基于知识迁移与神经网络的氦涡轮损失模型开发及其在气动设计中的应用
应用物理
2023-09-14 v1
摘要
氦涡轮广泛应用于闭式布雷顿循环中进行发电及航空航天任务。设计高负荷氦涡轮的主要关注点包括常规与对转设计的选取以及设计参数选择准则。作为评估手段的损失模型是解决该问题的关键。由于氦与空气的性质差异，以二者为工质的涡轮经历不同的损失机理。因此，直接将燃气涡轮经验用于氦涡轮设计会带来固有误差。本文结合知识迁移与神经网络(Neural Network)方法开发了氦涡轮损失模型，以准确预测设计点与非设计点性能。利用该损失模型得到了氦涡轮设计参数选择准则，并对常规与对转氦涡轮设计进行了对比分析。结果表明，该损失模型在超过90%的测试样本上预测误差低于0.5%，优于燃气涡轮损失模型的精度。氦涡轮设计参数选择准则与基于燃气涡轮经验的准则显著不同。对转氦涡轮设计在尺寸、重量与气动性能方面具有优势。
引用
@article{arxiv.2309.06709,
title = {Development of helium turbine loss model based on knowledge transfer with Neural Network and its application on aerodynamic design},
author = {Changxing Liu and Zhengping Zou and Pengcheng Xu and Yifan Wang},
journal= {arXiv preprint arXiv:2309.06709},
year = {2023}
}