基于人工神经网络的静子叶片优化设计

1、2009年10月第30卷 第5期推 进 技 术JOURNALOFPROPULSIONTECHNOLOGYOct 2009Vol 30 No 5基于人工神经网络的静子叶片优化设计刘 波,宣 扬,陈云永(西北工业大学动力与能源学院,陕西西安710072)*摘 要:采用NURBS参数化构型技术以及人工神经网络技术,对某两级风扇的第二级静子根部叶型进行优化改型。优化后,非设计点处该静子根部至中部流动得到较大改善,总压恢复系数有一定的提高。风扇总压比有较大增加,绝热效率基本不变。优化结果表明,该方法能够对静子叶片进行较好的优化改善,能够提高优化效率,减少优化时间,具有一定的实用价值。关键词:航空发动机;

2、风扇;叶片;最优设计,人工神经元网络中图分类号:V232 4 文献标识码:A 文章编号: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 言压气机作为航空发动机的关键部分,对航空发动机的整体性能具有决定性的影响。随着航空发动机的快速发展,对压气机性能提出了越来越高的要求。为了提高压气机性能,对压气机叶片的优化改型就处于了至关重要的地位,因此高性能压气机叶片的优化设计方法越来越受到国内外设计人员的重视。传统的优化方法有

5、速度梯度法和单纯形法等。近几年,很多新的优化方法也被使用在叶片优化设计中,比如遗传算法、模拟退火算法等等。人工神经网络是模拟人脑的工作方式,能够通过学习来获得和提高对模糊问题求解的能力,在自适应学习、非线性逼近、目标寻优以及并行及分布式问题处理等方面,优于传统方法,在航空工程领域有广泛的运用,例如:流场控制、气动* 收稿日期:参数预估、网格生成、气动设计等等。目前,在叶片几何造型优化方面也逐步得到使用。常用的数值优化算法一般将某些具体性能参数作为目标参数进行优化,需要使用精确的目标参数来进行优劣判断,而在处理模糊优劣判断的时候需要对判优条件进行较复杂的数学描述才能得到较好的结果。使用人工神经网

6、络可以直接进行模糊判断,对目标函数进行非线性逼近,能快速取得最接近的优值。叶型的几何形状表达是气动优化过程中非常重要的部分,叶型几何表达的参数将作为优化过程中的控制变量来进行变化。一般的几何描述方法很难对自由曲线进行精确描述,并且控制变量少,很难进行灵活调整。近年来,NURBS技术(Non UniformRa tionalB Spline)由于其对自由曲线表达的巨大优势,已经在航空航天复杂造型方面有了大量的应用。使用NURBS进行参数化的明显优势在于它能通过351,22008 09 14;修订日期:2009 04 07。作者简介:刘 波(1960 ),男,博士,教授,研究领域为叶轮机械气动热力

7、学、流体机械及工程。i:l第30卷 第4期基于人工神经网络的静子叶片优化设计577少量的控制点坐标和权因子来对复杂曲线曲面进行精确描述,并且能够通过改变部分控制点来对叶片型面进行局部修改而不影响整个叶型。本文使用NURBS方法对叶片几何外形进行参数化重构,再通过人工神经网络对叶片外形进行寻优处理。通过某高负荷跨声速两级风扇第二级静子进行的优化算例,表明这种方法能够缩短优化时间,并取得了较好的优化效果。Fig.1 SinglehiddenlayerBPneural682 优化方法介绍本文首先使用NURBS方法对叶片基元级型面进行参数化,用NURBS控制点将基元级吸压力面进行描述,再将控制点与叶片

8、气动性能相关联,创建大量的训练样本对人工神经网络进行训练,从而建立起叶片几何型面控制点与气动性能的非线性映射关系。在这里采用叶片几何型面控制点与叶片的马赫数分布进行关联,调整原始叶片的马赫数分布,使之趋于理想分布,再由所训练好的人工神经网络得到相对应的叶型几何型面,并对新生成的叶型进行计算调整,反复迭代,最后达到优化叶型的目的。具体优化流程如下:首先进行基元级造型,然后对得到的基元级叶栅进行S1面欧拉方程求解,获取叶型表面马赫数分布,用以建立神经网络样本库。利用样本库建立起人工神经网络映射关系模型,使用该网络对基元级气动较差部分进行修改,然后进行三维积叠计算。对于性能不满意的叶型再返回基元级优

