一种基于流场重构的透平机械变工况性能预测方法与流程

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。

技术实现要素：

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tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr；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latinhypercubesampling方式进行采样，获得输入数据xn,a，其中n＝1,…n，n为latinhypercubesampling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fn,i,j,m以及透平性能数据ψn,h，fn,i,j,m及ψn,h与输入数据xn,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；

第4步，构建透平机械变工况预测模型，包括两级深度卷积网络；首先，基于反卷积神经网络构建输入数据xn,a到重构流场数据的流场重构网络stage1，根据真实流场数据fn,i,j,m与重构流场数据之间的流场重构损失函数lstage1来训练反卷积神经网络，使重构流场数据与真实流场数据fn,i,j,m一致；

第5步，基于卷积神经网络构建重构流场数据到透平性能数据ψn,h的性能预测网络stage2，根据真实性能数据ψn,h与预测性能数据之间的性能预测损失函数lstage2来训练卷积神经网络；

第6步，将训练好的流场重构网络stage1和性能预测网络stage2用于透平机械变工况性能预测；将给定的变工况点参数：进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr作为输入变量，变工况性能预测模型通过流场重构网络stage1获得给定变工况点的关键流动截面流场，随后通过性能预测网络stage2获得透平机械变工况点的功率及效率。

本发明进一步的改进在于，第1步中，输入变量的取值范围均为设计值的±10％～±50％。

本发明进一步的改进在于，第2步具体包括：

根据透平机械几何参数，调用三维造型软件生成动叶及静叶三维模型；将获得的几何模型导入网格划分软件进行流体域网格划分，对进气延伸段和出口延伸段进行h型网格划分；对叶片采用o型网格划分，并细化叶顶间隙和壁面附近的网格，以获得精确的流量参数；以单个动叶-静叶流道为计算模型进行cfd计算，计算中选定第1步确定的工作流体，湍流模型选取为sstk-ω湍流模型；

具体的边界条件设定如下：

a)静叶入口：静温、静压和气流角边界；

b)动叶出口：流量边界；

c)动叶流体域：绕z轴的旋转速度；

d)静叶流体域出口与动叶流体域入口：耦合交界面，采用混合模型stage来耦合静叶与动叶的流动；

e)静叶壁面：绝对静止壁面，动叶壁面：相对静止壁面，所有区域的上下壁面均为绝热壁面，满足无滑移流动条件。

本发明进一步的改进在于，第3步具体包括：

根据cfd计算结果，以弦长方向为x坐标、叶高方向为y坐标，将关键流动截面的流场在二维平面展开，随后通过插值运算将其调整到指定样本大小i×j，获得真实流场数据fn,i,j,m，如下所示：

随后，根据真实流场数据fn,i,j,m，计算透平性能数据ψn,h：

对于任一工况点，透平功率p通过积分求解动叶压力面及吸力面扭矩差获得，如下式所示：

p＝trωr＝[(∫rpda)ps-(∫rpda)ss]ωr

其中，t为扭矩，ω为转速，r为半径，p为压力，da为单位面积，下标r代表动叶，下标ps代表压力面，下标ss代表吸力面；

对于任一工况点，透平总静效率ηt-s通过下式计算所得：

其中，为数值计算所得质量流量，h为超临界二氧化碳焓值，p为压力，t为温度，s为超临界二氧化碳熵值，下标in代表进口，下标out代表出口。

本发明进一步的改进在于，第4步具体包括：

基于反卷积神经网络构建输入数据xn,a到重构流场数据的流场重构网络stage1，其映射关系如下式所示：

其中，xn,a为输入数据，为重构流场数据，θ1为构建反卷积神经网络中的可学习参数，为反卷积映射，通过优化流场重构损失函数lstage1获得；

流场重构网络stage1采用流场损失lf与梯度损失l▽的加权平均值作为该网络流场重构损失函数lstage1；流场损失lf为重构流场数据与真实流场数据fn,i,j,m的均方误差：

