[发明专利]一种压气机稳定性预测方法、装置和存储介质

说明书

一种压气机稳定性预测方法、装置和存储介质，方法包括：获取不同工况下的三维流场信息；对所获取的三维流场信息提取不同工况下预设的流场特征信息；获取预先训练好的神经网络模型，将不同工况下的所述流场特征信息分别输入该神经网络模型，获取该神经网络模型输出的表示每个工况稳定性的第一参数，该第一参数用于表示每个工况与实际稳定边界点的距离；根据所提取的不同工况下所述流场特征信息和所述神经网络模型输出的第一参数，分别计算该压气机的不同工况下的稳定边界点。

技术领域

本文涉及叶轮机械气动稳定性技术，尤指一种压气机稳定性预测方法、装置和存储介质。

背景技术

压气机是航空发动机的核心部件，压气机发生失稳时，会造成发动机停车、结构损坏等严重后果。所以，实现对压气机气动稳定性的准确预测对压气机的设计和使用具有重要作用。当压气机每个工作下靠近稳定边界点时，压气机内部流动更加复杂；另外，压气机外的上下游其余部件等多种因素影响压气机的稳定性，这样，加大了对稳定性预测的难度。一些技术中，物理模型很难将所有影响因素考虑在内，而这些因素的影响可以体现在试验或仿真数据中。

传统研究中通常直接靠计算流体力学(Computational Fluid Dynamics,CFD)仿真的收敛/发散判断是否失稳，但该方法对压气机气动稳定边界点的计算误差较大。针对这一问题，可以结合压气机内部流场结构变化进行辅助判断。当压气机靠近或者越过失稳边界时，流场会由稳定逐渐变得不稳定，具体表现为回流区、间隙泄漏涡等一些流场结构的位置、大小、分布发生变化，而这些变化与压气机自身特性、进出口条件等存在关联，目前，如何通过分析流场结构量化其稳定性尚不明晰。随着深度学习的快速发展，卷积神经网络(Convolutional Neural Network,CNN)具有强大的图像处理和模式识别能力，存在着识别压气机内部关键流场结构特征的潜力。因此，将CNN与CFD结合，建立流场结构与压气机气动稳定性之间的关系；通过将卷积神经网络和计算流体力学有机结合，准确预测压气机稳定性是亟需解决的问题。

发明内容

本申请提供了一种压气机稳定性预测方法、装置和存储介质，该方法采用将卷积神经网络与CFD相结合的压气机稳定性预测，建立流场结构与压气机气动稳定性之间的关系，提高压气机稳定性预测精度。

本申请提供了一种压气机稳定性预测方法，所述方法包括：

获取不同工况下的三维流场信息；

对所获取的三维流场信息提取不同工况下预设的流场特征信息；

获取预先训练好的神经网络模型，将不同工况下的所述流场特征信息分别输入该神经网络模型，获取该神经网络模型输出的表示每个工况稳定性的第一参数，该第一参数用于表示每个工况与实际稳定边界点的距离；

根据所提取的不同工况下所述流场特征信息和所述神经网络模型输出的第一参数，分别计算该压气机的不同工况下的稳定边界点。

一种示例性的实施例中，所述对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，包括：

采用预先设置的仿真算法对三维流场信息进行求解后，提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵；

其中，所提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵作为预设的流场特征信息；

所述物理量的图片包括云图、矢量图、等线图；

所述位置包括：子午面、S1流面、S2流面。

一种示例性的实施例中，所述预先训练好的神经网络模型通过以下步骤训练得到：

建立神经网络模型的训练样本数据集；

将训练样本数据集中的多个样本数据输入神经网络模型，以训练所述神经网络模型；