首页/文章/ 详情

燃烧丨606所&北航:航空发动机燃烧试验数字化与智能化发展分析

8小时前浏览8

数字化转型是发动机燃烧试验发展的明确方向,其将在试验能力提升、台架健康管理、数据分析挖掘以及全流程业务管理方面发挥关键作用。其中,多层级、多专业、跨领域复杂系统建模,基于物理信息神经网络的燃烧室建模,以及集成化的数字试验平台建设是未来研究的重点。

航空发动机作为技术密集型产品,机理复杂、可靠性要求高、研制难度大,在其探索研制和成熟发展的整个过程中,试验验证始终发挥着至关重要的作用。未来发动机产品指标不断攀升、整体方案愈加复杂、研制周期不断缩短,对试验与测试能力提出了更高的要求。其中,作为发动机试验体系中周期长、耗费大、风险高的典型科目,燃烧试验尤其面临着严峻的技术和能力挑战。同时,以数字孪生、虚拟/增强/混合现实、人工智能、云边协同、大数据、高精度建模仿真等为代表的数字化技术不断发展成熟,并作为第四次工业革命的核心驱动要素在各领域得到快速应用。引入数字化、智能化技术,构建物理试验与虚拟试验相互支撑的体系格局,有望成为解决目前航空发动机试验验证系列难题的有效途径,近年来也得到试验工程师们越来越多的关注。

1

数字化技术在发动机试验领域的应用进展

美国国防部自2015年起开展数字工程论证与路线制定研究工作,并于2018年正式发布《数字工程战略》。数字工程是系统工程的数字化演变,以权威的模型源和数据源为基础,通过数字主线进行跨阶段、跨学科、跨领域的集成与传递,实现产品从概念开发到报废处置全生命周期内的工程实践数字化,其主体技术包括数字系统模型、数字主线和数字孪生。近年来,数字化转型已成为美国工业部门和发动机相关研究机构的优先发展战略之一。GE航空航天公司使用超级计算机Frontier进行可持续发动机革命性验证(RISE)项目开式转子发动机的仿真试验,获取全尺寸开式转子的气流运动特性,利用该平台可对新发动机在飞行试验状态下的性能和噪声水平进行评估。此外,GE航空航天公司还在GE9X发动机研发过程中引入新的测试理念和验证流程,基于Predix工业云平台为14台发动机创建数字孪生体,可获取给定测试环境或飞行周期内发动机各部件的变化及具体影响。

图片  

美国数字工程生态系统

俄罗斯于2021年发布了首个产品数字孪生标准,即《航空发动机及地面燃气轮机数字孪生通用标准》,并给出了产品数字模型、虚拟试验与虚拟试验台等概念的定义。2019年,俄罗斯克里莫夫公司基于TV7-117ST-01发动机数字孪生项目,使用CML-BenchTM数字平台为新的设计范例生成数据阵列,并开发出一系列与鉴定系统集成一体的仿真试车台和试验场,可实现对发动机方案的全天候自动化测试验证及结果分析,从而支撑设计决策。2023年,俄罗斯联合发动机制造集团(UEC)土星科研生产联合体宣布完成舰用燃气轮机数字技术开发项目,该项目开发了6款软件、380多个燃气轮机系统和单元数学模型,进行了2000余次虚拟测试,相应成果可大幅减少后续新产品研发的时间和成本。此外,土星科研生产联合体依托PD-8航空发动机项目推进实施创新数字认证策略,通过数字测试确认PD-8发动机在各种气候条件下的性能,并评估其在吸入异物时的可靠性和安全性,通过提交相应虚拟测试结果加速其认证过程。2024年5月,UEC彼尔姆航空发动机公司成功将人工智能技术运用到发动机风扇叶片试验中,采用智能视觉方法对风扇工作叶片双锁结构元件的静强度试验和循环寿命试验结果进行分析,并建立神经网络模型,通过试验图像结果确定发动机叶片的振型,有效节省了人工成本。


在其他欧洲国家,法国武器装备总署(DGA)与虚拟样机开发商ESI公司合作开发了发动机虚拟试验平台SIMATMOS,可实现对虚拟发动机在真实飞行条件下的运行情况和性能进行预测,同时,通过对物理试验平台的虚拟化也可以支撑对平台本身的性能预测,实现智能化维护以及智能培训。2021年,英国罗罗公司历时3年建成全球最大的发动机智能试车台——80号台,为“超扇”(UltraFan)发动机研发提供服务。80号台具备高度的自动化、可视化、集成性和可扩展性,同时内嵌强大的数据采集系统,涵盖1万余个发动机参数,样本采集速率达每秒20万个,且数据可实时传输至云端。在云端,罗罗公司的工程师可综合利用设计、试验和实时运行数据,通过虚拟数字孪生平台对物理试验无法实现的运行场景进行模拟仿真,实现性能预测。


