Использование искусственного интеллекта для прогнозирования производительности осевых компрессоров и других турбомашин

Oct 06, 2023

Проектирование и анализ осевых компрессоров требует много времени и средств, поскольку традиционные подходы требуют множества итераций между этапом анализа цикла и окончательной геометрией. Современные циклы и компоненты часто доводятся до предела своих возможностей для достижения максимально возможной эффективности и минимального расхода топлива. Для достижения высокой эффективности и низкого потребления, особенно в современных газотурбинных двигателях, степень сжатия компрессоров высокого давления (КВД) постоянно увеличивается. Однако это приводит к более высоким относительным числам Маха на вершине несущего винта на первых ступенях HPC, что приводит к крутым характеристикам характеристик. Общая карта производительности осевого компрессора показана на рисунке 1.

Карты производительности отражают поведение компрессора и используются для согласования турбины компрессора и оценки запаса по срыву. Карты также позволяют сравнивать различные компрессоры, чтобы определить наиболее подходящую конструкцию для конкретного применения. На этих картах соотношение давлений обычно отображается в зависимости от скорректированного массового расхода и скорости вращения. Карта имеет левый предел, называемый линией выброса, и правый предел, называемый дроссельной линией. Компрессор может предсказуемо работать в этих пределах.

Эти карты создаются посредством физических экспериментов, в ходе которых ранние прототипы или окончательные конструкции компрессоров интегрируются в испытательный стенд с несколькими датчиками давления, массовыми расходомерами, дросселями и еще несколькими единицами испытательного оборудования. Это дорого, поэтому желательно, чтобы количество проводимых тестов было небольшим. Кроме того, компрессор может пройти линию помпажа, если оператор чрезмерно дросселирует массовый расход. Это может привести к взрывному разряду на входе и серьезному повреждению. Таким образом, по мере постоянного совершенствования компьютерных технологий методы вычислительной гидродинамики (CFD) используются все шире и заменяют дорогие испытательные стенды, особенно на ранних стадиях процесса проектирования. Использование CFD дает преимущества, но не лишено недостатков. Инженер может автоматизировать процесс запуска нескольких рабочих точек; однако процесс по-прежнему медленный, и для получения точных результатов требуется мелкая сетка.

Карты производительности, необходимые для анализа полного цикла в различных условиях эксплуатации, действительны только для фиксированной геометрии. Это приводит к интересной задаче. Как упоминалось выше, тенденция к более высоким степеням давления сопровождается более крутыми скоростными линиями. Это сужает рабочий диапазон компрессора, что нежелательно. Чтобы улучшить ситуацию, на первых нескольких ступенях используются регулируемые направляющие аппараты (ВГВ). Металлический угол этих лопастей можно регулировать в соответствии с текущей рабочей точкой, что позволяет расширить рабочий диапазон. Несмотря на то, что они полезны для окончательной реализации, конструкция таких компрессоров еще более сложна. Как уже упоминалось, карты действительны только для фиксированной геометрии. Это означает, что для использования VGV необходимо создать карты для различных потенциальных положений лопастей под разными углами или создать только несколько карт с разными углами лопастей и применить методы интерполяции. Это вносит неточности из-за интерполяции.

Итак, как можно улучшить процесс, чтобы сэкономить время и ускорить процедуру проектирования? Возможно ли дальнейшее улучшение? Ответ: да. Компании сейчас изучают искусственный интеллект (ИИ). Алгоритмы искусственного интеллекта в последние годы использовались для решения самых разных задач и набирают популярность благодаря гибкости и высокой точности, которые они могут обеспечить. Типичным примером являются сервисные чат-боты, которые отвечают на вопросы, а также учатся находить более качественные и точные ответы в ходе взаимодействия. Тот же принцип можно использовать при проектировании компрессоров, а также при проектировании других турбомашин, таких как насосы и турбины.

Определенные характеристики можно предсказать на основе набора данных, которые служат обучающими данными для модели ИИ. Сюда входят карты производительности. В качестве входных данных могут использоваться геометрические значения, такие как диаметр впускного отверстия, углы лопаток или значения расчетных точек, такие как степень сжатия или расчетный массовый расход, а выходными данными могут быть полные карты производительности или начальная геометрия компрессора. Все это будет решать создатель модели, который определит точные входные и выходные данные. Данные обучения могут состоять из новых данных, созданных исключительно для обучения модели ИИ, или существующей информации, накопленной за время работы компании. Новые данные также могут быть добавлены к существующему алгоритму искусственного интеллекта, что поможет повысить точность результатов. Существует высокая степень гибкости задач, которая используется для решения различных проблем или требований, которые могут возникнуть у инженера.