其中，i×j为流场样本大小，为重构流场数据，fn,i,j,m为真实流场数据；

梯度损失l▽的公式如下：

因此流场重构网络stage1的总损失函数如下：

lstage1＝λ1lf+λ2l▽

其中，λ1为流场损失lf的权值，λ2为梯度损失l▽的权值；

训练过程中，随机选取输入数据xn,a中s％作为训练集(xn×s％,a)train，其余作为验证集(xn×(100-s)％,a)verification，其中s取值范围为10-90；同时将cfd计算获得的真实流场数据划分为对应的训练集真实流场数据(fn×s％,i,j,m)train和验证集真实流场数据(fn×(100-s)％,i,j,m)verification；

随后对流场重构网络stage1进行训练，训练过程如下所示：

其中，为定义域内的输入数据xn,a及cfd计算获得的真实流场数据fn,i,j,m；

训练过程中设置优化器为adam。

本发明进一步的改进在于，第5步具体包括：

基于卷积神经网络构建重构流场数据到透平性能数据ψn,h的性能预测网络stage2，其映射关系如下式所示：

其中，为预测性能数据，为重构流场数据，θ2为构建卷积神经网络中的可学习参数，为卷积映射，通过优化性能预测损失函数lstage2获得；

性能预测网络stage2采用预测性能数据与透平性能数据ψn,h的均方误差作为该网络stage2损失函数lstage2，其定义式如下：

训练过程中，随机选取输入数据xn,a中s％作为训练集(xn×s％,a)train，其余作为验证集(xn×(100-s)％,a)verification，通过流场重构网络stage1获得对应的训练集预测流场数据及验证集预测流场数据(fn×(100-s)％,i,j,m)verification，同时将cfd计算获得的透平性能数据ψn,h划分为相应的训练集透平性能数据(ψn×s％,h)train和验证集透平性能数据(ψn×(1-s)％,h)verification；

随后对流场重构网络stage2进行训练，训练过程如下所示：

其中，为定义域内通过cfd计算获得的真实流场数据fn,i,j,m及透平性能数据ψn,h；

训练过程中设置优化器为adam。

本发明至少具有如下有益的技术效果：

本发明提供的透平机械变工况性能预测方法，将进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr等变工况参数作为输入变量，利用深度卷积神经网络预测变工况情况下透平机械的流场数据及整体性能参数，便捷且无需人为干预。本发明将cfd计算与深度卷积神经网络相结合，将cfd计算获得的透平机械变工况流场数据及性能数据作为神经网络的训练集与验证集，有效提高了神经网络预测的准确性。本发明相较于传统cfd计算，通过建立流场重构网络大大降低了流场重构的时间成本、计算成本及经济成本。一旦深度模型得到良好的训练，gpu加速计算可以快速获取完整的温度场、压力场及速度场等流场信息和气动性能，便于研究不同工况下透平机械内部流动情况和运行状况。相较于传统的优化算法，本发明可以给出预测流场，从而提供更多的流动机理解释，有助于设计者理解物理过程。本发明提供的方法可以快速预测透平机械的气动性能，大大缩短透平机械的设计周期。此外，在系统的实际运行中可以实时掌握透平机组的性能参数，从而及时对系统进行调整和控制，实现系统的快速响应。

进一步，本发明针对物理系统建立了基于数据的代理模型。在现有科学数据库的基础上，该方法不需要人工干预，具有通用性强、灵活性强、易于实现等优点。

综上所述，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。

附图说明

图1是本发明一种基于流场重构的透平机械变工况性能预测方法的流程示意框图；

图2是本发明总体框架图；

图3是利用本发明方法的超临界二氧化碳透平流场构建示意图；

图4是利用本发明方法的超临界二氧化碳透平变工况性能预测模型训练过程；

图5是利用本发明方法的超临界二氧化碳透平变工况流场误差方框图，其中，图5(a)为平均相对误差方框图，图5(b)为最大相对误差方框图；

图6是利用本发明方法的超临界二氧化碳透平变工况点流场参数及误差图；

图7是利用本发明方法的超临界二氧化碳透平变工况功率及效率预测曲线，其中，图7(a)为功率预测线，图7(b)为效率预测线；

图8是利用本发明方法的超临界二氧化碳透平变工况性能预测误差分布密度，其中，图8(a)为功率相对误差分布密度，图8(b)为效率相对误差分布密度；

图9是利用本发明方法的不同预测模型预测结果比较方框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

请参阅图1，本发明的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tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr等变工况参数；确定待设计变量的经验设计空间(即取值范围以及约束关系)，然后对所有设计变量在经验设计空间中采用latinhypercubesampling方式进行采样，获得输入数据xn,a，其中n＝1,…n，n为latinhypercubesampling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1步中，进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr等变工况参数取值范围为设计值的±10％～±50％；