相较于上述国家,我国航空发动机试验领域在自动化、信息化和数字化方面起步较晚,整体尚处于夯实基础、探索实践阶段。其中,吴峰对发动机高空台虚拟试验的关键技术难点进行了梳理,对高空台试验数字化转型的总体思路进行了规划;蔡衍对多型整机台的自动化试车实践进展开展梳理,并对智能化试车的后续发展方向进行了展望;张志博对数字孪生技术应用于压气机的方法路径和关键技术进行了探讨,提出未来压气机试验虚实结合的总体框架。虽然研究对象和技术路径各有差异,但学者们的结论基本一致,即试验领域的数字化转型是缩短研制周期、降低试验成本、大幅度提升试验效能的关键途径,数字化、智能化技术的应用必将带来发动机试验验证体系的整体革新。

2

发动机燃烧试验的难点与挑战

随着航空发动机研制的不断深入,燃烧试验指标要求愈加严苛,工艺复杂性与试验成本成倍增加,传统燃烧试验面临前所未有的难题,主要体现在以下3个方面。


第一,产品研制需求与试验能力不足之间的矛盾。未来发动机推力、涡轮前温度等指标的不断提升,对燃烧试验台架的指标要求越来越高。而受工业加温能力、综合热防护技术等的制约,试验台能力边界有限,无法满足更高进口温度、压力条件以及更准确流场模拟等的要求。同时,国内燃烧台架的自动化水平普遍偏低、测试能力不足,难以支撑复杂燃烧设计方案对测试采集与控制功能的新需求,如过渡态规律精准调控、高时空分辨率信息获取、超高温测试等。此外,燃烧试验数据类型繁多、信息量大,数据管理、分析与价值挖掘也存在不足。


第二,低碳、高效发展带来的降本增效挑战。当前,燃烧室部件仍主要遵循“设计—验证—筛选—优化—再验证”的研制模式反复迭代,方案收敛周期长,虽然近年来在设计仿真能力方面有较大进步,但物理试验需求仍旧广泛。此外,燃烧试验外部供给能力需求大,热端部件及工装加工成本高,产品验证科目多,管理对象与试验流程复杂,一系列因素奠定了燃烧试验高能耗、高成本的典型特征。在低碳发展的整体趋势下,燃烧试验的效能提升变得尤为迫切。


第三,燃烧试验可靠性和设备运维的难点问题。燃烧试验台架系统构成复杂,试验特有的高温、高压、高热负荷、强振动环境带来严苛的安全性、可靠性考验;新型燃烧方案带来试验模拟指标和工艺复杂性的提升,同时产品长航时考核验证的需求凸显,而试验方案评估手段的缺失、试验过程即时监控与告警功能的不足,以及对人员技能经验严重依赖的现状等进一步加剧试验故障的发生概率。


借鉴数字化技术在复杂工程和试验领域的应用经验,以发动机燃烧试验自动化、信息化水平提升为基础,积极引入虚拟与物理试验相结合、相补充的体系模式,逐步实现试验全周期、全业务领域的数字化转型,有望使得上述一系列问题迎刃而解。

3

燃烧试验的典型数字业务场景

3.1 虚实结合拓展燃烧试验验证能力

基于数字孪生技术,构建燃烧试验台、试验件、测试设备以及试验流程等的数字化模型,形成对物理试验系统的数字虚拟环境映射,具备开展虚拟燃烧试验、进行设计方案验证和性能预测的功能。同时,以数据为桥梁,结合全域数据采集和信息化技术,实现虚拟系统与物理系统的互联互通。通过实测与预测数据的对比分析,利用模型的自学习功能,进行燃烧试验件模型、设备模型等的迭代完善,不断提高模型的可靠性与泛化能力,提升虚拟试验的预测精度,实现由以虚仿实向以虚预实、以虚优实的成熟发展。


虚拟试验支持燃烧部件试验由传统的串行研制模式逐步向基于知识和模型的预测研制模式转变,可实现多个燃烧设计方案的快速比对筛选并提出优化方向,实现对物理试验的补充与部分替代,解决燃烧试验项目成本高、周期长的问题;同时,虚拟试验可以突破实物台架的能力局限,实现对超高温、超高压、超大进气流量等极端试验工况下的燃烧性能预测,摸边探底、拓展试验能力;针对复杂试验方案如燃烧振荡激励与抑制、过渡态调节、非均匀场测试布局等,可通过提前开展虚拟试验进行方案验证,并结合优化算法等完善方案,提高试验成功率;虚拟试验和物理试验的同步运行则可实现对试验件性能的实时预测,辅助试验过程智能决策,如燃烧室热区精准捕捉、试验件寿命预判、振荡预测及规避、超温烧蚀风险预警等。

