基于CNN的典型涡轮叶片表面颗粒沉积速率快速预估方法

本发明属于工程热物理，具体涉及一种基于深度学习的典型涡轮叶片表面颗粒沉积速率快速预估方法。

背景技术：

1、航空发动机实际工作时容易吸入颗粒物，如沙粒、粉尘、灰烬与杂质等，而吸入过多的颗粒物会直接影响发动机性能及寿命。发动机燃烧室温度远远高于颗粒物的熔点，颗粒流经燃烧室后将成为液态或熔融态，之后撞击涡轮叶片表面，进而发生粘连、弹跳、散射、飞溅等随机现象。颗粒沉积于涡轮叶片表面，易堵塞气膜孔等冷却通道，导致冷却结构失效，进而使涡轮叶片超温甚至烧毁。因此开展涡轮叶片表面颗粒沉积速率的预估具有重大意义。然而，不同的服役环境和工况会对颗粒状态和轨迹等产生影响，进而改变颗粒在叶片表面的沉积量。因此，针对涡轮叶片表面颗粒沉积预测问题，发展一个适用于多工况的高效、高精度涡轮叶片表面颗粒沉积预测方法将是急需解决的问题。

2、现阶段对于叶片表面颗粒沉积预测方法，学者们进行多个方面的探索。dring等通过对叶栅中颗粒轨迹的性质进行分析研究，以预测涡轮叶栅中颗粒的撞击位置、速度和角度，结果表明，对于任意给定的无粘流动，确定粒子的运动轨迹的最重要的参数是斯托克斯数。suo等学者使用流动可视化技术研究具有薄膜冷却前缘的机翼附近的粒子轨迹，结果显示，当冷却气流速度至少为主流速度的0.67倍时，燃气涡轮发动机中涡轮翼型前缘气膜冷却可以偏转直径至少为5.8μm。

3、然而，目前这些研究多使用数值仿真模拟或实验的方法，难以实现典型涡轮叶片表面颗粒沉积特性的高效精确的预估，因为虽然一维数学模型的计算效率很高，但很多特性难以在一维模型中反映，导致其在精度方法有极大的限制。二维或三维数值模拟则是以大量计算为代价来获得高精度结果。这些方法的局限性导致了高效与精确不可兼得，需要为涡轮叶片表面颗粒沉积特性高效精确预估的实现找到新的方法。

4、随着机器学习的发展，以数据驱动的代理模型提供了既高效又精确的涡轮叶片表面颗粒沉积预测解决方法。针对沉积物初期沉积流速的预估，safari等人首先进行了一系列测定沉积物初期沉积时流动特性的实验，利用实验数据，建立了用于计算梯形横截面通道在初始沉积条件速的回归模型，并与矩形、圆形和u形通道的现有回归模型一起提出。通过组合任何横截面的可用数据，还提供了一个广义回归模型。为了比较模型，使用人工神经网络(ann)来模拟刚性边界通道中沉积物的早期沉积。zhu等人对等离子喷涂的反向过程进行了建模，仿真结果得到的粒子状态分布作为输入,通过cnn分析了飞行中颗粒状态与控制参数之间的关系。

5、由于深度学习高效且高精度的特点，越来越多的学者将其应用于优化设计。hong采用了深度确定性策略梯度算法建立了一种轴流式通风机流型优化设计方法，结果显示，在大部分工况下，优化后的风机效率明显提升，说明机器学习方法在轴流式通风机的优化设计是可行的，为风机设计提供了新的途径。

6、目前，这些代理模型在涡轮叶片表面颗粒沉积预估的研究中还处于初步阶段，其工况数据相对简单且局限，与真实航空发动机的工作环境存在一定的差距。此外，代理模型在叶片表面颗粒沉积预测过程中，还需解决影响涡轮叶片表面颗粒沉积样本特征较少等问题。如何充分利用叶片表面颗粒沉积云图与各参数之间耦合作用影响因素，选择适宜的机器学习方法，建立高效与高精度的涡轮叶片表面颗粒沉积特性预估模型将是未来研究的重要挑战。

