留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于ResNet数据驱动的压气机叶型优化

杜周,  马玉林,  徐全勇,  吴锋,  冯旭栋

downloadPDF
文章导航 > 航空动力学报  > 2023 >  38(7): 1592-1603
杜周, 马玉林, 徐全勇, 等. 基于ResNet数据驱动的压气机叶型优化[J]. 航空动力学报, 2023, 38（7）：1592-1603 doi: 10.13224/j.cnki.jasp.20220611
引用本文: 杜周, 马玉林, 徐全勇, 等. 基于ResNet数据驱动的压气机叶型优化[J]. 航空动力学报, 2023, 38（7）：1592-1603 doi: 10.13224/j.cnki.jasp.20220611
shu
DU Zhou, MA Yulin, XU Quanyong, et al. Optimization of compressor blade profile based on ResNet data drive[J]. Journal of Aerospace Power, 2023, 38（7）：1592-1603 doi: 10.13224/j.cnki.jasp.20220611
Citation: DU Zhou, MA Yulin, XU Quanyong, et al. Optimization of compressor blade profile based on ResNet data drive[J]. Journal of Aerospace Power, 2023, 38（7）：1592-1603 doi: 10.13224/j.cnki.jasp.20220611
shu

基于ResNet数据驱动的压气机叶型优化

doi: 10.13224/j.cnki.jasp.20220611
  • 1.

    辽宁工程技术大学 力学与工程学院，辽宁 阜新 123000

  • 2.

    清华大学 航空发动机研究院，北京 100084

  • 3.

    中国航发四川燃气涡轮研究院，四川 绵阳 621000

基金项目: 国家科技重大专项（J2019-Ⅴ-0001-0092，J2019-Ⅴ-0013-0108）
详细信息
    作者简介:

    杜周（1996-），男，博士生，主要从事流体仿真与人工智能相结合的领域研究

    通讯作者:

    徐全勇（1980-），男，副教授，博士，研究领域为航空发动机气动热力学。E-mail：xuquanyong@tsinghua.edu.cn

  • 中图分类号: V231.3

Optimization of compressor blade profile based on ResNet data drive

  • 1.

    School of Mechanics and Engineering， Liaoning Technical University，Fuxin Liaoning 123000，China

  • 2.

    Institute for Aero Engine，Tsinghua University，Beijing 100084，China

  • 3.

    Sichuan Gas Turbine Establishment， Aero Engine Corporation of China，Mianyang Sichuan 621000，China

    摘要
  • 摘要:

    为提高用于叶型优化设计ResNet深度学习模型的泛化性，对一种适用于亚声速和跨声速的压气机叶型进行了参数化设计。叶型基于Matlab进行几何模型构建，设计变量为叶型最大厚度、最大厚度位置、栅距和叶型尾缘与轴向的夹角，几何模型通过Pointwise软件进行批量网格划分，网格量级为30万，通过OpenFOAM流体仿真软件进行批量计算。最终通过4个设计变量参数化建模后进行仿真得到了叶型流场仿真数据集，该数据集包含22331个叶型仿真算例，可为ResNet深度学习模型提供训练集和测试题，有助于提高模型的泛化性。

     

    Abstract:

    To improve the generalizability of the ResNet deep learning model used for optimal design of the blade profile, a parametric design of a compressor blade profile suitable for subsonic and transonic speeds was carried out. The blade profile was constructed based on the geometric model in Matlab, and the design variables included the maximum thickness of the blade profile, the position of the maximum thickness, the mesh distance and the angle between the trailing edge of the blade profile and the axial direction, and the geometric model was meshed in batch by Pointwise software with a mesh size of 300 000, and simulation was carried out by OpenFOAM fluid simulation. The final simulation was performed by parametric modeling of 4 design variables to obtain the fluid simulation dataset of blade profile, which contained 22331 simulation cases of blade profile and can provide training and test datasets for ResNet deep learning models, helping to improve the generalization of the model.

     

    • HTML

  • 图 1  ResNet的基本残差单元

    Figure 1.  Basic residual element of ResNet

    下载: 全尺寸图片 幻灯片

    图 2  叶型优化设计流程图

    Figure 2.  Flow chart for blade profile optimization design

    下载: 全尺寸图片 幻灯片

    图 3  抛物线型中弧线

    Figure 3.  Parabolic-arc mean camberline

    下载: 全尺寸图片 幻灯片

    图 4  厚度分布

    Figure 4.  Thickmess distribution

    下载: 全尺寸图片 幻灯片

    图 5  3种不同最大厚度位置的叶型厚度分布曲线图

    Figure 5.  Blade profile thickness distribution curves for three different maximum thickness positions