3.2 设备智能运维提高试验效能

燃烧试验台通常包括进气及加温系统、多介质冷却系统、燃料供给系统等多组管网,包含大功率加温器、引射器、低温气波机等大型非标工业设备,控制逻辑复杂,通过提升设备的自动化基础能力并融入人工智能算法可实现对试验目标状态的智能化调节与控制,利用试验台数字孪生体可对试验流程、设备操作等进行仿真推演和自主寻优,结合人机交互技术还可以开展智能培训。


运用传感技术,辅以强大的实时数据采集和可视化监测功能,可支持对试验台全面深入的状态感知,对试验过程开展有效的监控和动态评估。针对燃烧试验多种典型故障模式,如密封失效、振动超限、超温、热烧蚀等情况,运用卷积神经网络、支持向量机等图像识别技术,结合大量的历史运行数据,通过智能学习形成故障模式库,在试验过程中即可对获取的监视图像、数据等进行判别,实现故障自主诊断和及时预警。此外,基于数字孪生试验台的健康管理系统,借助大数据、趋势变化分析、统计与概率型决策技术等,可开展试验设备的自动化检测、使用寿命评估、预防性维护策略及故障维修方案的制订,推动燃烧试验台向自诊断、自预测、自维护的方向发展,全面提升设备整体效能。

3.3 试验数据深度分析挖掘

燃烧试验数据种类庞杂,通常涵盖试验件属性参数、测试参数、试验台配置参数、实时运行参数、环境监测参数等在内的数千个不同类型的数据,且以非结构化和半结构化为主,具有多源、异构、多维、隐性关联等特征,同时产生的样本量巨大。利用信息化技术和专业的数据平台系统,可实现对燃烧试验数据的结构化存储、数据治理、分析和可视化展示,提升数据的实时高效流通、交互共享能力,支撑远程试验、远程指挥等功能。


燃烧试验关注的核心对象是燃烧室试验件内部的燃烧化学反应,其中包含极为复杂的气流扰动、燃油雾化、多相掺混、燃烧释热、传热传质、压力 / 速度脉动、燃烧不稳定过程,其数据结果分析通常需要深厚的专业基础与工程经验。近年来,得益于光学诊断、热声测试等先进测试技术的发展应用,试验所获取的信息量呈指数增长,随之而来的急迫需求就是对数据信息的进一步解读,而这些工作通常需要专业技术人员付出大量的时间和精力。利用图像特征提取、统计分析以及深度学习智能算法等技术,可以开展对燃烧试验数据的进一步分析挖掘,发现不同结构、不同尺度间数据的隐性关系,如热声不稳定与燃烧组织结构之间的关联关系、火核迁移/涡团扰动等对点熄火边界的影响等,实现对燃烧机理更为深入的认识,为设计改进改型提供有力支持。此外,结合人工智能算法,还可以实现对试验数据的扩充、局部失效数据的修复,以及数据的趋势分析与预测,在燃烧试验领域具有广阔的应用前景。

3.4 试验全周期、全流程信息化管控

燃烧试验技术及管理的复杂度不断提升,同时项目周期不断压缩、成本控制愈加严格,数字化技术在项目全生命周期管理中的作用逐渐凸显。通过设计仿真系统、虚/实试验管理系统、设备运维系统、模型与数据库系统等多系统的连通和融合,可以实现燃烧设计需求与试验业务的紧密协同,提升试验整体策划的科学性与系统性;支持试验业务的标准化管理与实施,实现试验方案设计、流程组织、调度运行、过程操作、数据采集与分析、结果评估与优化,以及台架管理等全过程的网络化、可视化与智能化;促进模型与数据的进一步流通共享,支持需求与任务的结构化,实现试验方案、执行文件、结果报告等的自动化生成,减少重复劳动及人工投入。

4

燃烧试验数字化/智能化的关键与难点技术

4.1 大型试验台多层级、多专业、跨领域复杂系统建模

构建一个能够对试验台及试验环境进行有效映射的模型是开展虚拟试验及智能运维的前提基础。燃烧试验台涉及机械、电气、控制、气动、热等多个学科,系统、分系统、部件等不同层级,试验载体、测试、环境等不同领域,机理过程及演化规律复杂,直接的机理建模难度很大,往往构建的模型精度和置信度低、鲁棒性差,导致虚拟试验仿而不真、智能运维仅局限于效果演示。为形成能够满足虚拟试验的数字模型,需要围绕目标实体,从结构、逻辑到执行层面,采用多模型融合技术,实现复杂系统模型的全面集成与协同运行。使用基于Modelica语言等的系统建模工具,定义统一的接口和数据结构,对试验台各系统及部件的多专业多层级物理域属性与控制算法等信息域属性进行统一的模型化表达,构建各系统及部件之间的关联关系和演化规律,可实现大型复杂试验台的多系统联合仿真。进一步地,针对其中每个系统或部件模型,可根据机理是否明确、样本数据量是否充足等因素选择合适的建模方式,包括机理建模、辨识建模或混合建模等。实际工程应用中,复杂燃烧试验台的联合仿真建议以一维仿真为主,辅以局部系统或部件的三维高精度仿真或代理模型仿真,使得虚拟试验能够兼顾仿真精度、算力及实时性需求。此外,虚拟试验与物理试验之间、数学模型与物理实体之间均应保持良好的动态数据交互,通过充足的实时数据及时修正、优化模型,确保仿真精度。

