本发明涉及航空发动机空气系统领域,具体涉及一种篦齿封严结构参数的反向求解方法。
背景技术:
1、航空发动机高压涡轮盘腔系统的篦齿封严结构有调节各腔室冷却空气流量、防止燃气进入盘腔而对涡轮盘结构寿命造成影响等多个作用。篦齿封严结构在航空发动机工作过程中,会由于热应力和结构应力的共同作用而发生较大变形,其结构参数如篦齿齿高、篦齿节距、封严间隙等也会随之改变,篦齿结构参数发生改变时又会反过来对盘腔内部的流场、压力以及温度场造成影响。目前随着技术不断发展,航空发动机涡轮前温度不断提高,使得涡轮内部各部件工作环境进一步恶化,因此要对涡轮中的高温部件进行冷却。篦齿封严作为发动机中的气体封严系统中重要的一部分其内部结构参数对各腔室的流动和换热过程有较大影响。因此,快速地求解涡轮篦齿封严中的最优结构参数,对改进冷却结构设计,减少对冷却气量的需求,从而提高发动机的性能是十分有意义的。
技术实现思路
1、发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种篦齿封严结构参数的反向求解方法,包括以下步骤:
2、步骤1,遴选典型的篦齿封严结构参数,并确定结构参数的变化区间;
3、步骤2,进行数值实验设计,建立篦齿封严流动传热物理模型并利用计算流体力学(computational fluid dynamics,cfd)方法求解,获得不同结构条件下篦齿封严流道内部压力分布云图,提取云图中各像素点的灰度值以及对应的篦齿封严结构参数建立数据样本库,所述数据样本库包括训练样本和测试样本;
4、步骤3,设计一种新型卷积神经网络,针对压力分布云图与篦齿封严结构参数的数值关联进行学习,新型卷积神经网络的输入向量为云图中各像素点的灰度分布,输出向量为对应的篦齿封严结构参数,通过试错法确定新型卷积神经网络的拓扑结构,并利用反向传播算法对新型卷积神经网络进行训练;
5、步骤4,利用测试样本对卷积神经网络的泛化能力展开预测。
6、步骤1中,所述典型的篦齿封严结构参数包括:篦齿齿高h、篦齿节距b、篦齿间隙c;
7、所述结构参数变化区间分别为:篦齿齿高h变化范围为3.0~6.0mm,篦齿节距b为3.0~9.0mm,篦齿间隙c的变化范围为0.3~1.2mm。
8、步骤2中,所述进行数值实验设计,包括:采用拉丁超立方抽样方法对篦齿齿高、篦齿节距和篦齿间隙进行实验设计,数值实验数量不小于12×n,n为结构参数数量,同时进行流体力学cfd仿真求解,得到每组篦齿封严结构参数所对应的流道压力分布云图,并提取云图各像素点的灰度值和对应的篦齿封严结构参数作为训练样本;
9、对篦齿齿高、篦齿节距和篦齿间隙进行随机抽样组合,数值实验数量不小于4×n,同时进行流体力学cfd仿真求解,得到每组篦齿封严结构参数所对应的流道压力分布云图,并提取云图各像素点的灰度值和对应的篦齿封严结构参数作为测试样本。
10、步骤3中,所述新型卷积神经网络包括卷积层、池化层、全连接层;所述全连接层中采用新型多对数激活函数(multi-logarithmic activation function,mlaf)f(z),表达式如(1)所示:
11、f(z)=ln(ez/c+e-z/c) (1)
12、其中,z为自变量,e表示自然常数。
13、步骤3中,所述卷积层数量、池化层数量、全连接层中隐含层数量、各隐含层神经元数通过试错法来确定,试错法的评价函数为平均绝对百分比误差mape(mean absolutepercentage error,mape),表达式为:
14、
15、其中m为样本容量,ynn为新型卷积神经网络全连接层输出层数据,ycfd为流体力学cfd计算所得到的训练样本值。
16、步骤3中,所述全连接层的训练步骤包括:
17、步骤3-1,训练样本中压力分布云图各像素点灰度数据经过卷积层和池化层约简后进入全连接层,全连接层包括输入层、隐含层和输出层,其中隐含层神经元将前一层各神经元的输出值进行赋权求和后作为输入值;
18、步骤3-2,利用全连接层中的激活函数对隐含层神经元输入值进行非线性处理后输出,从而建立由新型卷积神经网络输入向量到输出特征的正向传播过程;
19、步骤3-3,将经正向传播过程的输出层数据与测试数据比较,损失函数选用均方根误差rmse(root mean-square error,rmse),其数学表达式为:
20、
21、将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有神经元,以从各层获得的误差信号作为调整各神经元权值的依据;
22、步骤3-4,利用梯度下降法调整各层节点之间的连接权重与激活函数阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数,新型卷积神经网络结束。
23、本发明还提供了一种存储介质,存储有计算机程序或指令,当所述计算机程序或指令被运行时,实现所述一种篦齿封严结构参数的反向求解方法。
24、本发明具有如下有益效果:
25、1)本发明基于卷积神经网络的篦齿封严结构参数反向求解方法精度高:卷积神经网络能够较好地降低篦齿封严内部结构预测误差,在反向求解篦齿齿高、篦齿节距、篦齿间隙等结构参数时能较好地关联分布云图中像素点灰度值数据集,从而很好地还原。
26、2)本发明在满足足够精度要求的前提下,在反向预测求解速度上有很大的优势:传统cfd计算多工况耗时长,而搭建卷积神经网络反向求解模型后,求解时长仅需2-3秒,远小于cfd计算时长,卷积神经网络在篦齿封严这种复杂非线性系统中反向求解其内部结构参数上具有明显的优势。
1.一种篦齿封严结构参数的反向求解方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述典型的篦齿封严结构参数包括:篦齿齿高h、篦齿节距b、篦齿间隙c。
3.根据权利要求2所述的方法,其特征在于,步骤2中,所述进行数值实验设计,包括:采用拉丁超立方抽样方法对篦齿齿高、篦齿节距和篦齿间隙进行实验设计,数值实验数量不小于12×n,n为结构参数数量,同时进行流体力学cfd仿真求解,得到每组篦齿封严结构参数所对应的流道压力分布云图,并提取云图各像素点的灰度值和对应的篦齿封严结构参数作为训练样本;
4.根据权利要求3所述的方法,其特征在于,步骤3中,所述新型卷积神经网络包括卷积层、池化层、全连接层;所述全连接层中采用新型多对数激活函数f(z),表达式如(1)所示:
5.根据权利要求4所述的方法,其特征在于,步骤3中,所述卷积层数量、池化层数量、全连接层中隐含层数量、各隐含层神经元数通过试错法来确定,试错法的评价函数为平均绝对百分比误差mape,表达式为:
6.根据权利要求5所述的方法,其特征在于,步骤3中,所述全连接层的训练步骤包括:
7.一种存储介质,其特征在于,存储有计算机程序或指令,当所述计算机程序或指令被运行时,实现如权利要求1至6中任一项所述的方法。