基于物理特征增强的气动稳定裕度敏感性分析方法及系统
本发明属于压气机,涉及一种基于物理特征增强的气动稳定裕度敏感性分析方法及系统。
背景技术:
1、在追求更高推重比的发展路径下,现代压气机设计正朝着“更高负荷、更少级数、更紧凑结构”的方向极速演进。为了承载更高的增压比,压气机叶片负荷急剧提升,设计构型呈现出薄型、大弯扭、掠形等复杂特征。
2、然而,随着叶片几何复杂度的提升与加工制造难度的指数级增加,实际加工轮廓不可避免地偏离理论设计模型,形成了随机分布、难以完全消除的几何误差。这类源于加工制造过程的几何不确定性,现已成为先进高负荷压气机研制的瓶颈问题。在工业实践中,上述问题直接导致了搭载高负荷压气机发动机的飞行器在试飞阶段“性能数据离散度大、性能衰退率高、非预期喘振频发”的严峻局面。尤为棘手的是,压气机尺寸的极致缩减导致气动稳定裕度对几何误差的敏感度呈非线性激增;加之内部极高的逆压梯度环境,几何偏差引发的流动畸变被显著放大,致使叶片加工误差对稳定裕度的量化评估极具挑战性。
3、纵观国内外研究现状,针对加工误差对压气机性能的影响,学界已从基元叶型发展到多级整机,建立了基于代理模型与伴随方法的不确定量化体系。然而,当研究对象聚焦于关乎飞行安全的气动“稳定裕度”这一关键指标时,现有技术体系暴露出严重的局限性,导致工程应用停滞不前:
4、(1)单台压气机稳定边界数值判定成本极其高昂,难以支撑几何大样本统计。无论是直接蒙特卡洛(dmc)、多项式混沌展开(pce),还是基于机器学习的代理模型,都需要成百上千次的几何样本。而当前,压气机的气动稳定边界数值判定普遍依赖“逐步抬升出口背压直至计算流体力学(cfd)发散”的逼喘方法。对单个几何而言,逼喘计算往往需要进行数十个工况点的迭代,计算周期长、资源消耗巨大。这种高昂的计算成本使得基于大量几何样本抽样的稳定裕度不确定性量化在工程实践中几乎是不可承受的。
5、(2)纯数据驱动模型泛化性差,导致气动敏感性分析精度不足,无法有效指导公差设计。为了降低计算成本,学界引入了kriging、神经网络等代理模型。然而,这些方法多为纯数据驱动,缺乏对物理机理的约束。在压气机失稳这一高度非线性问题上,纯数据驱动模型在小样本条件下极易出现过拟合,泛化能力差。特别是对于高负荷压气机,微小的几何变化可能引发流场的突变(如流动分离、叶尖泄漏涡破裂),纯黑箱模型往往难以捕捉这种突变规律,导致预测结果不可信,难以在此基础上精准识别“对稳定裕度影响最为关键的几何特征及敏感区域”。
技术实现思路
1、针对上述现有技术计算成本高、模型泛化性差及敏感参数识别精度低的缺陷,本申请提出了一种基于物理特征增强的气动稳定裕度敏感性分析方法及系统,本方法通过数据挖掘筛选与稳定裕度强耦合的物理特征,利用稀疏多项式混沌展开建立几何变量至物理特征的低精度映射,并将其作为物理先验注入多可信度建模框架,仅需少量高精度数值逼喘数据即可实现稳定裕度的高效、高精度预测,进而精准识别关键几何敏感参数,更好地指导压气机公差优化与气动稳定性主动设计。
2、为了实现上述目的,本申请实施例采用以下技术方案:
3、一方面,提供一种基于物理特征增强的气动稳定裕度敏感性分析方法,包括步骤:
4、获取目标压气机叶片的三维点云数据,采用kpod对三维点云数据进行降维处理,得到低维随机几何不确定性变量。
5、基于流动失稳机理构建多维度候选物理特征库;在几何不确定性变量概率空间内抽样构造几何构型样本,开展cfd计算并提取候选物理特征库中的全部特征值。
6、对各几何构型样本开展数值逼喘计算获取稳定裕度变化,对所有候选物理特征与稳定裕度变化进行相关分析,筛选出相关性最高的作为先验流动特征;将几何不确定性变量采样值、稳定裕度变化值和先验流动特征值共同构成训练集。
7、采用稀疏pce建立几何不确定性变量到先验流动特征的映射并批量预测,将预测值作为低可信度数据,训练集中稳定裕度数据作为高可信度数据,训练co-kriging多可信度代理模型,得到气动稳定裕度模型。
8、生成独立测试样本集对气动稳定裕度模型进行精度验证;校验通过后,利用该模型对大规模蒙特卡洛样本预测,得到稳定裕度的统计分布信息,采用borgonovo方法解析几何特征偏差与稳定裕度之间的映射关系,完成对关键几何区域及特征的定量敏感性筛选。
9、另一方面,还提供一种基于物理特征增强的气动稳定裕度敏感性分析系统,包括:
10、几何不确定性变量确定模块,用于获取目标压气机叶片的三维点云数据,采用kpod对三维点云数据进行降维处理,得到低维随机几何不确定性变量;
