一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107194118A(43)申请公布日2017.09.22(21)申请号201710464122.X(22)申请日2017.06.19(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人黄莺张靖周王春华(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人吴旭(51)Int.Cl.G06F17/50(2006.01)G06N3/00(2006.01)权利要求书3页说明书7页附图3页(54)发明名称一种涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法(57)摘要本发明公开一种涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，基于径向基神经网络，建立涡轮叶片扇形孔气膜冷却结构气动-热特征代理模型，并引入粒子群优化算法实现涡轮叶片扇形孔气膜冷却结构气动-热协同优化。本发明克服了传统气膜冷却结构优化方法需要依靠大量样本的特点，具有非线性预测能力，预测精度高，记忆能力、鲁棒性强，以及良好的全局逼近能力。并且可以根据实际需求，调节气动性能和热性能的权值，设计出兼顾气动性能和热力性能的最优扇形孔气膜冷却结构。CN107194118ACN107194118A权利要求书1/3页1.一种涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：包括以下步骤：步骤1，确立气膜冷却结构的待优化设计变量以及待优化设计变量的范围；步骤2，设计径向基神经网络代理模型的数据样本；步骤3，对数据样本建立CFD模型，并计算目标函数值Fobj,cal；步骤4，利用训练样本和测试样本，训练和测试径向基神经网络；步骤5，输出径向基神经网络预测目标函数值Fobj,pre和测试样本目标函数值Fobj.test最小误差下的扩展速度；步骤6，利用粒子群算法耦合径向基神经网络搜索最优设计点；步骤7，对优化设计点进行CFD评估，如果径向基神经网络预测目标函数值Fobj,pre与CFD计算目标函数值Fobj,cal误差大于5％，则将此优化设计点扩充为训练样本数据库，重新从步骤4开始迭代，直到径向基神经网络预测目标函数值Fobj,pre与CFD计算目标函数值Fobj,cal误差在预设范围内，迭代终止，得到全局最优设计点。2.根据权利要求1所述的涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：步骤1中所述待优化设计变量包括如下参数：涡轮叶片扇形孔倾斜角α，扇形孔侧向扩展角β，扇形孔前向扩展角γ，其对应变化范围分别为25-55°，10-20°，3-15°。3.根据权利要求2所述的涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：步骤2中所述数据样本的设计步骤包括：步骤2.1，采用拉丁超立方设计方法，对待优化参数涡轮叶片扇形孔倾斜角α，扇形孔侧向扩展角β，扇形孔前向扩展角γ设计25组数据，作为训练样本；步骤2.2，对待优化参数涡轮叶片扇形孔倾斜角α，扇形孔侧向扩展角β，扇形孔前向扩展角γ进行随机组合，设计8组数据，作为测试样本；步骤2.3，对待优化参数进行归一化处理，其方法如下：式中：为归一化之后的数据，x为待优化参数实际值，xmax为待优化参数的最大值，xmin为待优化参数的最小值。4.根据权利要求2所述的涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：步骤3中的目标函数表述为：F(α,β,γ)＝λ1ηad,av+λ2Cd式中：λ1为涡轮叶片面平均冷却效率权重比；ηad,av为涡轮叶片面平均冷却效率；λ2为扇形孔流量系数权重比；Cd为扇形孔流量系数。5.根据权利要求1所述的涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：步骤4所述径向基神经网络表述如下：径向基神经网络分为三层：输入层，隐藏层，输出层，隐藏层第i个神经元节点中心的输入值表示为：Hi＝||X-Ci||式中：X＝(x1，x2，…，xk)为网络输入矢量，k表示网络输入的个数，xj表示第j个网络输入，j＝1,2,3...k；Ci＝(c1i，c2i，…，cki)为第i个神经元节点的中心，cji表示第j个网络输入2CN107194118A权利要求书2/3页的第i个神经元节点的中心；||*||表示欧式范数；隐藏层第j个神经元节点输出值表示为：式中：δ表示径向基神经网络扩展速度；输出层神经元的输出值表示为：式中：w＝(w1，w2，…，wn)为连接隐藏层和输出层的权值，n表示隐藏层的个数。6.根据权利要求1所述的涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法，其特征在于：步骤5所述的径向基神经网络预测目标函数值Fobj,pre和测试样本Fobj.test误差表述为：运用试错法，基于大范围扩展速度，得到径向基神经网络预测目标函数值Fobj,pre和测试样本Fobj.te