汪林生， 宋丹路， 呂 文

(1.西南科技大學(xué)制造過(guò)程測(cè)試技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 四川綿陽(yáng) 621010；2.西南科技大學(xué)制造科學(xué)與工程學(xué)院， 四川綿陽(yáng) 621010)

引言

斜流壓氣機(jī)擁有離心壓氣機(jī)高壓比、工作裕度廣等特點(diǎn)，同時(shí)兼有軸流壓氣機(jī)流量大、迎風(fēng)面積小等特點(diǎn)，是介于兩者之間的一種壓氣機(jī)形式[1]，使之一舉邁入微型渦噴發(fā)動(dòng)機(jī)的核心研究領(lǐng)域。在如今戰(zhàn)爭(zhēng)規(guī)模局部化的局勢(shì)下，無(wú)人機(jī)、巡飛彈等小型武器成為戰(zhàn)場(chǎng)上的重要發(fā)力點(diǎn)。因此，將滿足一定性能的壓氣機(jī)輕量化、小型化成為主流的研究方向之一。將航空航天技術(shù)應(yīng)用于民用上，如：微型燃?xì)廨啓C(jī)、泵等也有著長(zhǎng)足的發(fā)展；同時(shí)高壓氣體在石油、化工、食品等領(lǐng)域有著廣泛的應(yīng)用[2]，但相對(duì)于其他兩種壓氣機(jī)，斜流壓氣機(jī)的相關(guān)研究并不多。1942年Glodeck首先進(jìn)行了斜流壓氣機(jī)的研究。1984年，德國(guó)Aachen大學(xué)開始入手研究超聲速斜流壓氣機(jī)，并在1993年M?NIG等[3]完成了壓比為5∶1，流量為8.2 kg/s的斜流葉輪設(shè)計(jì)工作。此后斜流才開始慢慢進(jìn)入大眾視角，土耳其中東大學(xué)和南非斯泰倫博斯大學(xué)將斜流壓氣機(jī)對(duì)準(zhǔn)小型飛行無(wú)人載具進(jìn)行研究，并對(duì)擴(kuò)壓器部分進(jìn)行的大量研究[4-6]，研究證明斜流壓氣機(jī)在該領(lǐng)域上有很大的應(yīng)用前景。由于起步較晚，國(guó)內(nèi)相關(guān)研究較少，主要集中在南航等相關(guān)院校，陳杰[7]基于跨聲速微型斜流離心壓氣機(jī)轉(zhuǎn)子葉輪的設(shè)計(jì)準(zhǔn)則， 完成了直徑為12 cm的MJ-M1壓氣機(jī)的設(shè)計(jì)。許多學(xué)者也在相應(yīng)的基礎(chǔ)上做了優(yōu)化和改型。

機(jī)器學(xué)習(xí)是人工智能不斷發(fā)展下所產(chǎn)生的支脈，通過(guò)讓機(jī)器模擬大腦的學(xué)習(xí)過(guò)程，利用學(xué)習(xí)算法讓計(jì)算機(jī)去學(xué)習(xí)，豐富自身“經(jīng)驗(yàn)”。類推主義、進(jìn)化主義、聯(lián)結(jié)主義、貝葉斯主義和符號(hào)主義是機(jī)器學(xué)習(xí)的五大思想類別，支持向量機(jī)、遺傳算法、BP神經(jīng)網(wǎng)絡(luò)、馬可夫鏈以及決策樹分別是其代表性算法。BP神經(jīng)網(wǎng)絡(luò)作為聯(lián)結(jié)主義的代表性算法，學(xué)習(xí)能力、魯棒性高；遺傳算法則是進(jìn)化主義代表性算法，通過(guò)對(duì)自然規(guī)則的模擬，配合其他算法能夠有效完地成實(shí)際的優(yōu)化問(wèn)題[8]。氣動(dòng)領(lǐng)域優(yōu)化，參數(shù)復(fù)雜、耗時(shí)長(zhǎng)、占用計(jì)算資源多，特別是對(duì)于斜流壓氣機(jī)此類非線性系統(tǒng)，利用機(jī)器學(xué)習(xí)能夠有效提高效率和精度，減少優(yōu)化時(shí)間成本。LI Xiaojian等[9]利用DOE方法和遺傳算法對(duì)葉輪進(jìn)行多目標(biāo)優(yōu)化，結(jié)果表明：壓氣機(jī)的總壓比、等熵效率以及喘振裕度都有不同幅度的提高。VERSTRAETE等[10]利用遺傳算法與人工神經(jīng)網(wǎng)絡(luò)(ANN)相結(jié)合，以優(yōu)化離心壓縮機(jī)。董素榮等[11]以分流葉片的離心葉輪為研究對(duì)象，采用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方式對(duì)離心壓氣機(jī)葉輪進(jìn)行結(jié)構(gòu)優(yōu)化，優(yōu)化后的葉輪壓比及效率均有所提高。王煜林等[12]提出一種可解釋的神經(jīng)網(wǎng)絡(luò)軟測(cè)量方法，減少模型對(duì)數(shù)據(jù)集的依賴程度。羅明等[13]借助BP人工神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)葉輪進(jìn)行多目標(biāo)尋優(yōu)，確定Pareto解，優(yōu)化之后所得葉輪性能提高。巴頓等[14]針對(duì)斜流葉輪機(jī)匣提出了基于B樣條曲線造型的多目標(biāo)優(yōu)化設(shè)計(jì)方法，最終在壓氣機(jī)效率峰值僅降低0.28%情況下穩(wěn)定裕度提升了19.84%。

綜上所述，針對(duì)國(guó)內(nèi)微型斜流壓氣機(jī)領(lǐng)域的空缺，設(shè)計(jì)了100公斤級(jí)推力的微型斜流壓氣機(jī)，并且對(duì)其重要的特征參數(shù)進(jìn)行了多目標(biāo)優(yōu)化，所得壓氣機(jī)在壓比、效率、工作穩(wěn)定性方面都有不同幅度的提升，分析對(duì)比了優(yōu)化前后壓氣機(jī)內(nèi)部流場(chǎng)變化，并用GasTurbo對(duì)優(yōu)化結(jié)果進(jìn)行復(fù)核；最后的結(jié)果可為后續(xù)的優(yōu)化工作提供一定的參考。

1 斜流壓氣機(jī)設(shè)計(jì)

斜流壓氣機(jī)主要應(yīng)用于微型渦噴發(fā)動(dòng)機(jī)領(lǐng)域，因此在整尺寸上有所約束。斜流壓氣機(jī)的設(shè)計(jì)過(guò)程復(fù)雜繁瑣，主要包括一維參數(shù)設(shè)計(jì)以及三維葉片設(shè)計(jì)。一維參數(shù)設(shè)計(jì)主要是對(duì)葉輪的幾何特征結(jié)合設(shè)計(jì)要求進(jìn)行選擇和計(jì)算，包括壓氣機(jī)入口葉輪輪轂高度、半徑、氣流出口角度、葉片數(shù)、葉片厚度等。

斜流壓氣機(jī)設(shè)計(jì)借鑒離心葉輪基于滑移因子的初步設(shè)計(jì)方法，采用基于“射流-尾跡”流動(dòng)結(jié)構(gòu)假設(shè)的兩區(qū)模型，只需提供自己設(shè)計(jì)參數(shù)并附加損失可獲得較準(zhǔn)確的設(shè)計(jì)，壓氣機(jī)設(shè)計(jì)要求如表1所示。

表1 壓氣機(jī)設(shè)計(jì)要求Tab.1 Design requirements of compressor

根據(jù)計(jì)算結(jié)果對(duì)斜流壓氣機(jī)葉輪進(jìn)行三維造型，將一維設(shè)計(jì)的結(jié)果對(duì)葉輪的子午面進(jìn)行設(shè)計(jì)，以及通過(guò)八階貝塞爾曲線控制葉片子午面、中弧線狀態(tài)，改變?nèi)~型前掠、后掠程度從而減小葉片載荷[15]，并且通過(guò)前緣堆疊的方式形成葉片。表2所示是斜流壓氣機(jī)一維設(shè)計(jì)的參數(shù)。

圖1、圖2分別是葉輪和擴(kuò)壓器三維模型， 葉輪有9個(gè)主葉片和9個(gè)分流葉片，共18個(gè)葉片組成；擴(kuò)壓器有11個(gè)主葉片，葉片延申至軸向擴(kuò)壓段，并在轉(zhuǎn)彎處采用以圓弧過(guò)渡。

1.1 數(shù)值分析方法

1) 確邊界條件

對(duì)設(shè)計(jì)的壓氣機(jī)進(jìn)行數(shù)值模擬計(jì)算，在實(shí)際氣體狀態(tài)下，數(shù)學(xué)模型選用Turbulent N-S方程，并采用S-A湍流模型。

表2 一維設(shè)計(jì)參數(shù)Tab.2 One-dimensional design parameters

圖1 斜流葉輪三維模型Fig.1 Three-dimensional model of mixed-flow compressor

圖2 擴(kuò)壓器三維模型Fig.2 Three-dimensional model of diffuser

入口邊界條件選擇包括：入口總溫為288.15 K，入口總壓為101325 Pa，進(jìn)氣方向選擇軸向進(jìn)氣；出口邊界條件：給定的出口靜壓值和流量。

壁面條件：無(wú)滑移邊界條件、光滑表面、絕熱。為了加快收斂速度的同時(shí)保證精確度，CFL收斂最大時(shí)間步長(zhǎng)為3，當(dāng)?shù)螖?shù)達(dá)到1500步或者全局殘差小于10-6時(shí)視作收斂。

2) 網(wǎng)格無(wú)關(guān)性驗(yàn)證

網(wǎng)格的數(shù)量影響著數(shù)值仿真計(jì)算的精確程度，網(wǎng)格越多結(jié)果越精確但是會(huì)占用更多的計(jì)算資源，同時(shí)也會(huì)影響整體網(wǎng)格質(zhì)量。在保證精確度的情況下，為了減小計(jì)算結(jié)果對(duì)網(wǎng)格密度敏感性的影響，需不斷改變網(wǎng)格的密度，當(dāng)計(jì)算結(jié)果變化在0.1%左右時(shí)，便認(rèn)為網(wǎng)格數(shù)量對(duì)計(jì)算結(jié)果幾乎不產(chǎn)生影響。

用AutoGrid5對(duì)壓氣機(jī)進(jìn)行網(wǎng)格劃分，最小網(wǎng)格厚度為10-5m，葉輪流線設(shè)置為73，膨脹比為1.29，擴(kuò)壓器流線數(shù)目設(shè)置為57，膨脹比為1.19，網(wǎng)格精度為中等精度。流向通道網(wǎng)格節(jié)點(diǎn)、沖向緣體左右對(duì)稱網(wǎng)格線節(jié)點(diǎn)為17，沖向壓力面網(wǎng)格節(jié)點(diǎn)為65，相鄰兩葉片之間互沖網(wǎng)格節(jié)點(diǎn)為81，尾緣附近和壓力面?zhèn)瘸隹诹鞯赖木W(wǎng)格節(jié)點(diǎn)均為17，分別劃分200萬(wàn)、230萬(wàn)、250萬(wàn)、310萬(wàn)、470萬(wàn)，其等熵效率和壓比如表3所示。

表3 網(wǎng)格數(shù)對(duì)壓氣機(jī)性能影響Tab.3 Effect of grid number on compressor performance

結(jié)果表明:在230萬(wàn)網(wǎng)格及其以上時(shí)壓比和等熵效率的變化率都相差不大，選擇250萬(wàn)網(wǎng)格進(jìn)行數(shù)值模擬。

圖3所示為最終CFD計(jì)算所用的壓氣機(jī)網(wǎng)格模型，網(wǎng)格正交性良好，無(wú)負(fù)網(wǎng)格，符合要求。

1.2 斜流壓氣機(jī)初始性能

針對(duì)設(shè)計(jì)工況和非設(shè)計(jì)工況，繪制了90%轉(zhuǎn)速、100%轉(zhuǎn)速、110%轉(zhuǎn)速下的性能曲線，如圖4、圖5所示，分別是流量-效率特性曲線和流量-壓比特性曲線，其中π為壓比，η為等熵效率，qm為質(zhì)量流量。