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2步具体包括：

根据透平机械几何参数，调用三维造型软件生成动叶及静叶三维模型。将获得的几何模型导入网格划分软件进行流体域网格划分，对进气延伸段和出口延伸段进行h型网格划分。为了获得更好的网格质量，对叶片采用o型网格划分，并细化叶顶间隙和壁面附近的网格，以获得精确的流量参数。以单个动叶-静叶流道为计算模型进行cfd计算，计算中选定第1步确定的工作流体，湍流模型选取为sst(shearstresstransport)k-ω湍流模型；

具体的边界条件设定如下：

a)静叶入口：静温、静压和气流角边界；

b)动叶出口：流量边界；

c)动叶流体域：绕z轴的旋转速度；

d)静叶流体域出口与动叶流体域入口：耦合交界面，采用混合模型stage来耦合静叶与动叶的流动；

e)静叶壁面：绝对静止壁面，动叶壁面：相对静止壁面，所有区域的上下壁面均为绝热壁面，满足无滑移流动条件。

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fn,i,j,m以及透平性能数据ψn,h，fn,i,j,m及ψn,h与输入数据xn,a一一对应，其中n＝1,…n，n为变工况点总数，a＝1,…a，a为输入变量总数，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；

第3步具体包括：

根据cfd计算结果，以弦长方向为x坐标、叶高方向为y坐标，将关键流动截面的流场在二维平面展开，随后通过插值运算将其调整到指定样本大小i×j，获得真实流场数据fn,i,j,m，如下所示：

随后，根据真实流场数据fn,i,j,m，计算透平性能数据ψn,h：

对于任一工况点，透平功率p可通过积分求解动叶压力面及吸力面扭矩差获得，如下式所示：

p＝trωr＝[(∫rpda)ps-(∫rpda)ss]ωr

其中，t为扭矩，ω为转速，r为半径，p为压力，da为单位面积，下标r代表动叶，下标ps代表压力面，下标ss代表吸力面。

对于任一工况点，透平总静效率ηt-s可以通过下式计算所得：

其中，为数值计算所得质量流量，h为超临界二氧化碳焓值，p为压力，t为温度，s为超临界二氧化碳熵值，下标in代表进口，下标out代表出口。

第4步，如图2所示，构建透平机械变工况预测模型，包括两级深度卷积网络。首先，基于反卷积神经网络构建输入数据xn,a到重构流场数据的流场重构网络stage1，根据真实流场数据fn,i,j,m与重构流场数据之间的流场重构损失函数lstage1来训练反卷积神经网络，使重构流场数据尽可能与真实流场数据fn,i,j,m一致。

第4步具体包括：

如图2所示，基于反卷积神经网络构建输入数据xn,a到重构流场数据的流场重构网络stage1，其映射关系如下式所示：

其中，xn,a为输入数据，为重构流场数据，θ1为构建反卷积神经网络中的可学习参数，为反卷积映射，可以通过优化流场重构损失函数lstage1获得。

流场重构网络stage1采用流场损失lf与梯度损失l▽的加权平均值作为该网络流场重构损失函数lstage1。流场损失lf为重构流场数据与真实流场数据fn,i,j,m的均方误差：

其中，i×j为流场样本大小，为重构流场数据，fn,i,j,m为真实流场数据。

梯度损失l▽的公式如下：

因此流场重构网络stage1的总损失函数如下：

lstage1＝λ1lf+λ2l▽

其中，λ1为流场损失lf的权值，λ2为梯度损失l▽的权值。

训练过程中，随机选取输入数据xn,a中s％作为训练集(xn×s％,a)train，其余作为验证集(xn×(100-s)％,a)verification，其中s取值范围为10-90。同时将cfd计算获得的真实流场数据划分为对应的训练集真实流场数据(fn×s％,i,j,m)train和验证集真实流场数据(fn×(100-s)％,i,j,m)verification。

