气浮空气循环机密封轴向气动力研究

针对传统空气循环机双侧高速转子端的轴向力理论经验公式精度偏低,数值计算耗时长的问题,建立包含双侧高速转子的窄缝间隙计算域几何模型,并通过试验校核了模型的准确性。对含双侧高速转子的窄缝间隙内部流场进行数值计算,探讨窄缝间隙对轴向气动力的作用规律,并对传统机械轴向气动力的计算公式进行修正,提出适用于气浮ACM轴向气动力计算公式。结果表明:提出的公式在压气机端的最小误差由原来的59%降低到13%,最大误差由原来的261%降低到75%,在涡轮端最小误差由原来的63%降低到2%,最大误差由原来的98%降低到8%,表明修正后轴向气动力公式减小了轴向力的计算误差,因此提出的公式更加适用于气浮空气循环机的轴向气动力计算。

基于深度学习的空气动压轴承涡轮冷却器起浮压力预测

为提高对空气动压轴承涡轮冷却器起浮压力预测的准确性,提出基于深度学习的空气动压轴承涡轮冷却器起浮压力预测方法。先构建空气动压轴承涡轮冷却器起浮的动力学模型,然后采用非线性接触力神经网络模型获取起浮压力数据集参数,以剪应力、流体力学和速度梯度参数融合分析方法建立起浮压力预测的约束指标参数分配集,构建空气动压轴承涡轮冷却器的承载力、刚度及动态刚度拟合模型,最后基于深度学习完成冷却器起浮压力预测过程指标参数的寻优,以此提升空气动压轴承涡轮冷却器起浮压力的准确预测。仿真测试结果证实,该方法对空气动压轴承涡轮冷却器起浮压力预测的可靠性较好,预测误差较低,迭代100次以后误差仅为0.01 kPa,优于对比方法,具有较大的应用价值,为实现对空气动压轴承涡轮冷却器的承载设计奠定理论和模型基础。