基于神经网络的尾流激励的叶片气动力降阶模型

发布时间：2022-02-20 14:17

　　现代航空发动机设计日益向着高推重比、高效率、高可靠性和低油耗的目标发展,为满足其发展需求,压气机的叶片也变得更轻薄,轴向长度不断减小,结构也变得更紧凑,使得发动机内部的上下游相互干涉作用更强烈。航空发动机中,上下游叶片之间高速的相对旋转,使得下游叶片在上游叶栅尾流、激波等周期扰动作用下发生气动弹性振动,这是导致叶片发生疲劳破坏的重要因素之一,严重威胁着发动机的安全性和可靠性。高性能数值模拟方法是研究发动机内部尾流激励下的叶片气动弹性振动可信度最高的方法,但其计算耗时久、耗费大。随着神经网络在气动弹性领域应用的不断深化,本文建立了基于神经网络的尾流激励的叶片气动力降阶模型,为研究上下游干涉作用中的下游叶片气动弹性振动提供了快速计算方法。本文首先基于BP神经网络建立了尾流激励下的叶片气动力降阶模型,利用带输入延迟的BP神经网络进行训练建模,并对不同振幅的随机尾流激励下的叶片气动力进行预测,与CFD计算结果进行对比。分析结果得出:采用随机尾流激励训练得到的带输入延迟的BP神经网络气动力降阶模型,能够较好地预测不同振幅的随机尾流激励下的叶片气动力响应,但模型的预测能力和泛化能力具有局限性。随后... 

【文章来源】：中北大学山西省

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1. 绪论
    1.1 研究目的及意义
    1.2 国内外相关领域的研究现状
        1.2.1 叶片气动弹性问题的研究现状
        1.2.2 降阶模型研究现状
    1.3 论文的主要研究内容及安排
2. 基于BP神经网络的尾流激励叶片气动力降阶模型
    2.1 引言
    2.2 BP神经网络模型
    2.3 基于BP神经网络的气动力降阶模型
    2.4 基于BP神经网络的尾流激励叶片气动力降阶模型算例分析
    2.5 本章小结
3. 基于NARX神经网络的尾流激励叶片气动力降阶模型
    3.1 引言
    3.2 NARX神经网络模型
    3.3 基于NARX神经网络的气动力降阶模型
    3.4 基于NARX神经网络的气动力降阶模型算例分析
        3.4.1 周期尾流激励算例
        3.4.2 简谐尾流激励算例
    3.5 本章小结
4. 基于RBF神经网络的尾流激励叶片气动力降阶模型
    4.1 引言
    4.2 RBF神经网络模型
    4.3 带输入延迟的RBF神经网络模型
    4.4 递归RBF神经网络模型
        4.4.1 周期尾流激励算例
        4.4.2 简谐尾流激励算例
    4.5 本章小结
5. 基于神经网络的尾流激励叶片气动力降阶模型比较
    5.1 神经网络的气动力降阶模型比较
        5.1.1 周期尾流激励算例
        5.1.2 简谐尾流激励算例
    5.2 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的论文及所取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于谐波平衡法的尾流激励叶片气动力降阶模型的计算精度研究[J]. 张新燕,罗骁,张珺,原梅妮,李立州.  兵器装备工程学报. 2020(04)
[2]基于谐波平衡法的尾流激励的叶片振动降阶模型方法[J]. 罗骁,张新燕,张珺,李立州,杨明磊,原梅妮.  应用数学和力学. 2018(08)
[3]流速对尾流激励的叶片气动力降阶模型的影响[J]. 李立州,张新燕,张曙娟,杨明磊,罗骁,原梅妮.  科学技术与工程. 2018(18)
[4]尾流激励的叶片气动力降阶模型[J]. 罗骁,李立州,杨明磊,张珺,原梅妮.  燃气轮机技术. 2018(02)
[5]尾流激励的叶片气动力降阶模型[J]. 李立州,杨明磊,张珺,罗骁,原梅妮.  计算力学学报. 2018(03)
[6]动静叶干涉中背压扰动叶栅气动力的降阶模型[J]. 杨明磊,李立州,张珺,罗骁.  科学技术与工程. 2018(10)
[7]一种高泛化能力的神经网络气动力降阶模型[J]. 尹明朗,寇家庆,张伟伟.  空气动力学学报. 2017(02)
[8]基于神经网络的非定常气动力建模研究[J]. 张瑞民,张石玉,赵俊波.  计算机仿真. 2017(02)
[9]基于NARX神经网络航空发动机参数动态辨识模型[J]. 耿宏,任道先,杜鹏.  计算机工程与应用. 2017(12)
[10]基于分层思路的动态非线性气动力建模方法[J]. 寇家庆,张伟伟,叶正寅.  航空学报. 2015(12)

硕士论文
[1]基于降阶模型的尾流激励下的叶片气动弹性快速分析方法[D]. 罗骁.中北大学 2019
[2]背势流激励叶片的气动力响应降阶模型研究[D]. 杨明磊.中北大学 2018



本文编号：3635219