本文介紹了使用AI神經網絡進行旋轉機械葉片設計、仿真和優化的方法。通過建立神經網絡模型，實現了對葉片性能的準確預測和優化。本文的研究結果表明，AI神經網絡能夠有效地應用于旋轉機械葉片的設計、仿真和優化過程，并可提高葉片的性能和效率。

旋轉機械葉片是各種動力設備的關鍵部件，如航空發動機、燃氣輪機、壓縮機等。這些設備的性能和效率往往受到旋轉機械葉片的設計和性能的影響。因此，如何提高旋轉機械葉片的性能和效率是當前研究的熱點問題。傳統的旋轉機械葉片設計方法通常基于經驗或試驗，不僅耗費大量時間和資源，而且不能保證設計的最優性。因此，研究人員嘗試利用人工智能技術，特別是神經網絡技術，對旋轉機械葉片進行設計和優化。

近年來，國內外研究者對旋轉機械葉片設計、仿真和優化方法進行了廣泛研究。傳統的旋轉機械葉片設計方法主要基于經驗公式和試驗方法，如采用流體力學、熱力學和結構力學等相關理論進行葉片設計和優化。然而，這些方法往往存在耗時長、成本高、無法保證最優性等問題，因此限制了其應用范圍。近年來，隨著人工智能技術的發展，特別是神經網絡技術的應用，為旋轉機械葉片的設計和優化提供了新的解決方案。

神經網絡是一種模擬人腦神經元網絡的結構和功能的計算模型，具有自學習、自組織和適應性等特點。在旋轉機械葉片設計、仿真和優化中，神經網絡可以用于建立模型，實現對葉片性能的預測和優化。本文采用深度學習框架下的卷積神經網絡（CNN）和循環神經網絡（RNN）相結合的方法，建立了一個多層次、多尺度的神經網絡模型，用于旋轉機械葉片的設計、仿真和優化。

結合神經網絡進行葉片優化設計主要有以下幾方面內容：

1) 應用神經網絡模型：當模型經過足夠的訓練和驗證后，可以將其應用于新的旋轉機械葉片的設計。設計人員只需要輸入新的設計參數，神經網絡模型就可以快速地預測出新設計的性能，從而幫助設計人員快速調整和優化設計。

2) 數據擬合：神經網絡可以用于擬合壓氣機的性能數據，包括性能曲線、結構尺寸等。這些數據在進行優化設計時需要被準確利用，以指導設計人員進行優化。

3) 特征提取：神經網絡能夠從原始數據中提取出有用的特征，用于優化設計。例如，可以通過神經網絡提取出壓氣機的流場、溫度場、壓力場等數據中的關鍵特征，并將其用于優化算法中。

4) 性能預測：神經網絡可以用于預測壓氣機的性能。通過訓練神經網絡，使其學習壓氣機的性能數據，神經網絡可以快速地預測出新設計的性能，從而幫助設計人員確定最優設計方案。

5) 多目標優化：神經網絡可以用于實現多目標優化。在壓氣機優化設計中，通常需要考慮多個性能指標，如增壓比、效率、流量等。神經網絡可以學習這些指標之間的關系，并同時優化這些指標，以獲得更好的整體性能。

6) 魯棒性增強：神經網絡可以用于增強壓氣機的魯棒性。在壓氣機優化設計中，需要考慮各種工況和環境因素對性能的影響。神經網絡可以通過學習歷史數據，預測出這些因素的影響，從而幫助設計人員增強壓氣機的魯棒性，使其在各種條件下都能保持良好的性能。

方法實現

仿真模型及優化流程的搭建可采用基于ANSYS系列的建模、仿真軟件并結合Matlab或python語言進行算法及流程控制代碼的開發進行搭建。

 

葉片仿真及優化流程示意圖

壓氣機優化設計思路：

l 通過控制葉片角度、Hub和shroud線等改變壓輪形狀；

l 在壓端Map上選擇合適的工況點作為氣動仿真的工況；

l 將各工況下的壓比、效率綜合加權形成目標函數；

l 喘振點：可采用非定常計算，并監控出口壓力波動，判斷是否發生喘振。

 

壓氣機設計示意圖

 

渦輪葉片優化設計思路

l 通過控制渦輪葉片角度、Hub和shroud線改變渦輪形狀；

l 在渦端Map上選擇合適的工況點作為氣動仿真的工況；

l 將各工況下的流量、效率綜合加權形成目標函數。

 

 渦輪葉片設計示意圖

 

渦輪導葉優化設計思路：

l 通過控制導葉葉片角度、厚度、轉軸位置等改變葉片形狀；

l 在渦端Map上選擇小開度工況、大開度工況點作為氣動仿真的工況；

l 將各工況下的流量、效率綜合加權形成目標函數。

渦輪導葉設計示意圖

 

結果篩選

通過觀察目標函數結果曲線圖中的最優結果，篩選出葉片的最優設計方案

 

最優設計方案篩選示意圖

●可提供葉片優化服務