[发明专利]基于钟形曲线的单排气膜冷却效率二维分布AI预测方法

说明书

基于钟形曲线的单排气膜冷却效率二维分布AI预测方法，涉及航空发动机领域，解决现有冷却效率方法通过对中心线和平均冷却效率进行预测，预测结果较为片面，不能反映气膜冷却效率在冷却表面的具体分布等问题，首先针对气膜冷却效率的众多影响因素，提取影响气膜冷却效率的主要影响参数作为神经网络的输入参数，冷却效率二维分布作为神经网络的输出参数。然后根据影响参数构造不同的工况进行三维数据计算，得到平板表面冷却效率数据库。然后利用冷却效率在横向的钟形曲线分布对数据库进行处理得到新的数据库。最后利用新的数据库和确定的输入‑输出参数建立冷却效率二维分布神经网络预测模型，得到平板单排圆柱孔二维绝热冷却效率分布云图。

技术领域

本发明涉及航空发动机领域，具体涉及一种基于人工智能算法的单排气膜冷却效率二维分布预测方法。

背景技术

涡轮作为航空发动机的重要部件之一，其工作环境十分恶劣。目前先进航空发动机的涡轮前温度已经达到了2000K左右，高于涡轮叶片金属材料的耐温极限，因此需要采用先进的冷却技术。航空发动机涡轮叶片的主要冷却方式是气膜冷却，它是由高温壁面上的喷口喷出一股冷却剂来阻隔主燃气流壁面加热的一种热防护措施，其喷口可以是二维缝，也可以是孔或孔排。影响气膜冷却性能的主要流动参数有吹风比、密度比和主流湍流度，主要几何参数有射流角度、气膜孔长径比、气膜孔间距、孔排数以及孔的几何形状。气膜冷却设计是一个需要反复迭代的过程，因此，需要快速准确的获得气膜冷却的绝热冷却效率。

目前常用的气膜冷却效率预测方法包括经验公式法和计算流体力学(CFD)法。但经验公式适用范围窄，只研究了一些影响较大的参数，对于真实涡轮叶片的气膜冷却预测结果容易出现较大的偏差；而计算流体力学(CFD)法针对复杂冷却结构的三维数值模拟需要极大的网格量，所带来的网格划分工作量和计算时长都给冷却结构的设计带来了很大的障碍。因此亟需寻找更为高效、准确的冷却效率预测方法。

近年来，针对气膜冷却的复杂的作用形式，现有技术开始尝试用新的建模手段来预测气膜冷却效率，比如基于神经网络的方法对气膜冷却进行预测，获得了较好的预测结果。论文[秦晏旻,李雪英,任静,蒋洪德.基于BP神经网络的多参数气膜冷却效率研究[J].工程热物理学报,2011]以大量文献中的实验数据作为训练集和测试集，选择无量纲流向距离X/D、吹风比M、密度比DR、主流湍流度Tu、面积比AR、孔间距比P/D等对气膜冷却效率影响较大的参数作为神经网络的输入参数，经过训练后，神经网络最终能快速、准确的获得中心线和横向平均绝热冷却效率以及传热系数比曲线，并能以数据文件格式输出。

上述关于冷却效率的预测方法：经验公式法、计算流体力学方法和人工智能方法，传统的经验公式法和计算流体力学方法都存在一定的局限性，而目前关于人工智能预测气膜冷却效率的方法都只对中心线和平均冷却效率进行预测，预测结果较为片面，不能反映气膜冷却效率在冷却表面的具体分布。

发明内容

本发明为解决现有冷却效率方法通过对中心线和平均冷却效率进行预测，预测结果较为片面，不能反映气膜冷却效率在冷却表面的具体分布等问题，提供一种基于钟形曲线的单排气膜冷却效率二维分布AI预测方法。提高冷却结构设计的迭代速度。

基于钟形曲线的单排气膜冷却效率二维分布AI预测方法，该方法将神经网络与钟形曲线结合，获得平板单排气膜孔的绝热冷却效率二维分布，即当地冷却效率；该方法具体由以下步骤实现：

步骤一、提取影响气膜冷却效率的影响参数，并根据所述气膜冷却效率的影响参数构造不同的工况进行三维数据计算，获得平板表面冷却效率数据库；

步骤二、根据步骤一所述的平板表面冷却效率数据库，获得所述流向距离固定值时，当地冷却效率随所述横向距离的变化曲线；根据冷却效率变化曲线，获得每条曲线图的函数表达式和函数表达式的参数；并将所述冷却效率的影响因素和函数表达式的参数构造新的数据库；