一种一体化支板火焰稳定器双层壁结构的多目标优化方法

1.本发明涉及一种航空发动机一体化加力支板火焰稳定器双层壁冷却结构的多目标优化方法，属于航空部件热防护领域。


背景技术：

2.航空发动机一体化加力支板是目前发动机领域研究的重点内容，它将混合器、燃油喷杆和火焰稳定器等进行组合设计，从而减轻发动机总重量，降低能量损失，增大推重比，提高发动机总体效率。由于钝体扰流作用，一体化加力支板后方会形成一个高温区，为了使一体化加力支板能在高温环境下稳定工作，在其尾缘处设置双层壁冷却结构，从外涵引入适量冷气对一体化加力支板进行冷却，同时防止火焰向一体化加力支板前端移动，影响其工作性能。
3.双层壁冷却作为一种先进复合结构，在航空领域应用广泛。该冷却结构由冲击板、冲击腔和气膜板组成，冷气通过冲击孔对靶面进行冲击，强化换热，随后流向四周再由气膜孔流出，与外部气流作用形成气膜，保护热端部件。
4.径向基(rbf)神经网络是一种使用径向基函数作为激活函数的人工神经网络，属于前馈型神经网络，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题，在多个领域得到了广泛的应用。遗传算法是一种全局优化概率算法，通过模仿自然界的选择遗传规律来寻找最优解，可以有效地进行概率意义的全局搜素。