随后对流场重构网络stage1进行训练，训练过程如下所示：

其中，为定义域内的输入数据xn,a及cfd计算获得的真实流场数据fn,i,j,m。

训练过程中设置优化器为adam。

第5步，如图2所示，基于卷积神经网络构建重构流场数据到透平性能数据ψn,h的性能预测网络stage2，根据真实性能数据ψn,h与预测性能数据之间的性能预测损失函数lstage2来训练卷积神经网络。

第5步具体包括：

如图2所示，基于卷积神经网络构建重构流场数据到透平性能数据ψn,h的性能预测网络stage2，其映射关系如下式所示：

其中，为预测性能数据，为重构流场数据，θ2为构建卷积神经网络中的可学习参数，为卷积映射，可以通过优化性能预测损失函数lstage2获得。

性能预测网络stage2采用预测性能数据与透平性能数据ψn,h的均方误差作为该网络stage2损失函数lstage2，其定义式如下：

训练过程中，随机选取输入数据xn,a中s％作为训练集(xn×s％,a)train，其余作为验证集(xn×(100-s)％,a)verification，通过流场重构网络stage1获得对应的训练集预测流场数据及验证集预测流场数据(fn×(100-s)％,i,j,m)verification，同时将cfd计算获得的透平性能数据ψn,h划分为相应的训练集透平性能数据(ψn×s％,h)train和验证集透平性能数据(ψn×(1-s)％,h)verification。

随后对流场重构网络stage2进行训练，训练过程如下所示：

其中，为定义域内通过cfd计算获得的真实流场数据fn,i,j,m及透平性能数据ψn,h。

训练过程中设置优化器为adam。

第6步，将训练好的流场重构网络stage1和性能预测网络stage2用于透平机械变工况性能预测。将给定的变工况点参数：进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr等变工况参数作为输入变量，变工况性能预测模型通过流场重构网络stage1获得给定变工况点的关键流动截面流场，随后通过性能预测网络stage2获得透平机械变工况点的功率及效率。

本发明基于深度神经网络建立了高精度、人工干预少的透平机械变工况性能预测方法。该方法将透平机械变工况点参数：进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr等变工况参数作为输入变量，能够准确预测关键流动截面流场，同时快速获得透平机械功率及效率性能。

实施例1

参照图3至图9，利用本发明的一种基于流场重构的透平机械变工况性能预测方法，对一超临界二氧化碳向心透平进行变工况预测，具体如下：

a)cfd变工况预分析

首先基于设计经验，对一60000rpm超临界二氧化碳向心透平进行了气动设计-优化，其关键热力参数及几何参数如表1所示，

表1热力设计参数及几何参数

为了计算超临界二氧化碳向心透平变工况性能，选取进口温度tin、进口压力pin、进口气流角α1、质量流量以及透平机械转速ωr作为输入变量，并使其在设计值±15％范围内改变，采用拉丁超立方体抽样方法，得到1000个变工况点x1000,a。对1000个变工况点x1000,a进行cfd计算。对每个cfd计算结果，选取动叶和静叶表面为关键流动截面，选取温度场及压力场作为记录流场参数，以弦长方向为x坐标、叶高方向为y坐标，将动静叶表面温度场及压力场在二维平面展开，随后通过插值运算将其调整到指定矩阵大小260×65，如图3所示。图中识别出了动叶(r)和静叶(s)对应的前缘(le)、尾缘(te)、压力面(ps)和吸力面(ss)四个关键位置。对于动叶，矩阵(12-40)×65对应r_te区域，矩阵(130-145)×65对应r_le区域，矩阵(40-130)×65对应r_ps区域，矩阵其余部分对应r_ss区域。对于静叶，矩阵(120-135)×65、(220-240)×65和(135-220)×65分别对应s_le、s_te和s_ps区域，矩阵其余部分对应于s_ss区域。对1000个变工况点x1000,a重复上述操作获得叶片表面真实流场数据f1000,260,65,m以及透平性能数据ψ1000,h。

