《表1 深度学习方法与CFD软件计算性能对比》
机器学习技术的引入可以有效改进通流优化过程,提高设计信息的利用率,改善优化的实用性和效率,同时数据驱动可以减少人在设计过程中的介入程度。本团队提出了一种双重卷积神经网络结构用来预测透平叶型流场及性能[53],直接构造具体叶型等结构的设计参数、变工况参数向流场、压力场、温度场的非线性映射,再利用卷积神经网络的图像分析能力,自动提取流场特征参数预测功率和效率,表1[53]给出了本方法与CFD计算软件分析能力的对比,可见训练好的双重卷积神经网络计算性能比传统方法提升了数个数量级,几乎可以达到即时分析和预测的程度。对于汽轮机通流的预测方法如图2,该方法扩展了传统机器学习-通流设计方法的功能,引入物理场重构网络克服了传统代理模型无法解释数据的缺点;将其作为代理模型用于优化算法中,无需进行CFD求解N-S方程,能够基于用户需求实现快速而精确的物理场重构以及性能分析,大幅提升设计过程的反馈速度,解决传统优化在效率和精度上的矛盾。
图表编号 | XD00216084400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.20 |
作者 | 谢永慧、刘天源、张荻 |
绘制单位 | 西安交通大学能源与动力工程学院、西安交通大学能源与动力工程学院、西安交通大学能源与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |