现有航空发动机气动力降阶模型的研究主要集中在叶片颤振方向,对动静叶干涉引起叶栅气动力变化的问题没有讨论。其中背压扰动是动静叶干涉影响上游叶栅气动力的重要因素。通过对背压扰动的傅里叶分解,分别计算分解背压扰动所得各谐波引起的叶栅气动力响应,由此建立了基于谐波平衡法的背压扰动叶栅气动力降阶模型。在此基础上,研究了各谐波幅值对气动力降阶模型精度的影响。算例的结果表明:提出的方法能非常好地描述动静叶干涉中背压对上游叶栅气动力的影响;根据幅值大小选择主谐波,可以在不大幅降低气动力降阶模型精度的情况下减少待定参数的个数;利用该方法可准确确定任意时刻动静叶干涉中背压扰动叶栅的气动力。

针对涉及动、静叶干涉的叶片气动弹性振动问题,基于Volterra级数方法,建立了尾流激励的叶片气动力降阶模型,分析了稳态条件和识别信号幅值对气动力降阶模型辨识精度的影响。结果表明:所建立的气动力降阶模型能够正确表征尾流对叶片的激励作用,不同流场稳态条件和阶跃信号幅值下气动力降阶模型的结果基本相同。

气动力降阶模型是研究叶片气动弹性振动快速高效的新方法。现有气动力降阶模型的研究主要集中在叶片颤振方面,没有涉及更为常见的上游尾流激励的叶片振动问题。本文提出基于Volterra级数的尾流激励叶片气动力降阶模型,为尾流激励下叶片振动和动静叶干涉振动研究提供了新的思路。采用行波法简化尾流的参数个数,用阶跃信号法识别降阶模型的核函数。二维叶片的算例结果表明,本文方法可以较准确地描述尾流激励引起的叶片气动力振荡,而且计算效率极高。

为解决界面网格不一致时温度、气压和变形等数据在结构网格和流场网格之间相互传递问题,提出一种基于局部坐标投影的载荷传递方法。将复杂的耦合界面分解为若干个几何简单的面,为每个面定义适当的局部坐标系,在此局部坐标系中定义三维几何坐标向二维参数坐标变换的投影关系,实现三维空间的载荷分布向二维参数空间的变换。在此基础上进行耦合界面的载荷插值传递,以此实现参数空间的载荷传递。比较以往的参数空间插值传递方法,文中的方法定义参数投影的算法简单,计算速度快,插值的精度与以往的方法相同。为验证所提方法,文中进行了算例分析,结果表明该方法有很好的准确性和精度。

为了解决航空发动机流道内上下游干涉带来的计算量大的问题,提出了一种边界替代降阶模型方法。该方法辨识出研究流域与相邻的上下游流域交界面的气动力降阶模型,并耦合到该研究流域仿真模型的交界面上,用以表征上下游对该流域的影响,由此将多流域计算转化为单流域计算,同时又考虑了上下游的影响。采用一阶Volterra级数降阶模型实现了该方法。结果表明,采用本文方法和所有流域都采用CFD得到的压力和速度一致;本文方法所用的网格更少,可以加速收敛和提高计算速度。

提出了本征正交分解法方法建立叶片气动力降阶模型,快速分析叶片气动特性。采用计算流体力学得到气动力快照矩阵,然后利用本征正交分解法获得尾流激励下的叶片气动力基,从而建立尾流激励下的叶片气动力降阶模型并完成气动力数据重构。分别采用周期信号和正弦信号作为输入,采用计算流体力学和气动力降阶模型方法计算叶片气动力,结果显示采用本征正交分解法降阶模型得到的叶片气动力与计算流体力学计算得到的气动力结果基本一致。证明了基于本征正交分解方法的气动力降阶模型能够快速精确分析尾流激励下的叶片气动力。

针对非线性大扰动翼型气动力优化问题,提出了基于卷积神经网络气动力降阶模型的优化方法.该方法用不同形状参数下翼型的气动力数据作为训练信号,训练卷积神经网络翼型气动力降阶模型.采用该气动力降阶模型,以最大升阻比为目标,对翼型进行优化,结果表明该方法可用于大扰动下翼型气动力的预测和优化.该文同时还讨论了池化法和径向基法的训练信号数据降维方法对降阶模型精度的影响,结果表明训练信号数据降维能够提高气动力降阶模型的精度.其原因在于训练信号数据降维可以减少神经网络模型的待定参数的个数,在相同数据量下神经网络模型收敛得更好.

基于小扰动和弱非线性假设,提出了一种基于气动力降阶模型和径向基函数参数化的翼型优化方法.其主要方法是用径向基函数参数化翼型扰动;通过CFD辨识参数扰动对翼型气动力影响的降阶模型核函数;基于叠加法建立了参数变化对翼型气动力影响的降阶模型;最后基于该气动力降阶模型计算并优化翼型升阻特性.NACA0012翼型优化的结果表明基于气动力降阶模型的优化方法是可行的,可以极大地提高翼型优化速度.

为了探究影响基于谐波平衡法的气动力降阶模型计算精度的因素,建立了基于谐波平衡法的尾流激励叶片气动力降阶模型,讨论分析了进口尾流均值压力和尾流谐波振幅对该气动力降阶模型计算精度的影响。结果发现:进口尾流均值压力和尾流谐波振幅对叶片气动力降阶模型的计算精度都会产生显著影响。

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学(computational fluid dynamics,CFD)方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP(back propagation)神经网络和线性自回归神经网络(onlinear auto-regressive with exogenous input neural network,NARX),建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明:基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。