b)流场重构

随机选取70％和30％的变工况数据集作为流场重构网络及性能预测网络的训练集和验证集，采用本发明训练神经网络模型，训练过程如图4示，图中青色线和紫色线表示训练过程中流场损失随迭代次数的变化，从图中可以看出，流场损失下降的非常快，并且训练集和验证集在训练后期的损失是相似的，证明该模型训练结果良好。橙色线和蓝色线分别表示效率预测和功率预测的r²值，r²可以有效地表征回归模型的精度。从图中可以看出，在训练过程中，r²的值迅速从小于0的较大误差区域上升到接近1的较小误差区域。最终的r²值保持在1附近，这意味着所有验证集中的数据都预测得很好。

图5展示了静叶及动叶表面的温度、压力的平均相对误差和最大相对误差。从图中可以看出，流场的平均相对误差小于1.5％，其中静叶温度场及动叶压力场平均误差小于0.45％。流场最大相对误差小于15％，静叶压力的预测值最大相对误差小于4.5％。重构流场与cfd计算流场吻合较好，本发明预测模型行之有效。

图6展示了超临界二氧化碳透平某变工况点casea(x＝[950.13k,14.27mpa,45.58°,10.41kg/s,52803.96rpm])的预测结果、cfd结果及误差分布。从图中可以看出，预测结果的温度场、压力场分布与cfd结果基本一致，符合较好。预测模型很好的捕捉并预测到了流场中的各种典型现象，例如：1)流动滞止导致的静叶前缘的局部高压区域；2)大曲率变化导致的动叶前缘流动加速，因而导致的局部低温低压区；3)动叶叶顶间隙区域受压力侧与吸力侧的压差和较大的负冲击角的影响，导致叶顶间隙中的工作流体从压力侧加速到吸力侧，因此，动叶顶部附近的压力和温度相对较低；4)偏离设计工况造成的流动分离。这些区域的流动情况非常复杂，因此相应的预测误差也会增加，但其误差仍然很小，在可接受的范围内。

表2比较了不同计算方法的计算成本。其中cfd计算的时间成本为给定输入变量至完成cfd计算的平均时长，由于本发明提出的变工况模型可以进行并行计算降低单个计算的成本，本发明采用nvidiageforce-1080显卡同时对32个变工况点进行预测并统计了平均计算时长。表中可以看出，在完成模型训练之后，gpu加速模型只需0.04秒就可以得到一个透平机械变工况点预测结果，远小于cfd计算时长。

表2不同计算方法计算成本比较

c)变工况性能预测

基于上述变工况预测模型，对超临界二氧化碳透平在非设计工况下的功率和效率进行了预测，结果如图7所示。图中横坐标为数值模拟计算的实际功率和效率数据，纵坐标为模型预测的功率和效率数据，散点为预测的样本点，直线表示理想情况下预测值与实际值完全一致，灰色区域表示预测误差在5％以内。可以看出，该模型的预测结果基本上都在5％误差的分布区间内，预测结果较差的散点大多在效率较低的区域。±5％相对误差范围内，功率及效率的预测误差的详细分布密度如图8所示，从图中可以看出，功率和效率的相对误差基本在-4％到4％之间，预测模型对于透平变工况效率的预测具有较高精度，其相对误差集中在±1％范围内。

将xgboost、knn、rf、svr和mlp五种经典数据预测模型与本发明预测模型进行了对比，结果如表3及图9所示。在训练上述预测模型时，其训练集和验证集与本发明模型保持一致。采用功率及效率的r²系数、mae和rmse作为评价指标。对比本发明预测模型及经典数据预测模型可以看出，本发明预测模型的各项评价指标均远优于经典数据预测模型，本发明的预测模型具有最佳的预测性能。

表3预测模型比较

综合动叶和静叶叶片表面流场分布、预测精度以及计算成本可知，本发明提出的基于流场重构的透平机械变工况性能预测方法切实可靠，具有准确、快速、通用、灵活、易于实现、无需人为干预等优点，应用前景广阔。