9、化部分进行修改,直到得到满意的叶片。本文中所使用的神经网络为单隐层的BP神经网络(Back PropagationNetwork),该网络拓扑结构简单,并能较好解决非线性问题。图1给出了该网络的拓扑结构。其中包括一个输入层,一个中间层以及一个输出层的三层网络结构。采用误差逆传播算法对网络连接权进行校正,各层激活函数使用S形函数(Sigmoid响应特性)。并使用变学习率的BP算法来加速网络训练的收敛速度,提高收敛精度。在本文中,网络输入的为叶型马赫数分布,输出为叶片几何型面NURBS控制点坐标,输入层神经元为44个,隐层神经元15个,输出层神经元22个。该规模的BP网络能较好的建立起性能参数与叶

10、型控制点的非线性映射关系,从而能达到较好的优化效果。networkstructurediagram该静子根部弯度很大,气流转折角达到49 48!,扩散因子为0 57,具有较大的逆压梯度,气流在根部的流动也较为恶劣。同时通过CFD计算发现,在非设计点下,该静子的叶根基元级存在着严重分离,并伴随着一个较大的分离涡,对该静子乃至整台风扇性能都有较大影响。因此,对该根部基元级使用神经网络优化改型是有必要的。为了保证第二级转子出口气流角与该静子的进口气流角基本保持一致,以及静子出口气流角不变,优化过程保持静子几何进口角 1k和几何出口角 2k不变。而保持叶型弯角和弦长不变保证了静子的扩压能力以及稠度要求

11、。为了对人工神经网络进行达到足够精度的训练,选取了50组边界条件类似叶型及气动数据作为训练样本进行训练,从而能够获取较准确的响应结果。4 流场计算方法本文使用成熟的专业叶轮机械计算软件NUME CA作为该风扇的气动参数性能以及内部流场获取的手段。在计算过程中,使用中心差分格式,来求解带Spalart Allmaras湍流模型的N S方程。并使用多重网格法以及局部时间步长法等加速手段来提高收敛速度。计算网格使用HOH型网格。计算边界条件为:进口为标准大气条件,总压101 325kPa,总温288 15K;出口给定平均静压,轮毂、机匣以及叶片等固壁上给定绝热无滑移边界条件。5 结果分析及讨论5.1

12、 优化叶型前后对比图2和图3所示的是根部基元级优化前后的叶型对比。其中实线表示优化后的叶型,点划线表示,3 算例说明578推 进 技 术2009年型弯角都未发生变化。叶型前段形状变化不大,而较大幅度的改变位于叶型的后段。行积叠,形成新的三维叶片。使用NUMECA软件对新风扇进行流场数值模拟。图5和图6所示为在相同边界条件下,优化前后第二级静子5%叶高处S1面绝对马赫数云图。由于改变了相邻叶片间的流通面积沿流向的变化率和叶型折转角沿流向的变化率,近尾缘区域吸力面的压力场分布也发生了变化,从而有效控制和改善静叶吸力面附面层的发展,抑制大逆压梯度下附面层低能流体在吸力面的局部回流9。Fig.2 Or

13、iginalandoptimizedbladeprofileofstator从图中可以看出,在优化前,大约55%弦长处,气流在吸力面上附面层发生严重分离,从而造成较大分离损失。优化后,回流区明显减小,分离趋势减弱,主流区增大,有效的减小了气流分离带来的损失。图7和图8为该静子5%叶高处S1面流线。从流线图中可以看到,优化前,叶片尾缘处具有一个较大的分离涡,占据了大约50%的流通面积,造成比较严重的流道堵塞,使气流流动恶化。优化后,分离涡变小,气流有效流通面积增大,减小了对主流区的影响,使气流流动更加合理。图9和图10所示的是约47%弦长处的局部马赫数等值线图。可以看出这一区域存在着局部超声区,

