基于CFD数据驱动的深度学习模型在压气机叶型性能预测中的应用
基于深度学习的方法建立了一种压气机叶型在非设计工况下的损失和落后角预测流程。以NACA65系列叶型为例,首先通过拉丁超立方采样建立一种综合考虑叶型设计变量和来流工况的定制叶型生成方法,共计15500组工况,将对应来流工况下的叶栅算例进行了2维仿真计算,将计算得到的损失和落后角数据进行数据分析和数据处理后,将处理过的数据与相对应的设计变量映射提供给神经网络进行训练,最终得到叶栅的损失和落后角模型,总压损失系数和落后角平均绝对误差分别为0.0012和0.18°并与传统的非设计损失和落后角经验模型进行了对比验证。结果显示:基于深度学习的可以准确预测在非设计工况下的损失与落后角,对比经验模型预测结果具有更高的准确度,该代理模型可用于压气机气动设计。