基于人工神經(jīng)網(wǎng)絡(luò)的靜子葉片優(yōu)化設(shè)計(jì)

1、2009年10月第30卷 第5期推 進(jìn) 技 術(shù)JOURNALOFPROPULSIONTECHNOLOGYOct 2009Vol 30 No 5基于人工神經(jīng)網(wǎng)絡(luò)的靜子葉片優(yōu)化設(shè)計(jì)劉 波,宣 揚(yáng),陳云永(西北工業(yè)大學(xué)動(dòng)力與能源學(xué)院,陜西西安710072)*摘 要:采用NURBS參數(shù)化構(gòu)型技術(shù)以及人工神經(jīng)網(wǎng)絡(luò)技術(shù),對(duì)某兩級(jí)風(fēng)扇的第二級(jí)靜子根部葉型進(jìn)行優(yōu)化改型。優(yōu)化后,非設(shè)計(jì)點(diǎn)處該靜子根部至中部流動(dòng)得到較大改善,總壓恢復(fù)系數(shù)有一定的提高。風(fēng)扇總壓比有較大增加,絕熱效率基本不變。優(yōu)化結(jié)果表明,該方法能夠?qū)o子葉片進(jìn)行較好的優(yōu)化改善,能夠提高優(yōu)化效率,減少優(yōu)化時(shí)間,具有一定的實(shí)用價(jià)值。關(guān)鍵詞:航空發(fā)動(dòng)機(jī);

2、風(fēng)扇;葉片;最優(yōu)設(shè)計(jì),人工神經(jīng)元網(wǎng)絡(luò)中圖分類號(hào):V232 4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1001 4055(2009)05 0576 05StatoroptimizationusingartificialneuralnetworkLIUBo,XUANYang,CHENYun yong(Dept.ofAero Engines,NorthwesternPolytechnicalUniv.,Xi an710072,China)Abstract: ThesecondstagestatorwhichwasparameterizedapplyingNURBS(Non UniformRationalB Sp

3、line)inatwostagefanwasoptimizedbyusingartificialneuralnetwork.Theflowfieldoftheoptimizedstatorwasimprovedattheoff de signconditionfromhubtomid.Thetotalpressurerecoverycoefficientofthestatorincreased.Totalpressureratioofthefanwasimprovedandadiabaticefficiencykeptthesame.Theresultshowsthatthismethodco

4、uldimprovestatorbladeefficientlyandcanbeusedinstatordesignasanewoptimizationmethod.Keywords: Aircraftengine;Fan;Blade;Optimumdesign;Artificialneuralnetwork1 引 言壓氣機(jī)作為航空發(fā)動(dòng)機(jī)的關(guān)鍵部分,對(duì)航空發(fā)動(dòng)機(jī)的整體性能具有決定性的影響。隨著航空發(fā)動(dòng)機(jī)的快速發(fā)展,對(duì)壓氣機(jī)性能提出了越來越高的要求。為了提高壓氣機(jī)性能,對(duì)壓氣機(jī)葉片的優(yōu)化改型就處于了至關(guān)重要的地位,因此高性能壓氣機(jī)葉片的優(yōu)化設(shè)計(jì)方法越來越受到國內(nèi)外設(shè)計(jì)人員的重視。傳統(tǒng)的優(yōu)化方法有

5、速度梯度法和單純形法等。近幾年,很多新的優(yōu)化方法也被使用在葉片優(yōu)化設(shè)計(jì)中,比如遺傳算法、模擬退火算法等等。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦的工作方式,能夠通過學(xué)習(xí)來獲得和提高對(duì)模糊問題求解的能力,在自適應(yīng)學(xué)習(xí)、非線性逼近、目標(biāo)尋優(yōu)以及并行及分布式問題處理等方面,優(yōu)于傳統(tǒng)方法,在航空工程領(lǐng)域有廣泛的運(yùn)用,例如:流場控制、氣動(dòng)* 收稿日期:參數(shù)預(yù)估、網(wǎng)格生成、氣動(dòng)設(shè)計(jì)等等。目前,在葉片幾何造型優(yōu)化方面也逐步得到使用。常用的數(shù)值優(yōu)化算法一般將某些具體性能參數(shù)作為目標(biāo)參數(shù)進(jìn)行優(yōu)化,需要使用精確的目標(biāo)參數(shù)來進(jìn)行優(yōu)劣判斷,而在處理模糊優(yōu)劣判斷的時(shí)候需要對(duì)判優(yōu)條件進(jìn)行較復(fù)雜的數(shù)學(xué)描述才能得到較好的結(jié)果。使用人工神經(jīng)網(wǎng)

6、絡(luò)可以直接進(jìn)行模糊判斷,對(duì)目標(biāo)函數(shù)進(jìn)行非線性逼近,能快速取得最接近的優(yōu)值。葉型的幾何形狀表達(dá)是氣動(dòng)優(yōu)化過程中非常重要的部分,葉型幾何表達(dá)的參數(shù)將作為優(yōu)化過程中的控制變量來進(jìn)行變化。一般的幾何描述方法很難對(duì)自由曲線進(jìn)行精確描述,并且控制變量少,很難進(jìn)行靈活調(diào)整。近年來,NURBS技術(shù)(Non UniformRa tionalB Spline)由于其對(duì)自由曲線表達(dá)的巨大優(yōu)勢,已經(jīng)在航空航天復(fù)雜造型方面有了大量的應(yīng)用。使用NURBS進(jìn)行參數(shù)化的明顯優(yōu)勢在于它能通過351,22008 09 14;修訂日期:2009 04 07。作者簡介:劉 波(1960 ),男,博士,教授,研究領(lǐng)域?yàn)槿~輪機(jī)械氣動(dòng)熱力

7、學(xué)、流體機(jī)械及工程。i:l第30卷 第4期基于人工神經(jīng)網(wǎng)絡(luò)的靜子葉片優(yōu)化設(shè)計(jì)577少量的控制點(diǎn)坐標(biāo)和權(quán)因子來對(duì)復(fù)雜曲線曲面進(jìn)行精確描述,并且能夠通過改變部分控制點(diǎn)來對(duì)葉片型面進(jìn)行局部修改而不影響整個(gè)葉型。本文使用NURBS方法對(duì)葉片幾何外形進(jìn)行參數(shù)化重構(gòu),再通過人工神經(jīng)網(wǎng)絡(luò)對(duì)葉片外形進(jìn)行尋優(yōu)處理。通過某高負(fù)荷跨聲速兩級(jí)風(fēng)扇第二級(jí)靜子進(jìn)行的優(yōu)化算例,表明這種方法能夠縮短優(yōu)化時(shí)間,并取得了較好的優(yōu)化效果。Fig.1 SinglehiddenlayerBPneural682 優(yōu)化方法介紹本文首先使用NURBS方法對(duì)葉片基元級(jí)型面進(jìn)行參數(shù)化,用NURBS控制點(diǎn)將基元級(jí)吸壓力面進(jìn)行描述,再將控制點(diǎn)與葉片

8、氣動(dòng)性能相關(guān)聯(lián),創(chuàng)建大量的訓(xùn)練樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,從而建立起葉片幾何型面控制點(diǎn)與氣動(dòng)性能的非線性映射關(guān)系。在這里采用葉片幾何型面控制點(diǎn)與葉片的馬赫數(shù)分布進(jìn)行關(guān)聯(lián),調(diào)整原始葉片的馬赫數(shù)分布,使之趨于理想分布,再由所訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)得到相對(duì)應(yīng)的葉型幾何型面,并對(duì)新生成的葉型進(jìn)行計(jì)算調(diào)整,反復(fù)迭代,最后達(dá)到優(yōu)化葉型的目的。具體優(yōu)化流程如下:首先進(jìn)行基元級(jí)造型,然后對(duì)得到的基元級(jí)葉柵進(jìn)行S1面歐拉方程求解,獲取葉型表面馬赫數(shù)分布,用以建立神經(jīng)網(wǎng)絡(luò)樣本庫。利用樣本庫建立起人工神經(jīng)網(wǎng)絡(luò)映射關(guān)系模型,使用該網(wǎng)絡(luò)對(duì)基元級(jí)氣動(dòng)較差部分進(jìn)行修改,然后進(jìn)行三維積疊計(jì)算。對(duì)于性能不滿意的葉型再返回基元級(jí)優(yōu)

9、化部分進(jìn)行修改,直到得到滿意的葉片。本文中所使用的神經(jīng)網(wǎng)絡(luò)為單隱層的BP神經(jīng)網(wǎng)絡(luò)(Back PropagationNetwork),該網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)簡單,并能較好解決非線性問題。圖1給出了該網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。其中包括一個(gè)輸入層,一個(gè)中間層以及一個(gè)輸出層的三層網(wǎng)絡(luò)結(jié)構(gòu)。采用誤差逆?zhèn)鞑ニ惴▽?duì)網(wǎng)絡(luò)連接權(quán)進(jìn)行校正,各層激活函數(shù)使用S形函數(shù)(Sigmoid響應(yīng)特性)。并使用變學(xué)習(xí)率的BP算法來加速網(wǎng)絡(luò)訓(xùn)練的收斂速度,提高收斂精度。在本文中,網(wǎng)絡(luò)輸入的為葉型馬赫數(shù)分布,輸出為葉片幾何型面NURBS控制點(diǎn)坐標(biāo),輸入層神經(jīng)元為44個(gè),隱層神經(jīng)元15個(gè),輸出層神經(jīng)元22個(gè)。該規(guī)模的BP網(wǎng)絡(luò)能較好的建立起性能參數(shù)與葉

10、型控制點(diǎn)的非線性映射關(guān)系,從而能達(dá)到較好的優(yōu)化效果。networkstructurediagram該靜子根部彎度很大,氣流轉(zhuǎn)折角達(dá)到49 48!,擴(kuò)散因子為0 57,具有較大的逆壓梯度,氣流在根部的流動(dòng)也較為惡劣。同時(shí)通過CFD計(jì)算發(fā)現(xiàn),在非設(shè)計(jì)點(diǎn)下,該靜子的葉根基元級(jí)存在著嚴(yán)重分離,并伴隨著一個(gè)較大的分離渦,對(duì)該靜子乃至整臺(tái)風(fēng)扇性能都有較大影響。因此,對(duì)該根部基元級(jí)使用神經(jīng)網(wǎng)絡(luò)優(yōu)化改型是有必要的。為了保證第二級(jí)轉(zhuǎn)子出口氣流角與該靜子的進(jìn)口氣流角基本保持一致,以及靜子出口氣流角不變,優(yōu)化過程保持靜子幾何進(jìn)口角 1k和幾何出口角 2k不變。而保持葉型彎角和弦長不變保證了靜子的擴(kuò)壓能力以及稠度要求

11、。為了對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行達(dá)到足夠精度的訓(xùn)練,選取了50組邊界條件類似葉型及氣動(dòng)數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行訓(xùn)練,從而能夠獲取較準(zhǔn)確的響應(yīng)結(jié)果。4 流場計(jì)算方法本文使用成熟的專業(yè)葉輪機(jī)械計(jì)算軟件NUME CA作為該風(fēng)扇的氣動(dòng)參數(shù)性能以及內(nèi)部流場獲取的手段。在計(jì)算過程中,使用中心差分格式,來求解帶Spalart Allmaras湍流模型的N S方程。并使用多重網(wǎng)格法以及局部時(shí)間步長法等加速手段來提高收斂速度。計(jì)算網(wǎng)格使用HOH型網(wǎng)格。計(jì)算邊界條件為:進(jìn)口為標(biāo)準(zhǔn)大氣條件,總壓101 325kPa,總溫288 15K;出口給定平均靜壓,輪轂、機(jī)匣以及葉片等固壁上給定絕熱無滑移邊界條件。5 結(jié)果分析及討論5.1

12、 優(yōu)化葉型前后對(duì)比圖2和圖3所示的是根部基元級(jí)優(yōu)化前后的葉型對(duì)比。其中實(shí)線表示優(yōu)化后的葉型,點(diǎn)劃線表示,3 算例說明578推 進(jìn) 技 術(shù)2009年型彎角都未發(fā)生變化。葉型前段形狀變化不大,而較大幅度的改變位于葉型的后段。行積疊,形成新的三維葉片。使用NUMECA軟件對(duì)新風(fēng)扇進(jìn)行流場數(shù)值模擬。圖5和圖6所示為在相同邊界條件下,優(yōu)化前后第二級(jí)靜子5%葉高處S1面絕對(duì)馬赫數(shù)云圖。由于改變了相鄰葉片間的流通面積沿流向的變化率和葉型折轉(zhuǎn)角沿流向的變化率,近尾緣區(qū)域吸力面的壓力場分布也發(fā)生了變化,從而有效控制和改善靜葉吸力面附面層的發(fā)展,抑制大逆壓梯度下附面層低能流體在吸力面的局部回流9。Fig.2 Or

13、iginalandoptimizedbladeprofileofstator從圖中可以看出,在優(yōu)化前,大約55%弦長處,氣流在吸力面上附面層發(fā)生嚴(yán)重分離,從而造成較大分離損失。優(yōu)化后,回流區(qū)明顯減小,分離趨勢減弱,主流區(qū)增大,有效的減小了氣流分離帶來的損失。圖7和圖8為該靜子5%葉高處S1面流線。從流線圖中可以看到,優(yōu)化前,葉片尾緣處具有一個(gè)較大的分離渦,占據(jù)了大約50%的流通面積,造成比較嚴(yán)重的流道堵塞,使氣流流動(dòng)惡化。優(yōu)化后,分離渦變小,氣流有效流通面積增大,減小了對(duì)主流區(qū)的影響,使氣流流動(dòng)更加合理。圖9和圖10所示的是約47%弦長處的局部馬赫數(shù)等值線圖?？梢钥闯鲞@一區(qū)域存在著局部超聲區(qū),

14、這樣會(huì)導(dǎo)致激波,并產(chǎn)生激波 附面層干擾,使附面層分離加劇,造成嚴(yán)重?fù)p失。通過優(yōu)化改型,該局部超聲區(qū)范圍減小,改變了通道類激波結(jié)構(gòu),削弱了激波 附面層干涉的影響。圖11和12分別給出了優(yōu)化前后第二級(jí)靜子吸力面的極限流線。從圖中可以看出,優(yōu)化前,由于角區(qū)的逆壓梯度較大,于中間弦長處,極限流線發(fā)生偏轉(zhuǎn),形成一條分離線,向著1/2葉高方向發(fā)展,并在1/5葉高處形成漩渦,這是造成較大損失的原因。優(yōu)化之后,分離線明顯向葉片尾緣移動(dòng)。43%至50%葉高處的分離線消失,40%葉高以上葉片沒有明顯的分離區(qū)域,流動(dòng)得到較大改善。輪轂至約30%葉高Fig.3 Localenlargementatthechangel

15、ocation5.2 優(yōu)化前后馬赫數(shù)分析圖4給出了優(yōu)化前后的葉片吸壓力面馬赫數(shù)分布。其中虛線為優(yōu)化前的馬赫數(shù)分布,優(yōu)化后的馬赫數(shù)分布用實(shí)線表示。從圖中可以看出,優(yōu)化前后氣流從葉片前緣進(jìn)行加速,到約40%弦長處達(dá)到馬赫數(shù)峰值。優(yōu)化后的馬赫數(shù)峰值略低于優(yōu)化前的,這樣有利于降低葉型中部的激波強(qiáng)度,減少激波損失。在峰值之后,優(yōu)化前氣流流速迅速降低,造成較大逆壓梯度,容易使氣流發(fā)生分離,使流動(dòng)惡化,氣流損失增大。而優(yōu)化之后的分布更加合理,氣流減速相對(duì)平緩,有利于減弱氣流的分離,有效抑制附面層的發(fā)展以及低能流體的回流。5.3 優(yōu)化前后流場分析為了得到新的三維葉片,首先將優(yōu)化之后的基元級(jí)與初始第二級(jí)靜子的其