圖3 壓氣機(jī)網(wǎng)格模型Fig.3 Grid model of compressor

圖4 流量-效率特性曲線Fig.4 Flow-efficiency characteristic curve

圖5 流量-壓比特性曲線Fig.5 Flow-pressure characteristic curve

由圖可知，在設(shè)計(jì)工況100%轉(zhuǎn)速下，壓比和效率都隨著流量大體呈現(xiàn)增大-減小-增大-減小的趨勢(shì)。由于靠近堵塞點(diǎn)，壓比和等熵效率在設(shè)計(jì)點(diǎn)之后衰減幅度增大，因此，雖然工作范圍廣，但是工作穩(wěn)定性并不是很好。在低速90%工況下，當(dāng)流量從失速點(diǎn)向堵塞點(diǎn)方向移動(dòng)，效率和壓比的變化相對(duì)較為平緩，工作比較平穩(wěn)。在高轉(zhuǎn)速110%轉(zhuǎn)速下，特性曲線趨勢(shì)更為陡峭，工作范圍減小，雖然壓比有大幅度增大，但是效率曲線不平穩(wěn)，工作不穩(wěn)定，容易出現(xiàn)壓氣機(jī)失穩(wěn)現(xiàn)象。

綜上所述，設(shè)計(jì)點(diǎn)1.5 kg/s流量處效率達(dá)到峰值83.27%附近，壓比為4.771，設(shè)計(jì)結(jié)果符合條件。并且轉(zhuǎn)速對(duì)該斜流壓氣機(jī)效率峰值影響不大，說(shuō)明該設(shè)計(jì)壓氣機(jī)能夠適應(yīng)多工況作業(yè)，但是工作穩(wěn)定性相對(duì)不高，尤其是在高轉(zhuǎn)速下容易出現(xiàn)失穩(wěn)現(xiàn)象。

2 斜流壓氣機(jī)多目標(biāo)優(yōu)化

斜流壓氣機(jī)的性能由諸多因素共同決定，同時(shí)各因素之間又存在著某種制約關(guān)系。因此利用BP神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)復(fù)雜的非線性系統(tǒng)進(jìn)行優(yōu)化，能夠有效提高效率和精確度，節(jié)約時(shí)間成本。

為了提高斜流壓氣機(jī)的整級(jí)等熵效率和壓比，選取葉輪葉片數(shù)、葉輪入口輪轂直徑、擴(kuò)壓器葉片數(shù)、擴(kuò)壓器軸向長(zhǎng)度4個(gè)對(duì)性能影響較大的特征參數(shù)，利用自編程搭建的BP神經(jīng)網(wǎng)絡(luò)-遺傳算法優(yōu)化平臺(tái)進(jìn)行進(jìn)行多目標(biāo)優(yōu)化。神經(jīng)網(wǎng)絡(luò)和遺傳算法編程是基于Python實(shí)現(xiàn)的，整個(gè)優(yōu)化流程如圖6所示。

圖6 優(yōu)化流程Fig.6 Optimize process

2.1 樣本庫(kù)的建立

正交試驗(yàn)根據(jù)正交性從全面實(shí)驗(yàn)中挑選出來(lái)有代表性的點(diǎn)進(jìn)行試驗(yàn)，效率高，快速且經(jīng)濟(jì)[16]。通過(guò)五因素四水平的正交實(shí)驗(yàn)方法獲取樣本庫(kù)。

表4所示為正交試驗(yàn)因素水平表，其中A指輪轂直徑，mm；B指葉輪入口角，(°)；C指葉輪葉片數(shù)；D指擴(kuò)壓器葉片數(shù)；E指擴(kuò)壓器軸向長(zhǎng)度，mm。

表4 斜流壓氣機(jī)因素水平表Tab.4 Mixed-flow compressor factors level

根據(jù)表4合理設(shè)計(jì)試驗(yàn)方案，通過(guò)數(shù)值模擬計(jì)算得出70組樣本庫(kù)。圖7反應(yīng)了樣本的性能分布，在實(shí)驗(yàn)過(guò)程中出現(xiàn)了很少一部分樣本性能低，分布不集中的現(xiàn)象，但絕大部分樣本仍保持較好的性能，樣本滿足優(yōu)化要求。

圖7 樣本分布Fig.7 Sample distribution

2.2 模型訓(xùn)練

將得到的70組樣本數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合，BP神經(jīng)網(wǎng)絡(luò)擬合示意如圖8所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)擬合示意圖Fig.8 Schematic diagram of BP neural network fitting

