融合相似性原理的涡轮叶型流场预测方法研究

计算流体力学(CFD)方法是涡轮叶片等设计阶段性能评估的重要手段.然而,基于CFD的数值仿真方法通常比较耗时,难以满足涡轮叶型设计阶段快速迭代的需求.为实现快速性能评估并克服纯数据驱动预测模型泛化能力不足的问题,受到物理增强的机器学习思路的启发,将相似性原理与深度学习模型相结合,提出了一种泛化能力强的涡轮叶型流场预测新方法.以涡轮叶片表面等熵马赫数分布预测为例,提出采用相似性原理对叶型几何变量和气动参数进行归一化,进而在归一化参数空间构建训练样本集与深度学习预测模型,由此建立统一的流场预测模型,对几何尺寸、边界条件差异较大的叶型气动性能进行评估.在完成模型训练后,对归一化条件下不同工况/不同形状叶型的流场、真实环境下不同工况/不同尺寸叶型的流场以及GE-E3低压涡轮不同截面叶型的流场进行预测,结果表明预测结果的分布曲线与CFD评估结果吻合良好,平均相对误差在1.0%左右,由此验证了所提出的融合相似性原理的流场预测模型的精度与泛化能力.