图片  

燃烧试验数字化业务场景

4.2 基于物理信息神经网络的燃烧室试验件建模

燃烧室试验件中存在多尺度强耦合物理化学过程,因此试验件本身的建模也是虚拟试验的关键环节之一。近年来,以超大涡模拟为代表的高精度数值模拟方法,以及计算流体力学、燃烧学、传热学等多学科耦合仿真技术的发展为燃烧室仿真设计带来较大助力。但传统的燃烧室数值仿真动辄百万量级的计算网络规模、高性能计算需求,以及较长的计算时间使得其难以应用到虚拟试验之中,需对模型降阶或轻量化处理,实现虚拟试验在线预测和多方案同步快速仿真等功能。此外,试验件模型应具备较好的动态更新能力和鲁棒性,以满足对不同试验对象以及同一试验对象多种优化方案的模拟。考虑发动机燃烧室多物理场耦合的复杂特征,采用物理信息神经网络(PINN)方法构建试验件模型是可行的技术途径之一。PINN是一种深度学习算法,它将建模对象内在的物理规则嵌入到机器学习中,把物理原理作为神经网络模型训练的先验知识,提供强有力的理论约束,从而有效提高模型的训练速度、预测准确性以及泛化能力。PINN将数据驱动与物理机理进行了有机融合,在燃烧试验测试数据相对稀缺且昂贵的实际条件下,仅依靠少量数据即可实现模型的学习优化,实现对燃烧室综合性能的快速准确预测。

4.3 燃烧试验数字化平台建设

燃烧试验数字化与智能化转型的落地实施需要依托统一、规范、集成的数字试验平台。平台应融合先进信息化技术、数字化技术、项目管理和知识工程技术,其基础层需提供足够强大的数据采集、存储、传输及交互等功能,充分利用云计算、边缘计算等技术实现资源整合,开展数据的实时计算、预处理,满足虚拟仿真运行及提供相应的网络环境、服务环境等;资源层以数据中心、模型库为核心,基于统一的标准和访问接口,实现多元数据的归集与共享、模型的构建与调用等;算法层除包括与燃烧设计、试验以及设备建设领域相关的专业求解器外,还需融入数据分析挖掘、机器学习与模型训练、智能决策算法等,为试验数字化赋能;功能层、应用层需结合燃烧试验数字化各场景的专业需求进行定制开发,包括虚拟燃烧试验、模型管理、数据管理、智能运维管理、综合业务管理、知识管理等系统功能,实现对燃烧试验全流程和全业务域的数字化和智能化支持。

5

结束语

基于数实结合的智能化燃烧试验验证是突破工程实际瓶颈问题,提升试验整体能力并实现该领域高质量、高效率发展的有效途径。燃烧试验对数字化的需求已迫在眉睫,当下应进一步深入开展燃烧试验数字化建设的关键技术和具体实施路径研究,加强学科之间的融合,以及相应人才队伍的建设,提前开展技术储备与攻关,加速数字化技术的成熟应用。

声明: 本文来源于网络, 仅供交流分享, 若涉及版权等问题请留言, 我们会及时处理


来源:两机动力先行
振动燃烧化学光学通用航空航天云计算理论多尺度知识工程数字孪生人工智能Modelica
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-10-28
最近编辑:8小时前
两机动力先行
其它 聚焦航空发动机/燃气轮机关键技术...
获赞 99粉丝 121文章 412课程 0
点赞
收藏
作者推荐

