣泛應(yīng)用于航空發(fā)動機(jī)渦輪葉片上。其原理為從高溫壁面的氣膜孔向主流引入二次冷卻氣流，這股冷卻氣流在主流的壓力和摩擦力作用下向下游彎曲，附著在壁面一定區(qū)域上，形成溫度較低的冷氣膜將壁面同高溫燃?xì)飧綦x，并帶走部分高溫燃?xì)?，從而對壁面起到良好的冷卻保護(hù)作用。以最少的冷氣量，在兼顧氣動損失的情況下，產(chǎn)生最大的冷卻效率一直是氣膜冷卻研究的重點(diǎn)。傳統(tǒng)的氣膜孔冷卻結(jié)構(gòu)優(yōu)化需要依靠大量的實(shí)驗(yàn)和數(shù)值模擬來總結(jié)規(guī)律，不僅需要耗費(fèi)大量的時(shí)間，而且成本相對較高。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：針對上述現(xiàn)有技術(shù)，提出一種渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)氣動-熱協(xié)同優(yōu)化方法，由渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)向氣膜冷卻氣動參數(shù)和熱參數(shù)的非線性映射，具有預(yù)測精度高，效率高，以及良好的全局逼近能力。

技術(shù)方案：一種渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)氣動-熱協(xié)同優(yōu)化方法，包括以下步驟：

步驟1，確立氣膜冷卻結(jié)構(gòu)的待優(yōu)化設(shè)計(jì)變量以及待優(yōu)化設(shè)計(jì)變量的范圍；

步驟2，設(shè)計(jì)徑向基神經(jīng)網(wǎng)絡(luò)代理模型的數(shù)據(jù)樣本；

步驟3，對數(shù)據(jù)樣本建立cfd模型，并計(jì)算目標(biāo)函數(shù)值fobj,cal；

步驟4，利用訓(xùn)練樣本和測試樣本，訓(xùn)練和測試徑向基神經(jīng)網(wǎng)絡(luò)；

步驟5，輸出徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本目標(biāo)函數(shù)值fobj.test最小誤差下的擴(kuò)展速度；

步驟6，利用粒子群算法耦合徑向基神經(jīng)網(wǎng)絡(luò)搜索最優(yōu)設(shè)計(jì)點(diǎn)；

步驟7，對優(yōu)化設(shè)計(jì)點(diǎn)進(jìn)行cfd評估，如果徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre與cfd計(jì)算目標(biāo)函數(shù)值fobj,cal誤差大于5％，則將此優(yōu)化設(shè)計(jì)點(diǎn)擴(kuò)充為訓(xùn)練樣本數(shù)據(jù)庫，重新從步驟4開始迭代，直到徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre與cfd計(jì)算目標(biāo)函數(shù)值fobj,cal誤差在預(yù)設(shè)范圍內(nèi)，迭代終止，得到全局最優(yōu)設(shè)計(jì)點(diǎn)。

進(jìn)一步的，步驟1中所述待優(yōu)化設(shè)計(jì)變量包括如下參數(shù)：渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ，其對應(yīng)變化范圍分別為25-55°，10-20°，3-15°。

進(jìn)一步的，步驟2中所述數(shù)據(jù)樣本的設(shè)計(jì)步驟包括：

步驟2.1，采用拉丁超立方設(shè)計(jì)方法，對待優(yōu)化參數(shù)渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ設(shè)計(jì)25組數(shù)據(jù)，作為訓(xùn)練樣本；

步驟2.2，對待優(yōu)化參數(shù)渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ進(jìn)行隨機(jī)組合，設(shè)計(jì)8組數(shù)據(jù)，作為測試樣本；

步驟2.3，對待優(yōu)化參數(shù)進(jìn)行歸一化處理，其方法如下：

式中：為歸一化之后的數(shù)據(jù)，x為待優(yōu)化參數(shù)實(shí)際值，xmax為待優(yōu)化參數(shù)的最大值，xmin為待優(yōu)化參數(shù)的最小值。

進(jìn)一步的，步驟3中的目標(biāo)函數(shù)表述為：

f(α,β,γ)＝λ1ηad,av+λ2cd

式中：λ1為渦輪葉片面平均冷卻效率權(quán)重比；ηad,av為渦輪葉片面平均冷卻效率；λ2為扇形孔流量系數(shù)權(quán)重比；cd為扇形孔流量系數(shù)。