16、它基元級(jí)重新進(jìn)行插值以保證葉片的表面光滑,再以基元級(jí)重心為積疊中心進(jìn)Fig.4 MachnumberdistributiononbladesurfacefororiginalandoptimizedstatorprofileFig.5 MachcloudatlasonS1surfaceat5%ofspanoforiginalstatorFig.6 MachcloudatlasonS1surfaceat5%ofspanofoptimizedstator第30卷 第4期基于人工神經(jīng)網(wǎng)絡(luò)的靜子葉片優(yōu)化設(shè)計(jì)579處的尾緣分離區(qū)域面積減小約40%。9%葉高至30%葉高位置分離線明顯后移。1/5處的漩渦消

17、失。分離區(qū)域的減小和分離線的后移都使得氣流損失減少。而從圖13和圖14所給出的二次流圖譜中可以看出,二次流主要表現(xiàn)為從壓力面到吸力面的流動(dòng),并伴隨有一定徑向流動(dòng)。在優(yōu)化前,靠近葉片吸力面的徑向流動(dòng)增強(qiáng),吸力面表面的二次流則完全表現(xiàn)為徑向流動(dòng)。同時(shí),端壁附面層內(nèi)的低能流體由于受到分離渦的運(yùn)動(dòng)控制,在葉片吸力面近出口處的角區(qū)堆積,同時(shí)在角區(qū)形成了一個(gè)三維分離泡。優(yōu)化后,近吸力面的徑向流動(dòng)有較大的削弱,而分離泡的體積也有明顯減小,這對(duì)于減少損失是有利的。表1列出了優(yōu)化前后在不同葉高處總壓恢復(fù)系數(shù)?？梢钥闯?該靜子從根部到20%葉高處性能有10較大提高,20%葉高以上至葉片中部的性能也有不同程度的改善

18、。而該靜子整體總壓恢復(fù)系數(shù)也由0 970283提高到了0 977343。由于優(yōu)化過程是針對(duì)單一工況點(diǎn)進(jìn)行的,因此,還需要對(duì)其它工況點(diǎn)的性能進(jìn)行考察分析。圖15給出了優(yōu)化改型前后該風(fēng)扇變工況性能曲線。從中可Table1 TotalpressurerecoverycoefficientsatvariousspansSpan/%591721304050Original0.847170.902470.926230.955130.964540.978210.98747Optimized0.856810.908810.938680.964780.969220.979330.98773Fig.7 Strea

19、mlineonS1surfaceat5%ofspanoforiginalstatorFig.8 StreamlineonS1surfaceat5%ofspanofoptimizedstatorFig.9 Machcontouratabout47%ofchordfororiginalstatorFig.10 Machcontouratabout47%ofchordforoptimizedstatorFig.11 LimitingstreamlineonsuctionsurfaceoforiginalstatorFig.12 Limitingstreamlineonsuctionsurfaceof

20、optimizedstatorFig.13 SecondaryflowmaponS3surfaceat60%chordfororiginalstatorFig.14 SecondaryflowmaponS3surfaceat60%chordforoptimizedstator580推 進(jìn) 技 術(shù)2009年Fig 15 Comparisonofperformanceoffanwithoriginalandoptimizedstatorblade以看出優(yōu)化前后絕熱效率基本保持不變,而總壓比在優(yōu)化點(diǎn)處有一定提高,其它工況處變化不大。但近喘點(diǎn)總壓比略微有所下降,流量裕度也略有降低。2 RaiMM.Ar

21、apidaerodynamicdesignprocedurebaseonartificialneuralnetworksR.AIAA2001 0315.3 施法中.計(jì)算機(jī)輔助幾何設(shè)計(jì)與非均勻有理B樣條CAGD&NURBSM.北京:高等教育出版社,2001.4 薛曉濱.基于NURBS的工程可視化數(shù)字建模技術(shù)J.計(jì)算機(jī)應(yīng)用,2003,23(5):115117.5 LaiYuyang,YuanXin.Bladedesignwiththree dimensionalviscousanalysisandhybridoptimizationapproachR.AIAA2002 5658.6 GhalyW,MengistuT.OptimalgeometricrepresentationofturbomachinerycascadesusingNURBSJ.JournalofInverseMethodsinEngineering,2003,11(5).7 GhalyW,MengistuT.SingleandmultipointshapeoptimizationofgasturbinebladecascadesR.AIAA200