两机叶片丨南航:航空发动机风扇叶片鸟撞最危险工况及损伤评估方法

通过建立航空发动机风扇叶片鸟撞过程的数学模型,本文提出了一种量化风扇叶片鸟撞损伤的分析方法。基于鸟撞过程的动能和叶片抗鸟撞关键结构参数,定义了鸟撞等效应力反映风扇叶片鸟撞损伤程度和叶片抗鸟撞能力。对发动机真实风扇叶片在不同工况下的鸟撞损伤进行了系统分析,明确了不同发动机状态下风扇叶片鸟撞的最危险工况。研究表明,风扇转速、飞机飞行速度、撞击位置以及叶片前缘角和前缘厚度共同影响风扇叶片的鸟撞损伤;不同工况下的最危险撞击位置可能不同,鸟体质量的改变不会影响最危险撞击位置。鸟撞等效应力可快速分析风扇叶片抗鸟撞能力并确定最危险工况,为设计优化阶段的评估和试验考核方案的选取提供高效分析手段。关键词:航空发动机;风扇叶片;鸟撞;最危险工况;损伤评估;数学模型航空发动机在飞机起飞或降落过程中常面临鸟类撞击的威胁。由于发动机转速高、飞机飞行速度快,鸟类的撞击不仅影响发动机性能,甚至可能引发严重的飞行安全事故。因此,各国的民用和军用发动机适航规章和通用规范都制定了航空发动机整机吞鸟试验的规定。考虑到风扇叶片在鸟撞事件中的高风险性,研究风扇叶片鸟撞的最危险工况,掌握风扇叶片抗鸟撞关键结构参数、发动机状态、飞机飞行速度和撞击位置对风扇叶片损伤的影响规律,对于优化风扇叶片抗鸟撞能力和制定整机吞鸟试验方案有重要意义。随着仿真技术和试验方法的发展,国内外学者针对影响撞击结果的关键因素和预测撞击后风扇叶片损伤的方法开展了大量研究。例如,马力等通过计算鸟撞击风扇叶片不同位置的概率及仿真计算得到的塑性应变结果,确定叶尖为最易受损部位;罗刚等综合数值仿真结果,分析鸟速、风扇转速、撞击位置等关键参数对鸟撞数值模拟结果的影响,得到各个状态下的综合损伤参数;郭鹏等通过CT扫描构建更真实的鸟体模型,仿真分析了鸟类在不同姿态和撞击位置下对风扇叶片损伤的影响;刘志强等通过仿真分析撞击后的风扇叶片应力、应变和变形,依次分析了鸟撞事件中最危险撞击位置,最危险鸟速和最危险风扇转速;汪松柏等通过光滑粒子流体动力学(SPH)方法以及LS-Dyna显式动力学软件分析,指出增加前缘厚度可以提升叶片的抗撞击性能。张海洋等通过仿真和试验研究了风扇叶片的鸟撞过程及损伤模式,指出风扇叶片的撞击薄弱部位为前缘和凸肩工作面;刘璐璐等研究了三维编织复合材料风扇叶片的损伤机理,通过仿真和试验发现鸟体撞击70%叶高时,叶片产生了最大弯曲角度,其次是撞击90%叶高。上述研究工作极大推动了对鸟撞过程的物理本质理解,但工程中尤为关注鸟撞带来的损伤评价和危险工况确认的问题。由于仿真设置和初始条件的不同,导致损伤评价指标如有效塑型应变、塑性应变区域和最大等效应力存在差异,因此,有学者建立了简洁普适的数学模型描述风扇叶片鸟撞过程及叶片损伤。例如张闻东运用弹丸非理想撞击模型研究了风扇叶片受撞击损伤机理,分析风扇叶片鸟撞受力和能量的传递关系;张海洋等基于经典叶栅切割模型,建立了一种风扇叶片鸟撞的理论分析方法,将鸟撞类型分为鸟速相对发动机转速较大、较小和相近的三种情况,指出叶片前缘角是影响抗鸟撞能力的关键结构参数;刘洋等通过鸟撞部件试验得到小样本数据和动载荷计算数学模型,建立损伤预测响应面,预测和量化在可接受安全范围内的叶片损伤及趋势。上述分析方法存在风扇叶片结构特征与鸟撞损伤评价关联弱,分析方法复杂不适用于工程运用的不足。本文提出了一种基于能量分析的评估方法,旨在进一步明确风扇叶片鸟撞的最危险工况,快速分析并量化风扇叶片鸟撞损伤程度。通过真实风扇部件的鸟撞仿真分析,验证理论分析结果的准确性和可靠性。本文研究内容可为航空发动机风扇叶片抗鸟撞能力的设计优化和试验方案的选取提供快速评估工具和理论参考依据。1风扇叶片鸟撞模型及危险速度分析本文针对发动机风扇转速相对飞机飞行速度较大,鸟体飞向叶片盆侧压力面,并与叶片前缘发生碰撞的情形。通过分析鸟体与风扇叶片发生撞击时的动能,假定叶片为刚体,结合物理和几何关系,建立了风扇叶片鸟撞数学模型。由于鸟体与叶片之间的摩擦力远小于撞击力,因此在分析过程中忽略了叶片与鸟体之间的摩擦力。