技术实现要素：

5.发明目的：提供一种航空发动机一体化支板火焰稳定器双层壁结构的多目标优化方法，可以根据实际工程需求，高效精确的设计双层壁冷却结构，保障热端部件在高温下持续稳定地工作。
6.技术方案：一种航空发动机一体化支板火焰稳定器双层壁结构的多目标优化方法，该方法包括以下步骤：
7.步骤1，确定一体化加力支板火焰稳定器双层壁冷却结构的待优化结构参数及待优化结构参数范围；
8.步骤2，设计径向基神经网络的训练样本和测试样本；
9.步骤3，将一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，构建适应度函数并通过计算流体动力学计算选取样本的目标函数；
10.步骤4，基于训练样本建立径向基神经网络的数学模型，利用测试样本验证模型正确性，输出径向基神经网络的扩散系数；
11.步骤5，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优。
12.进一步的，步骤1中所述待优化结构参数包括冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、气膜孔排数n、冲击间距与冲击孔孔径的比值h/di，冲击孔
孔径di为0.8～1.5mm，df/di为0.4～1.0，m为37～73，n为4～7，h/di为1～2.5。
13.进一步的，步骤2中，样本的设计步骤包括：
14.步骤2.1，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值h/di进行组合，利用正交试验设计根据正交性从全面组合中挑选出32组有代表性的样本作为径向神经网络的训练样本；
15.步骤2.2，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值h/di进行组合，随机抽取8组样本作为测试样本；
16.步骤2.3，针对不同样本参数的单位尺度不同，对选取样本的待优化结构参数做归一化处理，将不同参数的单位尺度置于(0,1)范围内：
[0017][0018]
式中，y是归一化后的结果，xi是样本参数变量，x
max
，x
min
分别是样本参数变量的最大值和最小值。
[0019]
进一步的，步骤3中，综合冷却效率和相对压力损失的目标函数分别定义为：
[0020]
f(di,df/di,m,n,h/di)＝1/η
[0021]
f(di,df/di,m,n,h/di)＝δp
[0022]
式中，η为综合冷却效率，δp为相对压力损失。
[0023]
进一步的，步骤4中，径向基神经网络由输入层接收训练样本，隐含层将输入样本通过径向基函数映射到新的空间：
[0024][0025]
式中，x表示训练样本，ci表示径向基函数的中心向量，δi表示径向基函数的核宽；
[0026]
输出层在新空间实现线性加权求和，输出结果：
[0027][0028]
式中，wi为隐含层与输出层的连接权值，为径向基函数，y为输出结果，m为隐含层节点数；
[0029]
采用试错法确定径向基神经网络的扩散系数并验证径向基神经网络的正确性，基于训练样本计算出不同扩散系数对应的径向基神经网络，通过迭代计算，选取均方根误差最小的扩散系数值，计算流体动力学计算结果与径向基神经网络预测结果的均方根误差表示为：
[0030][0031]
式中，n为数据总数，y
t
(k)和分别为计算数据和预测数据。
[0032]
进一步的，步骤5中，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行
全局寻优的详细步骤为：
[0033]
步骤5.1，初始化操作：染色体编码，确立种群数量，设置交叉、变异概率、最大迭代步数；
[0034]
步骤5.2，初始化种群：随机生成第一代种群；
[0035]
步骤5.3，基于径向基神经网络数学模型计算适应度值，评价种群，个体适应度包括一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失；
[0036]
步骤5.4，判断算法收敛准则是否满足，满足则终止，输出最优解，否则继续进行操作；
[0037]
步骤5.5，根据优胜劣汰的原则对种群进行选择，根据交叉概率和变异概率对种群进行交叉和变异，形成新一代种群，回到步骤5.3，经过若干代的进化迭代后，得到最优个体，即最优一体化加力支板火焰稳定器双层壁冷却结构。
[0038]
本发明的有益效果是：
[0039]
本发明采用径向基神经网络耦合遗传算法全局搜寻最优一体化加力支板火焰稳定器双层壁冷却结构，将复杂的结构设计问题数据化，简单化，使用少量训练样本和测试样本即可获得最优设计；径向基神经网络可以根据具体问题确定相应的网络拓扑结构，逼近精度高，学习能力强，可以并行高速地处理数据；本发明采用遗传优化算法，具有很好的收敛性，计算时间少，鲁棒性高。
附图说明
[0040]
图1为一体化支板火焰稳定器双层壁结构的多目标优化方法流程图；
[0041]
图2为加力燃烧室一体化加力支板几何模型，其中图2(a)为加力燃烧室三维视图，图2(b)为一体化加力支板三维视图，图2(c)为一体化加力支板局部a示意图；
[0042]
图3为尾缘双层壁冷却结构孔排布图，其中图3(a)为支板孔排布示意图，图3(b)为局部放大图；
[0043]
图4为rbf神经网络结构；
[0044]
图5为多目标优化的pareto前缘解集。
具体实施方式
[0045]
下面结合附图和具体实例对本发明的技术方案进行详细阐述。
[0046]
结合图1所示，本发明提供了一种一体化支板火焰稳定器双层壁结构的多目标优化方法。该方法针对的优化目标为如图2(b)中所示的加力燃烧室一体化加力支板1。其中该一体化加力支板1是设置于如图2(a)中的加力燃烧室2内的。
[0047]
包括以下步骤。
[0048]
步骤1，选择冲击孔孔径di，气膜孔孔径与冲击孔孔径的比值df/di，气膜孔列数m，孔排数n，冲击间距与冲击孔孔径的比值h/di作为待优化结构参数，冲击孔孔径di为0.8～1.5mm，df/di为0.4～1.0，m为37～73，n为4～7，h/di为1～2.5。一体化支板火焰稳定器双层壁结构由冲击板、气膜板和两板之间的冲击腔组成，上述冲击间距是指冲击孔中的冲击流对冲击靶面(气膜板内壁面)的冲击间距。其中冲击孔设置在冲击板3上，气膜孔设置在气膜板4上，如图2(c)中所示的在一体化加力支板1上设置的孔5。气膜孔与冲击孔的排布方式可
参考图3(a)、图3(b)。
[0049]
步骤2，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值h/di进行组合，利用正交试验设计根据正交性从全面组合中挑选出32组有代表性的样本作为径向神经网络的训练样本，再随机抽取8组样本作为测试样本。训练样本和测试样本的参数如表1所示。
[0050]
表1
[0051]
[0052][0053]
针对不同样本参数的单位尺度不同，对选取样本的待优化结构参数做归一化处理，将不同参数的单位尺度置于(0,1)范围内：
[0054][0055]
式中，y是归一化后的结果，xi是样本参数变量，x
max
，x
min
分别是样本参数变量的最
大值和最小值。
[0056]
步骤3，将一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，构建适应度函数并通过cfd计算选取样本的目标函数，综合冷却效率和相对压力损失的目标函数分别定义为：
[0057]
f(di,df/di,m,n,h/di)＝1/η
[0058]
f(di,df/di,m,n,h/di)＝δp
[0059]
式中，η为综合冷却效率，δp为相对压力损失。
[0060]
一体化加力支板火焰稳定器双层壁冷却结构的综合冷却效率为：
[0061][0062]
式中，tg为主流高温气流进口温度，tc为次流冷却气流进口温度，t
w,e
为双层壁结构高温气流侧壁面温度。
[0063]
一体化加力支板火焰稳定器双层壁冷却结构的相对压力损失为：
[0064][0065]
式中，为双层壁冲击孔的进口平均总压，为双层壁气膜孔的出口平均总压。
[0066]
步骤4，如图4所示，在matlab平台上自编程，基于训练样本建立rbf神经网络的数学模型，利用测试样本验证模型正确性，输出rbf神经网络的扩散系数。
[0067]
其中，rbf神经网络由输入层接收训练样本，隐含层将输入样本通过径向基函数映射到新的空间：
[0068][0069]
式中，x表示训练样本，ci表示径向基函数的中心向量，δi表示径向基函数的核宽；
[0070]
输出层在新空间实现线性加权求和，输出结果：
[0071][0072]
式中，wi为隐含层与输出层的连接权值，为径向基函数，y为输出结果，m为隐含层节点数；
[0073]
采用试错法确定rbf神经网络的扩散系数并验证rbf神经网络的正确性，基于训练样本计算出不同扩散系数对应的径向基神经网络，通过迭代计算，选取均方根误差(rmse)最小的扩散系数值，cfd计算结果与rbf神经网络预测结果的均方根误差表示为：
[0074][0075]
式中，n为数据总数，y
t
(k)和分别为计算数据和预测数据。
[0076]
步骤5，调用matlab自带的遗传算法与直接搜索工具箱(gads)，采用rbf神经网络数学模型编写适应度函数，并在工具箱内设置种群大小、选择函数、变异函数、交叉函数、最
大迭代步长。
[0077]
利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优的详细步骤为：
[0078]
步骤5.1，初始化操作：染色体编码，确立种群数量，设置交叉、变异概率、最大迭代步数；
[0079]
步骤5.2，初始化种群：随机生成第一代种群；
[0080]
步骤5.3，基于rbf神经网络数学模型计算适应度值，评价种群，个体适应度包括一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失；
[0081]
步骤5.4，判断算法收敛准则是否满足，满足则终止，输出最优解，否则继续进行操作；
[0082]
步骤5.5，根据优胜劣汰的原则对种群进行选择，根据交叉概率和变异概率对种群进行交叉和变异，形成新一代种群，回到步骤5.3，经过若干代的进化迭代后，得到最优个体，即最优一体化加力支板火焰稳定器双层壁冷却结构。
[0083]
图5为多目标优化的pareto前缘解集。pareto前缘解集均为非劣解，a点为最大综合冷却效率处，c点为最小相对压力损失处，b点是中值点，两种目标函数的权重为(0.5,0.5)。
[0084]
以上所举实施例仅为本发明的优选实施方式，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。