    下载: 全尺寸图片 幻灯片

    图 6  3种不同最大厚度位置的叶型轮廓图

    Figure 6.  Blade profile for three different maximum thickness positions

    下载: 全尺寸图片 幻灯片

    图 7  3个算例的流体域几何

    Figure 7.  Fluid domain geometry for three examples

    下载: 全尺寸图片 幻灯片

    图 8  叶片前缘和尾缘轮廓

    Figure 8.  Profile of leading and trailing edges of blades

    下载: 全尺寸图片 幻灯片

    图 9  处理前的非结构网格

    Figure 9.  Unstructured mesh before processing

    下载: 全尺寸图片 幻灯片

    图 10  使用T-Rex处理过的流体域网格

    Figure 10.  Fluid domain mesh processed using T-Rex

    下载: 全尺寸图片 幻灯片

    图 11  前缘和尾缘的边界层网格

    Figure 11.  Boundary layer mesh of leading and trailing edges

    下载: 全尺寸图片 幻灯片

    图 12  OpenFOAM的计算流程

    Figure 12.  Calculation process of OpenFOAM

    下载: 全尺寸图片 幻灯片

    图 13  CA-2压气机叶型网格

    Figure 13.  Blade profile mesh of CA-2 compressor

    下载: 全尺寸图片 幻灯片

    图 14  CA-2叶型仿真结果

    Figure 14.  Simulation results of CA-2 blade profile

    下载: 全尺寸图片 幻灯片

    图 15  CA-2叶型OpenFOAM仿真结果和实验结果的Cp对比

    Figure 15.  Cp comparison of OpenFOAM simulation results and experimental results of CA-2 blade profile

    下载: 全尺寸图片 幻灯片

    图 16  3种网格数的叶型Cp分布与网格前缘分布

    Figure 16.  Blade profile Cp distributions and mesh leading edge distributions of three meshes

    下载: 全尺寸图片 幻灯片

    图 17  3种网格数的压力云图和马赫数云图

    Figure 17.  Pressure and Mach number clouds of three meshes

    下载: 全尺寸图片 幻灯片

    图 18  50万网格每1000步的计算的压力云图

    Figure 18.  Pressure clouds of 500000 meshes per 1000 steps

    下载: 全尺寸图片 幻灯片

    图 19  某一案例的压力云图和马赫数云图

    Figure 19.  Pressure and Mach number clouds of a particular case

    下载: 全尺寸图片 幻灯片

    表  1  算例变量统计

    Table  1.   Example variable statistics

    变量最小值最大值区间间断点个数
    叶片尾缘角/（°）−1010121
    最大厚度/m0.040.080.0059
    最大厚度位置/m0.20.60.059
    栅距/m0.410.0513
    下载: 导出CSV
    • 参考文献(21)
  • [1] 秦鹏. 轴流压气机气动设计[M]. 北京: 国防工业出版社, 1975.
    [2] 胡骏. 航空叶片机原理[M]. 北京: 国防工业出版社, 2014.
    [3] 阎军,许琦,张起,等. 人工智能在结构拓扑优化领域的现状与未来趋势[J]. 计算力学学报,2021,38(4): 412-422. doi: 10.7511/jslx20210517401

    YAN Jun,XU Qi,ZHANG Qi,et al. Current and future trends of artificial intelligence in the field of structural topology optimization[J]. Chinese Journal of Computational Mechanics,2021,38(4): 412-422. (in Chinese) doi: 10.7511/jslx20210517401
    [4] 张伟伟,寇家庆,刘溢浪. 智能赋能流体力学展望[J]. 航空学报,2021,42(4): 524689.1-524689.46.

    ZHANG Weiwei,KOU Jiaqing,LIU Yilang. Prospect of artificial intelligence empowering fluid mechanics[J]. Acta Aeronautica et Astronautica Sinica,2021,42(4): 524689.1-524689.46. (in Chinese)
    [5] 尹宇辉, 杨普, 张宇飞. 基于机器学习的湍流建模研究[R]. 杭州: 中国力学大会, 2019.
    [6] 张伟伟,朱林阳,刘溢浪,等. 机器学习在湍流模型构建中的应用进展[J]. 空气动力学学报,2019,37(3): 444-454.