1.1 风扇叶片鸟撞事件的数学建模如图1所示,风扇叶片以角速度ω绕发动机中心轴线x轴顺时针旋转。由于鸟类飞行速度远小于飞机飞行速度,通常忽略鸟的飞行速度,将飞机飞行速度作为撞击过程中鸟体与飞机的相对速度。因此,鸟体以相对飞机飞行速度v沿发动机轴向被吸入,与风扇叶片发生撞击,撞击位置位于沿发动机轴线转动半径r处,该位置叶片的线速度为vb=ωr,叶片前缘与x轴的夹角(叶片前缘角)为α。如图2所示,将鸟体相对飞机的飞行速度v和撞击位置的叶片线速度vb分解至vb该位置叶盆面的法向和切向(x'y'坐标系),分解至叶盆面法向的速度分量差即为鸟体与叶片的相对撞击速度vc=vbn-vn。 图1 风扇叶片鸟撞理论分析模型 图2 鸟体与风扇叶片相对撞击速度被叶片切割分开的鸟体与风扇叶片撞击的能量表达式如下: 从式(1)可以看出,撞击能Ec的大小不仅取决于鸟体与风扇叶片的相对撞击速度vc,还取决于与叶片发生撞击的鸟体质量mc。由于转子转速、鸟的大小和叶片疏密的不同,鸟与风扇叶片撞击的最大质量也不相同。鸟体模型是长径比(长度l与直径d的比值)2:1建立的圆柱体。如图3所示,鸟撞事件中可能的最大撞击质量是当鸟体进入风扇旋转区域时(t₀时刻),刚好擦过1号叶片前缘叶背面,鸟体继续沿发动机轴向飞行,2号叶片与鸟体发生撞击的对应质量(t₁时刻)。最大撞击质量为鸟体进入风扇旋转区域长度为l₁的部分。 图3 可能最大撞击质量将可能撞击的最大鸟体质量式(3)和鸟体与风扇叶片的相对撞击速度式(2)代入撞击能表达式(1)中,可得到式(4): 1.2 最危险飞行速度分析通过式(4)可知撞击能Ec是关于飞机飞行速度v的三次函数,以飞机飞行速度v为函数变量,其他参数为常数,存在撞击能Ec关于飞机飞行速度v的极值问题,将撞击能Ec表达为三次函数如下: 各参数具有实际物理意义为正值,除叶根部分位置叶片前缘角小于0°,其他位置叶片前缘角小于90°大于0°,sin⁡α和cosα位于第一象限其值为正,可判断a>0,b<0,c>0。对一元三次函数进行图像性质分析可知此时函数图像如图4所示,可以看出飞机飞行速度v在(0,v2)区间内撞击能Ec存在极大值,此时飞机飞行速度v₁为最危险飞行速度。在鸟撞位置r不变的情况下,最危险飞行速度v₁只与风扇转速ω有关,与鸟的质量和大小无关。根据三次函数性质,最危险飞行速度v₁和最危险飞行速度区间终点v₂的表达式如下: 图4 撞击能与飞机速度函数图像需要说明的是,本文分析时假定了叶片为刚体,在撞击过程中不会产生开口、卷曲和变形。然而实际鸟撞事件中,风扇叶片在受到鸟类撞击后会发生变形,其前缘角α也会随之减小。从式(10)和式(11)可以看出,前缘角α的减小会导致最危险飞行速度v₁和其区间终点v₂增大。下面通过飞机飞行速度v与撞击能Ec的一元三次函数性质进行最危险速度分析。现代风扇设计中常用的叶尖切线速度范围为250m/s~500m/s,易发生鸟撞事件的飞机飞行速度范围为100m/s~300m/s,假定受鸟撞前叶尖前缘角α为50°,而在鸟撞过程中叶尖变形,前缘角α减小至20°。根据式(10)可以得到考虑鸟撞叶片变形前后的最危险飞行速度v₁,结果如表1所示。可以看出,鸟撞导致叶片变形使得最危险飞行速度v₁增大,且大概率超过了飞机的实际飞行速度。考虑鸟撞过程中叶片的变形后,表现出在飞机实际飞行速度内,飞行速度越大,风扇叶片鸟撞损伤程度越严重的单调递增规律,这与工程经验和实际认识相符。 表1 考虑鸟撞叶片变形前后的最危险飞行速度2鸟撞等效应力的定义基于鸟撞事件中动能关系定义的撞击能只能反映鸟体与风扇叶片的撞击程度。要进一步描述并评估鸟撞事件中的最危险工况,还需通过叶片的抗鸟撞关键结构参数,将撞击能与风扇叶片的结构损伤相关联。本文通过引入叶片前缘厚度q,类比应力定义鸟撞等效应力C来描述风扇叶片受鸟撞的损伤程度。通过量纲分析,将撞击能Ec(量纲:N·m)与撞击处叶片前缘厚度q的三次方(量纲:m3)的比值定义为鸟撞等效应力(量纲:N/m2),表达式如下: 通过鸟撞等效应力的大小,可以量化风扇叶片在鸟撞事件中的损伤程度。