在神經(jīng)網(wǎng)絡(luò)中，將數(shù)據(jù)樣本作為輸入傳到網(wǎng)絡(luò)中，在正向傳導(dǎo)中輸出，通過(guò)梯度下降法尋求能使代價(jià)函數(shù)最小值的權(quán)重，不斷的修正權(quán)重,最后通過(guò)映射得到輸出的正向推導(dǎo)值。在更復(fù)雜的神經(jīng)網(wǎng)絡(luò)中還包含隱藏層，因此在計(jì)算代價(jià)函數(shù)偏導(dǎo)數(shù)的時(shí)候需要運(yùn)用到一種反向傳播算法，也就是先計(jì)算最后一層的誤差，然后再一層一層的反向求出各層的誤差，直到倒數(shù)第二層。值得注意的是，在算法運(yùn)作過(guò)程中仍然需要用正向傳播去計(jì)算所有層級(jí)的網(wǎng)絡(luò)預(yù)測(cè)，再通過(guò)最后一層的預(yù)測(cè)誤差值進(jìn)行反求。這種離線學(xué)習(xí)的方法需要數(shù)據(jù)在每次訓(xùn)練完成之后才會(huì)對(duì)權(quán)重更新，因此相對(duì)較慢，但是殘差較低。

為了減小不同特征參數(shù)因?yàn)閿?shù)值問(wèn)題所導(dǎo)致計(jì)算的權(quán)重有偏差的影響，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，同時(shí)有利于網(wǎng)絡(luò)初始化，加快梯度下降收斂和尋優(yōu)速率。

最后將處理后的樣本數(shù)據(jù)用BP網(wǎng)絡(luò)進(jìn)行擬合，最終的到輸入和輸出之間的映射關(guān)系，如圖9所示：經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)多元回歸模型與原數(shù)據(jù)樣本的分布趨勢(shì)大致相同，擬合效果較好(其中N為樣本序號(hào))。

圖9 神經(jīng)網(wǎng)絡(luò)擬合結(jié)果Fig.9 BP neural network fitting results

2.3 遺傳算法

遺傳算法是根據(jù)達(dá)爾文的進(jìn)化學(xué)說(shuō)提出的，通過(guò)初始種群之間的也就是樣本數(shù)據(jù)之間的“配對(duì)”、“變異”從而產(chǎn)生新的數(shù)據(jù)，再根據(jù)評(píng)判數(shù)據(jù)質(zhì)量的函數(shù)，也就是適應(yīng)度函數(shù)決定數(shù)據(jù)在下一輪的更新中保留下來(lái)的概率，模擬生物界中“物競(jìng)天擇，適者生存”的過(guò)程。

此類將產(chǎn)生的新數(shù)據(jù)直接放入實(shí)際操作中，讓模型在實(shí)際操作中不斷更新的學(xué)習(xí)方法也叫在線學(xué)習(xí)，該方法學(xué)習(xí)速度快，但是殘差較高。圖10為遺傳算法求解過(guò)程。

圖10 遺傳算法流程圖Fig.10 Genetic algorithm flowchart

最后將得到的回歸模型并入遺傳算法，設(shè)置如下：

每組樣本包含斜流葉輪輪轂直徑、斜流葉輪葉片數(shù)、擴(kuò)壓器葉片數(shù)、擴(kuò)壓器軸向長(zhǎng)度4個(gè)特征值，因此在遺傳算法中數(shù)據(jù)DNA的尺寸為4，也是通過(guò)該4個(gè)參數(shù)之間的交叉變異從而產(chǎn)生子代的數(shù)據(jù)，數(shù)據(jù)交叉配對(duì)的概率設(shè)置為0.8，為了減小遺傳算法早期就進(jìn)入局部最優(yōu)，數(shù)據(jù)變異的概率設(shè)置為0.03，且每次變異的而產(chǎn)生的新數(shù)據(jù)控制在一定范圍內(nèi)，物種演變次數(shù)為1000次。表5規(guī)定了每個(gè)特征產(chǎn)生新數(shù)據(jù)的范圍。