    ZHANG Weiwei,ZHU Linyang,LIU Yilang,et al. Progresses in the application of machine learning in turbulence modeling[J]. Acta Aeronamica Sinica,2019,37(3): 444-454. (in Chinese)
    [7] 徐启华,师军. 基于支持向量机的航空发动机故障诊断[J]. 航空动力学报,2005,20(2): 298-302. doi: 10.3969/j.issn.1000-8055.2005.02.025

    XU Qihua,SHI Jun. Aero-engine fault diagnosis based on support vector machine[J]. Journal of Aerospace Power,2005,20(2): 298-302. (in Chinese) doi: 10.3969/j.issn.1000-8055.2005.02.025
    [8] 金东海,梁栋,刘晓恒,等. 航空发动机整机周向平均稳态仿真方法[J]. 航空动力学报,2022,37(11): 2598-2616. doi: 10.13224/j.cnki.jasp.20220279

    JIN Donghai,LIANG Dong,LIU Xiaoheng,et al. Steady state simulation method of whole aero-engine based on circumferentially averaged method[J]. Journal of Aerospace Power,2022,37(11): 2598-2616. (in Chinese) doi: 10.13224/j.cnki.jasp.20220279
    [9] 谢寿生,樊思齐. 自适应变结构神经网络在航空发动机故障诊断上的应用[J]. 航空动力学报,1997,12(4): 367-370. doi: 10.13224/j.cnki.jasp.1997.04.008

    XIE Shousheng,FAN Siqi. Application of adaptive variable neural network to aeroengine failure diagnosis[J]. Journal of Aerospace Power,1997,12(4): 367-370. (in Chinese) doi: 10.13224/j.cnki.jasp.1997.04.008
    [10] FONT B,WEYMOUTH G D,NGUYEN V T,et al. Deep learning of the spanwise-averaged Navier-Stokes equations[J]. Journal of Computational Physics,2021,434(10): 110199.1-110199.25.
    [11] 陈海,钱炜祺,何磊. 基于深度学习的翼型气动系数预测[J]. 空气动力学学报,2018,36(2): 294-299.

    CHEN Hai,QIAN Weiqi,HE Lei. Aerodynamic coefficient prediction of airfoils based on deep learning[J]. Acta Aerodynamica Sinica,2018,36(2): 294-299. (in Chinese)
    [12] 姚琳. 机器学习在翼型优化问题中的应用[J]. 航天标准化,2020,179(1): 43-47. doi: 10.3969/j.issn.1009-234X.2020.01.013

    YAO Lin. Application of machine learning in airfoil optimization problem[J]. Aerospace Standardization,2020,179(1): 43-47. (in Chinese) doi: 10.3969/j.issn.1009-234X.2020.01.013
    [13] 廖鹏,姚磊江,白国栋,等. 基于深度学习的混合翼型前缘压力分布预测[J]. 航空动力学报,2019,34(8): 1751-1758. doi: 10.13224/j.cnki.jasp.2019.08.014

    LIAO Peng,YAO Leijiang,BAI Guodong,et al. Prediction of hybrid airfoil leading edge pressure distribution based on deep learning[J]. Journal of Aerospace Power,2019,34(8): 1751-1758. (in Chinese) doi: 10.13224/j.cnki.jasp.2019.08.014
    [14] 陈海昕,邓凯文,李润泽. 机器学习技术在气动优化中的应用[J]. 航空学报,2019,40(1): 52-68.

    CHEN Haixin,DENG Kaiwen,LI Runze. Utilization of machine learning technology in aerodynamic optimization[J]. Acta Aeronautica et Astronautica Sinica,2019,40(1): 52-68. (in Chinese)
    [15] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[R]. Las Vegas, US: IEEE Conference on Computer Vision and Pattern Recognition, 2016.
    [16] 杜周, 徐全勇, 宋振寿, 等. 基于深度学习的压气机叶型气动特性预测[EB/OL]. [2022-09-23].https: //kns.cnki.net/kcms2/article/abstract?v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD656v2WvdV0bJ853b6ZyauyhzTAJGro7r6jl6zgN3sn11UPTzegKJzp9&uniplatform=NZKPT.
    [17] AUNGIER R. Axial-flow compressors: a strategy for aerodynamic design and analysis[M]. New York: The American Society of Mechanical Engineers, 2003.
    [18] WENNERSTROM A J. Design of highly loaded axial-flow fans and compressors[M]. Wilder, US: Concepts ETI Incorporation, 2000.
    [19] KULFAN B M. Universal parametric geometry representation method[J]. Journal of Aircraft,2008,45(1): 142-158. doi: 10.2514/1.29958
    [20] FOTTNER L. Test cases for computation of internal flows in aero engine components[M]. Paris, France: Advisory Group for Aerospace Research and Development, 1990.
    [21] STARK U,HOHEISEL H. The combined effect of axial velocity density ratio and aspect ratio on compressor cascade performance[J]. Journal of Engineering for Gas Turbines and Power,1981,103(1): 247-255.
    • 相关文章
    • 施引文献
  • 资源附件(0)
  • 加载中
WeChat 点击查看大图
图(19) / 表(1)
计量
  • 文章访问数:  1219
  • HTML浏览量:  365
  • PDF量:  160
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-23
  • 网络出版日期:  2023-04-19

目录

    /

    返回文章
    返回

    版权所有 © 《航空动力学报》编辑部

    本系统由 北京仁和汇智信息技术有限公司 开发