对于采用相同材料的叶片而言,鸟撞等效应力越大,叶片在鸟撞后产生的变形就越显著,从而可能导致更严重的危害影响。利用鸟撞等效应力可以快速评估不同工况下风扇叶片的鸟撞损伤程度及其最危险工况;在相同工况条件下,鸟撞等效应力的相反数可作为叶片抗鸟撞刚度的量化指标,以定量评估不同叶型的抗鸟撞能力。因此,鸟撞等效应力可为风扇叶片设计阶段的抗鸟撞能力优化以及试验阶段的考核方案制定提供高效的分析工具和理论依据。为描述真实叶片任一高度的前缘角α和前缘厚度q,需要获取叶片各特征截面的叶型参数。通过已知的叶型特征截面参数:前缘角θ和前缘厚度χ,对任一高度的叶片前缘角α和前缘厚度q进行一次多项式插值拟合。得到任一高度的叶片前缘角表达式如下: 通常越靠近叶尖叶片的前缘角α越大,越靠近叶根叶片的前缘厚度q越大。将任一高度的叶片前缘角式(13)和前缘厚度式(14)带入式(12),得到考虑叶型结构参数的鸟撞等效应力表达式如下: 3风扇叶片鸟撞最危险工况及损伤评估风扇叶片鸟撞仿真分析方法的准确性已得到充分验证,本文通过数值仿真结果来验证鸟撞等效应力的有效性。采用LS-Dyna软件建立真实风扇叶片鸟撞的显式动力学模型,风扇叶片材料模型通过动态力学试验进行标定,仿真结果与整机吞鸟试验吻合较好。基于这些验证和试验,对各工况下的鸟撞损伤进行了仿真分析。其中,鸟体质量为350g,模型为长径比2:1的圆柱体,采用SPH方法建模;风扇叶片采用六面体实体单元,风扇叶片材料TC6采用经过标定的Johnson-Cook本构模型。根据GJB 241A-2010选取可能发生鸟撞的发动机状态A、B、C进行分析评估,并对可能发生鸟撞的低空突防状态D进行分析,各状态下参数如表2所示。 表2 各状态下发动机风扇转速及飞机飞行速度如图5所示,通过计算不同状态下不同撞击位置对应的鸟撞等效应力,确定了各工况下的最危险撞击位置。计算结果表明,A和C状态在撞击81%叶高处的鸟撞等效应力最大,最危险撞击位置为81%叶高处;B状态在撞击75%叶高处的鸟撞等效应力最大,最危险撞击位置为75%叶高处;D状态在撞击叶尖处的鸟撞等效应力最大,最危险撞击位置为叶尖。 图5 不同工况下的最危险撞击位置1) 最危险工况分析:在A、B、C、D状态下,350g鸟撞击80%叶高时的有效塑型应变云图如图6所示。从图中可以看出,撞击位置在80%叶高时,A状态的损伤最为严重,有5片叶片受损明显,其中4片叶片出现开口;C状态次之,有5片叶片受损明显,仅有2片叶片出现开口,且开口程度小于A状态;B状态有3片叶片受损,其中1片叶片出现开口;D状态有2片叶片受损,其中1片叶片出现凹坑。采用仿真与鸟撞等效应力分析不同工况下的鸟撞损伤程度,得到的结果一致。 图6 鸟撞80%叶高各状态下有效塑性应变云图2) 最危险撞击位置分析:在B状态下,350g鸟撞击80%、75%和70%叶高时的有效塑型应变云图如图7所示。从图中可以看出,B状态下,撞击75%叶高时的损伤最为严重,有4片叶片受损,其中2片叶片出现开口;撞击80%叶高时有3片叶片受损,其中1片叶片出现开口;鸟撞70%叶高时有3片叶片受损,其中1片叶片出现开口。采用仿真与鸟撞等效应力分析不同撞击位置的鸟撞损伤程度,得到的结果一致。 图7 状态B下不同撞击位置有效塑性应变云图3) 飞机飞行速度的影响分析:为研究不同飞机飞行速度对风扇叶片鸟撞损伤的影响,在A状态转速下350g鸟以80m/s,100m/s和120m/s的速度撞击80%叶高。表3展示了鸟撞等效应力及仿真过程中叶片与鸟之间的最大撞击力。结果表明,飞机飞行速度越快,叶片与鸟之间的最大撞击力也越大,撞击程度也更加剧烈。然而,鸟撞等效应力呈现出相反趋势。在相同或相近转速下,鸟撞等效应力未能正确反映风扇叶片的鸟撞损伤程度。但是,最大撞击力与叶片前缘厚度无关,因此在评价不同撞击位置的鸟撞损伤和不同叶型的抗鸟撞能力时,无法提供有效的指导。 表3 A状态下不同飞机飞行速度鸟撞损伤指标对比在A、B、C、D状态的转速下,飞机以100m/s的速度飞行,350g鸟撞击80%叶高时的鸟撞等效应力和有效塑性应变如表4所示。