進(jìn)一步的，步驟4所述徑向基神經(jīng)網(wǎng)絡(luò)表述如下：

徑向基神經(jīng)網(wǎng)絡(luò)分為三層：輸入層，隱藏層，輸出層，

隱藏層第i個(gè)神經(jīng)元節(jié)點(diǎn)中心的輸入值表示為：

hi＝||x-ci||

式中：x＝(x1，x2，…，xk)為網(wǎng)絡(luò)輸入矢量，k表示網(wǎng)絡(luò)輸入的個(gè)數(shù)，xj表示第j個(gè)網(wǎng)絡(luò)輸入，j＝1,2,3...k；ci＝(c1i，c2i，…，cki)為第i個(gè)神經(jīng)元節(jié)點(diǎn)的中心，cji表示第j個(gè)網(wǎng)絡(luò)輸入的第i個(gè)神經(jīng)元節(jié)點(diǎn)的中心；||*||表示歐式范數(shù)；

隱藏層第j個(gè)神經(jīng)元節(jié)點(diǎn)輸出值表示為：

式中：δ表示徑向基神經(jīng)網(wǎng)絡(luò)擴(kuò)展速度；

輸出層神經(jīng)元的輸出值表示為：

式中：w＝(w1，w2，…，wn)為連接隱藏層和輸出層的權(quán)值，n表示隱藏層的個(gè)數(shù)。

進(jìn)一步的，步驟5所述的徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本fobj.test誤差表述為：

運(yùn)用試錯(cuò)法，基于大范圍擴(kuò)展速度，得到徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本fobj.test最小誤差。

進(jìn)一步的，步驟6中粒子群算法優(yōu)化問題表述為：

maxf(α,β,γ)＝λ1ηad,av+λ2cd

式中：f(α，β，γ)為適應(yīng)度函數(shù)；αmin、αmax參數(shù)α對應(yīng)變化范圍最大值和最小值；βmin、βmax參數(shù)β對應(yīng)變化范圍最大值和最小值；γmin、γmax參數(shù)γ對應(yīng)變化范圍最大值和最小值；

步驟6.1，設(shè)置最大迭代次數(shù)、粒子群規(guī)模、慣性權(quán)重、學(xué)習(xí)因子，初始化粒子及粒子速度；

步驟6.2，粒子適應(yīng)度檢測；

步驟6.3，尋找個(gè)體極值和群體極值；

步驟6.4，速度更新和位置更新；

步驟6.5，粒子適應(yīng)度計(jì)算；

步驟6.6，個(gè)體極值和群體極值更新；

步驟6.7，判斷是否滿足終止條件，若不滿足，則返回步驟6.4。

進(jìn)一步的，步驟6.1中慣性權(quán)重采用動態(tài)變化方法，其公式如下：

w(k)＝wstart-(wstart-wend)(k/nmax)²

式中：k為當(dāng)前迭代代數(shù)，w(k)為當(dāng)前迭代的慣性權(quán)重；wstart為初始慣性權(quán)重，wstart＝0.9；wend為迭代至最大次數(shù)時(shí)的慣性權(quán)重，wend＝0.4；nmax為最大迭代代數(shù)。

進(jìn)一步的，步驟7所述的徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)函數(shù)值fobj,pre和cfd計(jì)算目標(biāo)函數(shù)值fobj,cal誤差表述為：