11、特征值确定模块,用于基于流动失稳机理构建多维度候选物理特征库;在几何不确定性变量概率空间内抽样构造几何构型样本,开展cfd计算并提取候选物理特征库中的全部特征值;
12、训练集构建模块,用于对各几何构型样本开展数值逼喘计算获取稳定裕度变化,对所有候选物理特征与稳定裕度变化进行相关分析,筛选出相关性最高的作为先验流动特征;将几何不确定性变量采样值、稳定裕度变化值和先验流动特征值共同构成训练集;
13、气动稳定裕度模型构建模块,用于采用稀疏pce建立几何不确定性变量到先验流动特征的映射并批量预测,将预测值作为低可信度数据,训练集中稳定裕度数据作为高可信度数据,训练co-kriging多可信度代理模型,得到气动稳定裕度模型;
14、气动稳定裕度敏感性分析模块,用于生成独立测试样本集对气动稳定裕度模型进行精度验证;校验通过后,利用该模型对大规模蒙特卡洛样本预测,得到稳定裕度的统计分布信息,采用borgonovo方法解析几何特征偏差与稳定裕度之间的映射关系,完成对关键几何区域及特征的定量敏感性筛选。
15、上述技术方案中的一个技术方案具有如下优点和有益效果:
16、上述基于物理特征增强的气动稳定裕度敏感性分析方法及系统,所述方法通过将与压气机失稳的相关性最强的微观流动特征作为物理约束,嵌入co-kriging建模框架,有效解决传统代理模型在小几何样本下泛化能力不足的问题,稳定裕度变化量预测的相对误差较传统稀疏pce、kriging及全连接神经网络可降低近一个数量级,可支撑工程级不确定性统计需求,大幅降低高精度稳定裕度建模的计算成本。
17、关键物理特征(如叶顶泄漏涡强度、动量比、堵塞面积等)对流动分离与失稳具有明确物理意义,能够敏锐反映微小几何偏差引发的流场突变,弥补黑箱模型在该区域的失效问题。
18、结合多可信度建模与borgonovo全局敏感性分析,可精确定位对稳定性影响最大的几何区域与参数类型,为公差设计与主动控制提供依据。
19、本方法兼容现有cfd与数据处理工具链,无需改变试验或仿真流程,可直接应用于高负荷压气机、多级轴流压气机等先进发动机部件的稳定性评估与优化设计。
1.一种基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,多维度候选物理特征库涵盖的多维度特征包括:叶顶间隙泄漏流轴向动量、主流轴向动量、轴向动量比、叶顶堵塞区面积、叶顶间隙泄漏涡强度以及叶顶区域动能耗散率。
3.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,在几何不确定性变量概率空间内抽样构造几何构型样本,开展cfd计算并提取所述候选物理特征库中的全部特征值,包括:
4.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,对所有候选物理特征与稳定裕度变化进行相关分析,筛选出相关性最高的作为先验流动特征,包括:
5.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,采用稀疏pce建立几何不确定性变量到先验流动特征的映射并批量预测,将预测值作为低可信度数据,将训练集中稳定裕度数据作为高可信度数据,训练co-kriging多可信度代理模型,得到气动稳定裕度模型,包括:
6.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,采用kpod对三维点云数据进行降维处理时选择高斯径向基核函数作为映射函数:
7.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,所述co-kriging多可信度代理模型的超参数采用贝叶斯优化方法寻优。
8.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,几何特征偏差至少包括几何构型在不同叶高位置的前缘半径偏差、最大厚度偏差及安装角偏差中的一个。
9.根据权利要求1所述的基于物理特征增强的气动稳定裕度敏感性分析方法,其特征在于,所述统计分布信息包括稳定裕度的概率密度分布、累计分布函数、置信区间及极端恶化概率。
10.一种基于物理特征增强的气动稳定裕度敏感性分析系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com