面向多级轴流压气机气动特性的制造与装配偏差深度学习建模
机器学习
2025-03-19 v5 计算工程、金融与科学
流体动力学
摘要
深度学习在诸如计算流体动力学(CFD)等物理仿真中的应用近来兴趣激增,其在不同领域的可行性已得到证明。然而,由于高度复杂、湍流且三维的流动,它们尚未被证明可用于涡轮机械应用。燃气轮机用多级轴流压气机因从几何与运行变量回归流场的高维特性而极具挑战性。本文展示了一个用于预测多级轴流压气机流场与气动性能的深度学习框架的开发与应用。基于物理的降维方法释放了流场预测的潜力,其将回归问题从非结构化重构为结构化形式,并减少了自由度数量。相较于传统“黑箱”代理模型,它通过识别相应的气动驱动因素为总体性能预测提供可解释性。该模型应用于制造与装配偏差,因为已知相关性能散布对排放有显著影响,这构成了具有重大工业与环境意义的挑战。所提出的架构被证明在实时条件下、针对工业相关应用中达到与CFD基准相当的精度。所部署的模型已无缝集成至燃气轮机制造与装配流程中,从而提供以可操作且可解释的数据对性能影响进行解析评估的机会。
引用
@article{arxiv.2310.04264,
title = {Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics},
author = {Giuseppe Bruni and Sepehr Maleki and Senthil K. Krishnababu},
journal= {arXiv preprint arXiv:2310.04264},
year = {2025}
}