可以看出D状态鸟撞等效应力最大,A状态次之,B状态再次之,C状态最小;有效塑性应变为A状态最大,B状态次之,C状态再次之,D状态最小。仿真得到各状态下风扇叶片鸟撞后叶片开口的局部特写如图8所示。可以看出,D状态下鸟撞后叶片的开口程度最大,A状态次之,B状态再次之,C状态最小,与鸟撞等效应力分析得到的结果一致,与有效塑性应变的分析结果不符。由于有效塑性应变无法反映单元失效的多少,在叶片出现开口、掉块、断裂等情况时,有效塑性应变不能作为反映鸟撞损伤程度的量化指标。 表4 100m/s速度不同状态下鸟撞损伤指标对比 图8 鸟撞80%叶高各状态下叶片开口局部特写在根据能量和叶片抗鸟撞关键结构参数定义鸟撞等效应力的过程中,将叶片假设为刚体,该假设与实际情况不符。导致在分析飞机飞行速度对风扇叶片鸟撞损伤的影响时存在局限性。在风扇转速相同或相近的情况下,鸟撞等效应力未能正确反映不同飞行速度对叶片鸟撞损伤程度的影响;在分析不同发动机状态,风扇转速相差较大的情况下。由于叶片受鸟撞位置的线速度通常大于飞机飞行速度,风扇转速的作用比飞机飞行速度对鸟撞损伤程度的影响更大。因此,在分析易发生鸟撞事件的典型发动机状态下,鸟撞等效应力能正确反映风扇叶片鸟撞的最危险工况及其损伤程度。4)鸟体质量的影响分析:根据鸟撞等效应力的表达式(式(15)),在相同工况下,鸟体质量的变化不会改变风扇叶片鸟撞的最危险撞击位置。表5对比了A状态下100g、350g和1000g鸟撞击80%、70%和60%叶高的鸟撞等效应力和仿真得到的有效塑性应变。其中,100g、350g和1000g鸟撞击80%叶高的有效塑性应变云图如图9所示。从表5和图9可以看出,100g、350g和1000g鸟撞击80%叶高时产生的有效塑性应变最大;100g鸟撞击80%叶高时有4片叶片受损,其有效塑性应变为0.52;350g鸟撞击80%叶高时有5片叶片受损,其有效塑性应变为0.77;1000g鸟撞击80%叶高时有8片叶片受损,其有效塑性应变为1.25。鸟撞等效应力和仿真分析得到的趋势一致:鸟体质量的增加会导致叶片损伤数量增加,且损伤程度增大。但不会改变该发动机状态下的最危险撞击位置。 表5 A状态下不同质量鸟撞损伤指标对比 图9 A状态下不同质量的鸟撞击80%叶高的有效塑性应变云图4结论本文通过对风扇叶片鸟撞过程及其数学模型的研究,定义了鸟撞等效应力描述叶片抗鸟撞能力,并评估最危险鸟撞工况,得出以下结论:1)风扇叶片鸟撞损伤的关键影响因素包括风扇转速、飞机飞行速度、撞击位置以及叶片前缘角和前缘厚度。这些因素相互耦合,因此在分析发动机风扇叶片鸟撞的最危险工况和最危险撞击位置时,必须综合考虑这些因素的影响;2)在初始爬升状态(A状态)转速下,350g鸟以80m/s,100m/s和120m/s的速度撞击80%叶高。此时,叶片与鸟之间的最大撞击力分别为44kN、67kN和72kN,而鸟撞等效应力为3404GPa、3326GPa和3013GPa。可以看出,两者趋势相反。由于鸟撞等效应力将叶片视为刚体,因此在相同或相近的风扇转速下,采用鸟撞等效应力分析不同飞机飞行速度对鸟撞损伤程度的影响可能与实际不符;3)不同工况下,风扇叶片鸟撞的最危险撞击位置有所不同。最危险撞击位置受风扇转速、飞机飞行速度以及叶片前缘角和前缘厚度的影响,而与鸟的大小和质量无关。鸟体质量的增加会导致叶片损伤数量和损伤程度的增加,但不会改变风扇叶片鸟撞的最危险位置;4)采用鸟撞等效应力分析方法,可以快速评估易发生鸟撞的典型工况下,不同风扇转速、不同撞击位置以及不同鸟体大小的风扇叶片损伤程度。这种方法不仅可以在风扇叶片抗鸟撞初步设计阶段进行量化分析,快速评估风扇叶片的抗鸟撞能力,还可以在试验阶段为制定风扇部件鸟撞摸底试验方案和整机吞鸟考核试验方案提供参考。声明: 本文来源于网络, 仅供交流分享, 若涉及版权等问题请留言, 我们会及时处理 来源:两机动力先行

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