【儀表網(wǎng) 研發(fā)快訊】壓氣機作為航空發(fā)動機的核心部件之一，對發(fā)動機的推重比、耗油率等關鍵性能參數(shù)產(chǎn)生決定性影響。當前，隨著數(shù)字技術的迅速發(fā)展，通過對壓氣機進行全周期的數(shù)字仿真，構建其數(shù)字孿生模型，可以方便工程師清晰認識到壓氣機工作狀態(tài)，并及時采取控制手段，減少由壓氣機失穩(wěn)帶來的巨大損失。數(shù)字孿生體能否實時準確地反映和預測其壓氣機運行狀態(tài)，取決于對內(nèi)部流場高效且精確的描述。然而，基于CFD的性能計算通常需要大量時間成本。因此，建立預測模型，實現(xiàn)壓氣機葉片通道流場特征的快速、準確預測成為發(fā)動機領域研究的熱點問題，也是發(fā)動機數(shù)字孿生建模所需攻克的關鍵技術之一。
 

　　中國科學院工程熱物理研究所數(shù)字孿生研究中心在壓氣機流場預測方面開展了系列研究。借助深度學習強大的非線性特征提取能力，建立了深度注意力對稱神經(jīng)網(wǎng)絡模型(DASNN)對壓氣機不同徑向位置處流場進行重構。通過對壓氣機逐排建模，并對三維流場進行切片處理，將復雜的三維建模問題轉化為較為簡單的二維流場預測，大大降低了神經(jīng)網(wǎng)絡模型的復雜度和數(shù)據(jù)要求。
 

　　DASNN網(wǎng)絡模型主要由視覺自注意力模塊(ViT)以及對稱卷積神經(jīng)網(wǎng)絡模塊(SCNN)兩部分組成。前者用于不同工況下不同徑向處葉片通道幾何特征提取，后者將ViT提取特征以及轉速、出口背壓等其它信息作為輸入，從而進行流場預測。研究結果表明，采用該方法建立的壓氣機流場孿生模型可以對葉片排不同位置處的靜溫、靜壓以及馬赫數(shù)進行準確預測，且相對誤差不超過3%，初步實現(xiàn)研究目標。中心研究人員將根據(jù)已有數(shù)據(jù)和建模方法開展進一步的優(yōu)化工作，提升模型的預測性能和泛化能力。
 

　　以上研究得到了中國科學院國際合作研發(fā)項目“燃氣輪機壓氣機氣動穩(wěn)定性預測及控制技術合作研發(fā)”(項目編號117GJHZ2023043GC)的支持。該項目旨在結合人工智能技術，構建多級壓氣機內(nèi)部流場孿生模型，幫助研究人員實時了解壓氣機運行狀態(tài)。團隊部分研究成果已發(fā)表在航空學報，并在第八屆數(shù)字孿生與智能制造服務學術會議上進行了特邀報告分享。