表5 特征參數(shù)變化范圍Tab.5 Variation range of characteristic parameters

圖11 迭代步數(shù)-適應(yīng)度Fig.11 Iteration step-adaptability

圖11、圖12分別是迭代步數(shù)與適應(yīng)度的關(guān)系以及BP神經(jīng)網(wǎng)絡(luò)對(duì)每代中最優(yōu)樣本進(jìn)行的性能預(yù)測(cè)。從圖中可以看出由于數(shù)據(jù)的不定向變異其產(chǎn)生的新數(shù)據(jù)適應(yīng)度不一定高，但是隨著淘汰機(jī)制，適應(yīng)度低的會(huì)被淘汰。最終優(yōu)化得到相對(duì)性能較高的壓氣機(jī)參數(shù)，最終完成優(yōu)化。

3 優(yōu)化結(jié)果分析

3.1 斜流壓氣機(jī)性能特性曲線對(duì)比分析

優(yōu)化后的壓氣機(jī)參數(shù)如表6所示。

圖12 預(yù)測(cè)性能分布Fig.12 Predictive performance distribution

表6 優(yōu)化前后參數(shù)Tab.6 Parameters before and after optimization

對(duì)優(yōu)化后的斜流壓氣機(jī)在3種不同工況轉(zhuǎn)速下進(jìn)行仿真對(duì)比，得到優(yōu)化后的斜流壓氣機(jī)性能特性曲線，如圖13、圖14所示。

圖13 斜流壓氣機(jī)優(yōu)化前后流量-壓比特性曲線Fig.13 Flow-pressure ratio characteristic curve of mixed-flow compressor before and after optimization

在90%轉(zhuǎn)速下優(yōu)化前壓氣機(jī)擁有更高的工作性能，但優(yōu)化之后的壓氣機(jī)的壓比隨流量變化緩慢，呈“直線”的趨勢(shì)，因此在該轉(zhuǎn)速下工作穩(wěn)定性更好。

圖14 斜流壓氣機(jī)優(yōu)化前后流量-效率特性曲線Fig.14 Flow-efficiency characteristic curve of diagonal flow compressor before and after optimization

在100%設(shè)計(jì)轉(zhuǎn)速下無(wú)論是壓比還是效率，優(yōu)化后都得到了相應(yīng)的提升，堵塞點(diǎn)后移，工作穩(wěn)定性大幅度增強(qiáng)。

在110%轉(zhuǎn)速，由于轉(zhuǎn)速的提升，流道內(nèi)激波增強(qiáng)，在提升壓比的同時(shí)，各方面損失加大，因此效率會(huì)相對(duì)降低且更容易接近堵塞點(diǎn)，發(fā)生壓氣機(jī)流動(dòng)失穩(wěn)現(xiàn)象，但相比優(yōu)化前，在該轉(zhuǎn)速下優(yōu)化后的壓氣機(jī)持有更高的性能以及能廣的穩(wěn)定工作范圍。

結(jié)果表明：優(yōu)化后的斜流壓氣機(jī)的壓比和效率在低轉(zhuǎn)速下稍有下降，但工作穩(wěn)定性增強(qiáng)；在設(shè)計(jì)轉(zhuǎn)速和高轉(zhuǎn)速下，壓比、效率提升，工作穩(wěn)定性大幅度增強(qiáng)，特別是在高轉(zhuǎn)速下的工作穩(wěn)定性提升尤為明顯。

3.2 子午面流場(chǎng)分析

圖15為斜流壓氣機(jī)優(yōu)化前后設(shè)計(jì)工況下子午流面熵、 速度矢量分布。由圖15a可見優(yōu)化前子午流面靠近出口處機(jī)匣面存在較為嚴(yán)重的泄漏渦旋、回流以及流動(dòng)分離現(xiàn)象。由于存在葉頂間隙，且葉頂間隙內(nèi)的流動(dòng)普遍認(rèn)為是由于葉片壓力面和吸力面之間存在壓差，導(dǎo)致壓力面到吸力面的泄漏流流動(dòng)；加上逆壓梯度影響形成了回流，同時(shí)受到附面層和激波影響，形成復(fù)雜的泄漏渦旋。特別在近失速工況時(shí)，背壓和激波強(qiáng)度的增長(zhǎng)會(huì)導(dǎo)致泄漏渦旋破碎，進(jìn)而引發(fā)失速[17]。

