进气畸变下风扇叶型多目标优化（英文）

BLI(Boundary Layer Ingestion)推进系统能显著降低飞机耗油率,但会随之带来风扇进气畸变问题,并严重影响其气动性能。为降低进气畸变条件下风扇叶型的损失并提高其抗畸变能力,选取某可控扩散叶型CDA(controlled diffusion airfoil)为研究对象,以最小化叶型损失和损失对攻角的敏感性为优化目标,通过多目标遗传算法MOGA(Multi-objective genetic algorithm)结合BP(Back-Propagation)神经网络对叶型进行多目标优化。经过优化,得到了在进气畸变条件下有较好气动性能的风扇叶型。与初始叶型相比,叶型在正攻角下的损失显著降低,同时其损失对攻角的敏感性降低了32%,低总压损失范围拓宽了21%。

基于物理嵌入神经网络的叶栅损失模型

为解决传统的叶栅损失经验模型在构建过程中对于强非线性函数关系总结能力不足,导致其适用局限性、可修正性不好等问题。在一般端到端人工神经网络的基础上,进一步发展了物理嵌入神经网络方法,通过将叶栅表面压力分布引入神经网络建立叶栅损失模型,对叶栅压力分布和性能进行预测。经验证,相对于经验模型,端到端神经网络模型总体损失预测误差降低22.3%,物理嵌入神经网络模型总体损失预测误差下降37.9%。

基于数据驱动的复杂进气下风扇转子叶根损失模型

发展了一种基于数据驱动的复杂进气下风扇转子叶根损失预测方法。提取了影响风扇转子叶根损失的关键气动参数作为输入变量,熵损失系数作为输出参数;采用计算耗时小的单叶片通道定常模型,通过给定不同边界条件并进行组合来构建样本数据库,使得数据库中样本点尽可能覆盖更广的复杂进气工况;采用径向基神经网络训练并构建输入变量与输出参数之间的映射,实现叶根损失的快速预测。计算结果表明:该损失模型能够准确捕捉叶根损失的径向分布趋势,并且相比于传统损失模型能够大幅提升预测精度。在不同流量、进气旋流以及畸变强度工况下,叶根流动损失平均预测误差基本小于10%。

风车状态下转子性能及通道内流动分析

为探究低展弦比压气机转子在风车状态下由压气机模式向涡轮模式转化过程中性能、内部流场结构以及气动损失的演化过程,提出了一种基于叶片和流体间能量传递的简化数值计算方法,以获得某转速下的风车状态临界流量点。在数值模拟的基础上,重点对比了同一转速线上压气机工况点(小流量工况)、风车临界点和涡轮工况点下叶尖泄漏损失的演化机制,同时探究了叶片通道内流动分离的演化过程。结果显示,随着转速的增加,转子风车状态临界流量呈现近似线性的变化趋势。而同转速下随流量增大,叶尖泄漏流从吸力面流向压力面,并与压力面上的低能量流体进行掺混,造成了流动堵塞。同时,从压气机模式转向涡轮模式的过程中,叶尖区域的流动分离从吸力面分离转变为压力面分离,随后分离强度和尺寸逐渐增大,造成的气动损失显著增加;而在轮毂区域,流动分离始终保持吸力面分离,其分离尺度沿径向有所发展。

局部端前掠对跨音悬臂静子气动性能影响研究

探究了局部端前掠对跨音悬臂静子气动性能的影响。一方面,局部端前掠可以减小悬臂静子轮毂端吸力面上跨音区的峰值马赫数,减小激波损失;另一方面,局部端前掠可以减小悬臂静子轮毂端的峰值负荷,使得负荷沿弦长方向重新分布,减小泄漏损失。同时,把局部端前掠技术应用于一台工业用多级轴流压气机中的跨音悬臂静子,在保持总压比和稳定工作范围的前提下使得多级压气机绝热效率提高近0.85%。