有益效果：本發(fā)明利用經(jīng)過實(shí)驗(yàn)驗(yàn)證過的cfd模型，基于徑向基神經(jīng)網(wǎng)絡(luò)(rbfnn)利用訓(xùn)練樣本和測試樣本進(jìn)行函數(shù)逼近，并耦合粒子群算法全局搜索得到最優(yōu)設(shè)計(jì)點(diǎn)，與現(xiàn)有的技術(shù)相比，本發(fā)明函數(shù)逼近基于rbfnn，預(yù)測精度高，全局逼近能力強(qiáng)；本發(fā)明優(yōu)化算法基于粒子群算法，為解決可能會陷入局部最小值問題，慣性權(quán)重采用動態(tài)變化方法；本發(fā)明可以進(jìn)行數(shù)據(jù)庫擴(kuò)充，以少量的訓(xùn)練樣本和測試樣本，全局搜索出準(zhǔn)確最優(yōu)設(shè)計(jì)點(diǎn)；本發(fā)明可以根據(jù)實(shí)際需求，調(diào)節(jié)氣動性能和熱性能的權(quán)值，設(shè)計(jì)出兼顧氣動性能和熱力性能的最優(yōu)扇形孔的氣膜冷卻結(jié)構(gòu)；本發(fā)明效率高，消耗資源少，可大幅度減少所耗時(shí)間和經(jīng)濟(jì)成本。

附圖說明

圖1為渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)氣動-熱協(xié)同優(yōu)化方法流程圖；

圖2為一種渦輪葉片扇形孔氣膜冷卻幾何模型；

圖3為扇形孔局部放大圖；

圖4為扇形孔正視；

圖5為扇形孔俯視圖；

圖6為徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

圖中標(biāo)號名稱：1.主流入口，2.主流和二次流出口，3.渦輪葉片吸力面，4.渦輪葉片壓力面，5.冷氣腔，6.扇形孔，7.扇形孔，8.扇形孔冷氣入口，9.扇形孔冷氣出口。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做更進(jìn)一步的解釋。

圖1是本發(fā)明的一種渦輪葉片扇形孔氣膜冷卻結(jié)構(gòu)氣動-熱協(xié)同優(yōu)化方法流程圖，下面將參照圖1對該方法進(jìn)行說明。

步驟1，基于圖2的渦輪葉片扇形孔氣膜冷卻幾何模型，主流入口速度為140m/s，主流入口溫度為540k，扇形氣膜孔冷氣入口速度為80.4m/s，氣膜孔冷氣入口溫度為310k。

規(guī)定扇形孔間距p為4.5d，扇形孔高度h為2.5d，扇形孔前向擴(kuò)展長度l1為d，扇形孔側(cè)向擴(kuò)展長度l2為2d，扇形孔圓柱部分長度l3為(h/sinα-3d)。選擇渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ為待優(yōu)化設(shè)計(jì)變量，其變化范圍分別為25-55°，10-20°，3-15°，其結(jié)構(gòu)圖如圖3所示。

步驟2，采用拉丁超立方設(shè)計(jì)方法，對待優(yōu)化參數(shù)渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ設(shè)計(jì)25組數(shù)據(jù)，作為訓(xùn)練樣本；對待優(yōu)化參數(shù)渦輪葉片扇形孔傾斜角α，扇形孔側(cè)向擴(kuò)展角β，扇形孔前向擴(kuò)展角γ進(jìn)行隨機(jī)組合，設(shè)計(jì)8組數(shù)據(jù)，作為測試樣本。訓(xùn)練樣本和測試樣本的結(jié)構(gòu)參數(shù)如表1所示。

表1

對待優(yōu)化參數(shù)進(jìn)行歸一化處理，歸一化處理的方法如下：

式中：為歸一化之后的數(shù)據(jù)，x為待優(yōu)化參數(shù)實(shí)際值，xmax為待優(yōu)化參數(shù)的最大值，xmin為待優(yōu)化參數(shù)的最小值。

步驟3，對數(shù)據(jù)樣本建立cfd模型，并計(jì)算目標(biāo)函數(shù)值fobj，cal。目標(biāo)函數(shù)表述為：

f(α,β,γ)＝λ1ηad,av+λ2cd

式中：λ1為渦輪葉片面平均冷卻效率權(quán)重比；ηad,av為渦輪葉片面平均冷卻效率；λ2為扇形孔流量系數(shù)權(quán)重比；cd為扇形孔流量系數(shù)。

渦輪葉片面平均冷卻效率ηad,av表述為：

式中：d為扇形孔入口圓形直徑，ηad,avx為線平均絕熱氣膜冷卻效率。流量系數(shù)cd表述為：

式中：m為流經(jīng)氣膜通道的實(shí)際流量；a為氣膜孔出口冷氣通道的橫截面積；ρout氣膜孔出口處氣體的密度，pin^*為氣膜孔入口處氣體的總壓，pout氣膜孔出口處氣體的靜壓。