14、这样会导致激波,并产生激波 附面层干扰,使附面层分离加剧,造成严重损失。通过优化改型,该局部超声区范围减小,改变了通道类激波结构,削弱了激波 附面层干涉的影响。图11和12分别给出了优化前后第二级静子吸力面的极限流线。从图中可以看出,优化前,由于角区的逆压梯度较大,于中间弦长处,极限流线发生偏转,形成一条分离线,向着1/2叶高方向发展,并在1/5叶高处形成漩涡,这是造成较大损失的原因。优化之后,分离线明显向叶片尾缘移动。43%至50%叶高处的分离线消失,40%叶高以上叶片没有明显的分离区域,流动得到较大改善。轮毂至约30%叶高Fig.3 Localenlargementatthechangel

15、ocation5.2 优化前后马赫数分析图4给出了优化前后的叶片吸压力面马赫数分布。其中虚线为优化前的马赫数分布,优化后的马赫数分布用实线表示。从图中可以看出,优化前后气流从叶片前缘进行加速,到约40%弦长处达到马赫数峰值。优化后的马赫数峰值略低于优化前的,这样有利于降低叶型中部的激波强度,减少激波损失。在峰值之后,优化前气流流速迅速降低,造成较大逆压梯度,容易使气流发生分离,使流动恶化,气流损失增大。而优化之后的分布更加合理,气流减速相对平缓,有利于减弱气流的分离,有效抑制附面层的发展以及低能流体的回流。5.3 优化前后流场分析为了得到新的三维叶片,首先将优化之后的基元级与初始第二级静子的其

16、它基元级重新进行插值以保证叶片的表面光滑,再以基元级重心为积叠中心进Fig.4 MachnumberdistributiononbladesurfacefororiginalandoptimizedstatorprofileFig.5 MachcloudatlasonS1surfaceat5%ofspanoforiginalstatorFig.6 MachcloudatlasonS1surfaceat5%ofspanofoptimizedstator第30卷 第4期基于人工神经网络的静子叶片优化设计579处的尾缘分离区域面积减小约40%。9%叶高至30%叶高位置分离线明显后移。1/5处的漩涡消

17、失。分离区域的减小和分离线的后移都使得气流损失减少。而从图13和图14所给出的二次流图谱中可以看出,二次流主要表现为从压力面到吸力面的流动,并伴随有一定径向流动。在优化前,靠近叶片吸力面的径向流动增强,吸力面表面的二次流则完全表现为径向流动。同时,端壁附面层内的低能流体由于受到分离涡的运动控制,在叶片吸力面近出口处的角区堆积,同时在角区形成了一个三维分离泡。优化后,近吸力面的径向流动有较大的削弱,而分离泡的体积也有明显减小,这对于减少损失是有利的。表1列出了优化前后在不同叶高处总压恢复系数。可以看出,该静子从根部到20%叶高处性能有10较大提高,20%叶高以上至叶片中部的性能也有不同程度的改善

18、。而该静子整体总压恢复系数也由0 970283提高到了0 977343。由于优化过程是针对单一工况点进行的,因此,还需要对其它工况点的性能进行考察分析。图15给出了优化改型前后该风扇变工况性能曲线。从中可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 进 技 术2009年Fig 15 Comparisonofperformanceoffanwithoriginalandoptimizedstatorblade以看出优化前后绝热效率基本保持不变,而总压比在优化点处有一定提高,其它工况处变化不大。但近喘点总压比略微有所下降,流量裕度也略有降低。2 RaiMM.Ar

21、apidaerodynamicdesignprocedurebaseonartificialneuralnetworksR.AIAA2001 0315.3 施法中.计算机辅助几何设计与非均匀有理B样条CAGD&NURBSM.北京:高等教育出版社,2001.4 薛晓滨.基于NURBS的工程可视化数字建模技术J.计算机应用,2003,23(5):115117.5 LaiYuyang,YuanXin.Bladedesignwiththree dimensionalviscousanalysisandhybridoptimizationapproachR.AIAA2002 5658.6 GhalyW,MengistuT.OptimalgeometricrepresentationofturbomachinerycascadesusingNURBSJ.JournalofInverseMethodsinEngineering,2003,11(5).7 GhalyW,MengistuT.SingleandmultipointshapeoptimizationofgasturbinebladecascadesR.AIAA200