(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210961718.1 (22)申请日 2022.08.11 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 谢永慧　刘玉鹏　李良梁　蒋明宏　 李云珠　张荻　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 闵岳峰 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/14(2020.01) (54)发明名称 一种基于深度卷积神经网络的燃气轮机叶 片气动阻尼预测方法 (57)摘要 本发明公开了一种基于深度卷积神经网络 的燃气轮机叶片气动阻尼预测方法， 包括： 1)建 立三维叶片气动计算域几何模型并划分网格； 2) 三维叶片颤振特性气动分析； 3)训练样本计算和 处理； 4)叶片表面参数预测网络建立； 5)气动阻 尼预测网络建立； 6)网络的训练和气动阻尼预 测。 本发明以足量三维叶片的颤振分析结果作为 样本， 训练基于叶片表面参数分布预测网络和气 动阻尼预测网络， 实现从几何参数和工况参数到 气动阻尼的快速预测。 权利要求书4页 说明书9页 附图3页 CN 115292843 A 2022.11.04 CN 115292843 A 1.一种基于深度卷积神经网络的燃气轮机叶片气动阻尼预测方法， 其特征在于， 包括 以下步骤： 1)建立三维叶片 气动计算 域几何模型并划分网格 首先生成待求三维叶片的几何模型， 采用的几何模型控制参数分为三类， 第一类是型 线控制参数， 第二类是端面型线控制参数， 第三类是环形叶栅控制参数； 基于三维几何模型， 对气动计算域进行结构化六面体网格划分； 在叶片上下端面以及 叶片表面的壁面网格进行加密， 以保证近壁面边界层流动参数计算的准确 性， 在叶片的前 缘和尾缘处几何形状尖锐 部位的网格进行加密， 以保证网格能准确体现几何特 征； 2)三维叶片颤振特性气动分析 对单个流道网格关于旋转轴 进行圆周阵列， 得到n个通道的计算域； 颤振分析首先进行 稳态计算， 设置根据叶片实际运行工况参数对稳态计算进行设置， 工况参数记为θ， 根据实 际运行工况选择， 包括进口压力、 进口流 量和出口压力， 工况参数的向量空间表示 为： θ ＝[ θ1， θ2， ...， θk]T 式中， θ表示 运行工况参数， 下 标表示运行工况参数编号； 稳态计算完成后， 以稳态流场作为初始条件， 工况参数均与 稳态计算相同， 进行振荡叶 片非定常气动计算， 中间叶片作为振 荡叶片， 设置最大振动位移q， q的取值不超过叶片最大 弦长的1％； 定义模态力为： 式中， p(x， y， z)是叶片表面的压力， 是质量矩阵归一 化的模态， 是叶片表面法向量； 计算过程中监测各个叶片受到的模态力， 当模态力出现明显规律性的周期时， 认为非 定常计算收敛， 计算收敛后， 对非定常计算结果进行处 理； 不同节径数的叶间相位角定义 为： 式中， l表示叶片振动的节 径数， Nb表示整圈叶栅的叶片数； 对于不同叶间相位角， 叶片的模态力合力为： 式中， 上标n表示叶片的编号； 进而， 非定常流场对叶片的做的气动功为： 式中， q为计算时设置的中间叶片实际最大位移， ω 是模态振动频率， t0是一个周期内的 起始时间， T一个周期的时间；权　利　要　求　书 1/4 页 2 CN 115292843 A 2得到气动阻尼为： 式中， Estain表示叶片振动的应 变能； 因此， 对于任意的非定常颤振分析， 通过上述计算， 得到不同叶间相位角的气动阻尼， 记气动阻尼的向量空间为下式， 下标为负表示后行波的气动阻尼， 下标为正表示前行波的 气动阻尼： ξ ＝[ ξ‑p， ...， ξ‑1， ξ0， ξ+1， ...， ξ+p]T 3)训练样本计算和处 理 颤振分析 各样本的设计 变量空间表示 为： δ ＝[α， β， χ， θ ]T ＝[α1， α2， ...， αi， β1， β2， ...， βj， R1， R2， D， θ1， θ2， ...， θk]T 采用拉丁超立方抽样方法从几何控制参数和工况控制参数中， 抽取足量的待求样本， 并采用步骤1)和步骤2)中的方法建立几何模 型并进行非定常颤振分析， 样本计算应实现多 组从几何控制参数向量、 工况控制参数向量到气动阻尼向量空间的一一对应关系， 然后将 这些样本分为训练集和验证集； 4)叶片表面 参数预测网络建立 建立叶片表面参数预测深度卷积神经网络， 并对气动计算样本进行处理， 使之能满足 叶片表面 参数预测深度卷积神经网络所需的数据结构； 提取步骤3)中的稳态气动结果， 对中间叶片表面的气动参数进行提取， 在叶片相同叶 高处， 沿叶片表面选取m个点， 提取每个数据点位上的气动参数， 则同一叶高位置的表面气 动参数表示 为： 对不同叶高叶片表面均提取气动参数， 共计对n个 叶高位置提取气动参数， 因此， 叶片 表面参数向量空间表示 为： 式中， 表示叶片表面气动参数值， 上标表示不同的叶高位置， 下标表示不同种类的气 动参数； 叶片表面参数预测深度卷积神经网络的输入变量定义为待求叶片的几何控制参数和 工况控制参数， 输出为叶片表面 参数分布， 因此， 叶片表面气动参数 预测网络表示 为： 式中， 表示通过表面参数预测深度卷积神经网络预测得到的叶片表面气动参数， Θ1 表示网络的参数； 5)气动阻尼预测网络建立权　利　要　求　书 2/4 页 3 CN 115292843 A 3