步驟4，利用訓(xùn)練樣本和測試樣本，訓(xùn)練和測試rbfnn。徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，為三層：輸入層，隱藏層，輸出層。

隱藏層第i個(gè)神經(jīng)元節(jié)點(diǎn)中心的輸入值表示為：

hi＝||x-ci||

式中：x＝(x1，x2，…，xk)為網(wǎng)絡(luò)輸入矢量，k表示網(wǎng)絡(luò)輸入的個(gè)數(shù)，xj表示第j個(gè)網(wǎng)絡(luò)輸入，j＝1,2,3...k；ci＝(c1i，c2i，…，cki)為第i個(gè)神經(jīng)元節(jié)點(diǎn)的中心，cji表示第j個(gè)網(wǎng)絡(luò)輸入的第i個(gè)神經(jīng)元節(jié)點(diǎn)的中心；||*||表示歐式范數(shù)。

隱藏層第j個(gè)神經(jīng)元節(jié)點(diǎn)輸出值表示為：

式中：δ表示rbfnn擴(kuò)展速度。

輸出層神經(jīng)元的輸出值表示為：

式中：w＝(w1，w2，…，wn)為連接隱藏層和輸出層的權(quán)值。

步驟5，輸出rbfnn預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本目標(biāo)函數(shù)值fobj.test最小誤差下的擴(kuò)展速度。rbfnn預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本fobj.test誤差表述為：

運(yùn)用試錯(cuò)法，基于大范圍擴(kuò)展速度，得到rbfnn預(yù)測目標(biāo)函數(shù)值fobj,pre和測試樣本fobj.test最小誤差。

步驟6，利用粒子群算法(pso)耦合rbfnn搜索最優(yōu)設(shè)計(jì)點(diǎn)。

粒子群算法適應(yīng)度函數(shù)表述為：

maxf(α,β,γ)＝λ1ηad,av+λ2cd

式中：f(α，β，γ)為適應(yīng)度函數(shù)。αmin、αmax參數(shù)α對應(yīng)變化范圍最大值和最小值；βmin、βmax參數(shù)β對應(yīng)變化范圍最大值和最小值；γmin、γmax參數(shù)γ對應(yīng)變化范圍最大值和最小值。

步驟6.1，設(shè)置最大迭代次數(shù)、粒子群規(guī)模、慣性權(quán)重、學(xué)習(xí)因子，初始化粒子及粒子速度；

其中慣性權(quán)重采用動態(tài)變化方法，其公式如下：

w(k)＝wstart-(wstart-wend)(k/nmax)²

式中：k為當(dāng)前迭代代數(shù)，w(k)為當(dāng)前迭代的慣性權(quán)重；wstart為初始慣性權(quán)重，wstart＝0.9；wend為迭代至最大次數(shù)時(shí)的慣性權(quán)重，wend＝0.4；nmax為最大迭代代數(shù)。

步驟6.2，粒子適應(yīng)度檢測；

步驟6.3，尋找個(gè)體極值和群體極值；

步驟6.4，速度更新和位置更新；

步驟6.5，粒子適應(yīng)度計(jì)算；

步驟6.6，個(gè)體極值和群體極值更新；

步驟6.7，判斷是否滿足終止條件，若不滿足，則返回步驟6.4。

步驟7，對優(yōu)化設(shè)計(jì)點(diǎn)進(jìn)行cfd評估，如果rbfnn預(yù)測目標(biāo)函數(shù)值fobj,pre與cfd計(jì)算目標(biāo)函數(shù)值fobj,cal誤差大于5％，則將此優(yōu)化設(shè)計(jì)點(diǎn)擴(kuò)充訓(xùn)練樣本數(shù)據(jù)庫，重新從步驟4開始迭代，直到rbfnn預(yù)測fobj與cfdfobj誤差滿足要求，迭代終止，得到全局最優(yōu)設(shè)計(jì)點(diǎn)。其中rbfnn預(yù)測目標(biāo)函數(shù)值fobj,pre和cfd計(jì)算目標(biāo)函數(shù)值fobj,cal誤差表述為：

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。