技术实现思路

1、本发明的目的在于能够实现高效精确度的叶片表面颗粒沉积速率的预估，提供一种基于cnn的典型涡轮叶片表面颗粒沉积速率快速预估方法；

2、为了实现上述目的，本发明采用以下技术方案：一种基于cnn的典型涡轮叶片表面颗粒沉积速率快速预估方法，包括：

3、步骤1：获取颗粒沉积速率数据集，颗粒沉积速率数据集包括吹风比、颗粒粒径和主流入口速度的特征数据集和颗粒沉积速率云图的标签数据集；

4、步骤2：将步骤1中特征数据集和标签数据集随机划分为训练集、测试集以及验证集；

5、步骤3：基于卷积神经网络，将步骤2中训练集的特征数据集作为unet模型的输入，将训练集的标签数据集作为unet模型的输出，对unet模型进行训练，获得训练模型；

6、步骤4：将验证集的特征数据集输入到训练模型，对训练模型进行验证，获得涡轮叶片表面颗粒沉积速率快速预估模型；

7、步骤5：将测试集的特征数据集输入到涡轮叶片表面颗粒沉积速率快速预估模型进行预估，获得预估结果。

8、进一步地，所述步骤1中获取颗粒沉积速率数据集的步骤包括：

9、步骤11：通过仿真软件对涡轮叶片模型进行数值仿真，获得涡轮叶片模型的吹风比、颗粒粒径和主流入口速度的取值范围；

10、步骤12：基于拉丁超立方抽样对步骤11中吹风比、颗粒粒径和主流入口速度进行抽样，生成吹风比、颗粒粒径和主流入口速度的特征数据集；

11、步骤13：将步骤12中特征数据集输入基于ei-batsh的临界速度模型中，通过运行算例，获得颗粒沉积速率云图的标签数据集。

12、进一步地，所述基于ei-batsh的临界速度模型为：

13、

14、其中，vcr为临界速度，e为混合杨氏模量，es为表面杨氏模量，ep为粒子的杨氏模量，vs为表面泊松比，vp为粒子泊松比，dp为粒子颗粒半径，ρp为颗粒密度。

15、进一步地，所述步骤2中训练集、测试集以及验证集的比值为3:1:1。

16、进一步地，所述步骤3中对unet模型进行训练的步骤包括：

17、步骤31：建立特征数据集中吹风比、颗粒粒径和主流入口速度与图像的r、g、b通道一一对应的映射关系；

18、步骤32：加载输入，读取特征数据集，根据步骤32中映射关系对特征数据集进行归一化并转换为图像格式，得到输入数据；

19、步骤33：加载输出，读取标签数据集，进行归一化，得到输出数据；

20、步骤34：将步骤32中输入数据和步骤33中输出数据输入unet模型，并设置训练参数和调整迭代轮数，再基于卷积神经网络对unet模型进行训练，得到训练模型。

21、进一步地，所述步骤4中，将验证集的特征数据集输入到训练模型，得到验证集的结果，根据验证集的结果选取最优的神经网络层数与神经元数目，得到涡轮叶片表面颗粒沉积速率快速预估模型。

22、有益效果：

23、1、本发明能够根据吹风比、粒径及主流速度与颗粒沉积速率之间的映射关系，构建基于卷积神经网络的叶片表面颗粒沉积速率的快速预估模型，实现高效率、高精度、以及不同工况条件下的颗粒沉积速率的预估，此预估模型能够获得高精度的涡轮叶片表面颗粒沉积速率。

24、2、本发明以像素差异和结构相似性为指标，训练结果误差最大为0.04，最小可达0.03，预测结果的误差最大为0.22，最小可达0.06，可以验证此快速预估模型具有较高的精度和泛化能力，能够较好的快速重构fluent计算结果，因此，经过训练后的cnn模型可以代替fluent模拟，用于后续的优化过程。