圖15 優(yōu)化前后壓氣機(jī)子午面流場(chǎng)Fig.15 Compressor meridian flow field before and after optimization

圖16 優(yōu)化前后不同葉高擴(kuò)壓器流場(chǎng)分布(左：擴(kuò)壓器馬赫數(shù)分布；右：擴(kuò)壓器等壓力梯度-速度矢量分布)Fig.16 Flow field of diffuser with different blade heights before and after optimization (left: Mach number distribution of diffuser; right: distribution of equal pressure gradient-velocity vector of diffuser)

圖15b熵增圖表明：最大增熵值達(dá)到250 J/(kg·K)，近機(jī)匣處?kù)卦龃?、能量損失大。這是因?yàn)槿~頂間隙的存在，容易在機(jī)匣處產(chǎn)生流動(dòng)分離。

圖15c表明：在葉輪出口處出現(xiàn)高馬赫數(shù)區(qū)域，其產(chǎn)生的原因是激波；泄漏流與激波相互作用形成更復(fù)雜的流動(dòng)，該流動(dòng)不僅會(huì)造成大量的能量損失，還會(huì)減小葉輪的流通能力。

相對(duì)優(yōu)化前，對(duì)比圖15a、圖15d可知優(yōu)化后斜流壓氣機(jī)子午面回流、泄漏渦旋現(xiàn)象大幅度減?。煌瑫r(shí)對(duì)比圖15b、圖15e可知，在機(jī)匣處的熵增也大幅度減小，從250 J/(kg· K)降至160 J/(kg·K)左右，因此在葉輪出口處的能量損失得到控制。但由圖15c、圖15f可知激波現(xiàn)象仍然存在，且有著向機(jī)匣面偏移的趨勢(shì)。

3.3 擴(kuò)壓器B2B截面流場(chǎng)分析

圖16 為斜流壓氣機(jī)擴(kuò)壓器部分在10%，50%，90%葉高處，設(shè)計(jì)工況下優(yōu)化前后B2B截面流體馬赫數(shù)以及等壓力梯度-速度矢量圖。其中，每組左圖為擴(kuò)壓器馬赫數(shù)分布，右圖為擴(kuò)壓器壓力梯度-速度矢量分布。從馬赫數(shù)分布可知擴(kuò)壓器入口處至葉片前緣氣體流速較高，是因?yàn)闅饬鬟M(jìn)入擴(kuò)壓器撞擊葉片前緣并貼附葉片壁面，附近流體增多。隨著氣體流動(dòng)，氣體動(dòng)能不斷轉(zhuǎn)化為壓力能，但氣體在徑向擴(kuò)壓段至軸向擴(kuò)壓段過(guò)渡的轉(zhuǎn)彎處，氣體撞擊轉(zhuǎn)彎段機(jī)閘面，從壓力梯度-速度矢量分布可知?dú)怏w會(huì)在此處由于逆壓梯度的存在形成回流，而且回流還會(huì)影響葉片尾緣兩側(cè)近壁面附面層來(lái)流，造成摻混，進(jìn)一步降低其速度，加重氣體分離現(xiàn)象。

通過(guò)對(duì)比不同葉高的流場(chǎng)可知：90%葉高處氣流速度較高，附面層影響相對(duì)較弱，氣體分離位置往后移，在90%葉高處移至葉片尾緣，與此同時(shí)90%葉高處造成的能量損失也是最大的。

對(duì)比優(yōu)化前后不同葉高的馬赫數(shù)布，優(yōu)化后的斜流壓氣機(jī)在擴(kuò)壓器葉片尾緣處的低馬赫數(shù)流體團(tuán)擴(kuò)散面積相對(duì)減小，說(shuō)明此處的附面層影響和流動(dòng)分離得到了有效的抑制，對(duì)比優(yōu)化前等壓力梯度-速度矢量可知，這是因?yàn)樵趶较驍U(kuò)壓段和軸向擴(kuò)壓段之間的轉(zhuǎn)彎段流動(dòng)情況得到了改善，逆壓梯度減小使得附面層影響降低。

3.4 GasTurb復(fù)核分析

GasTurb模擬了用于生產(chǎn)推進(jìn)力和發(fā)電的重要燃?xì)鉁u輪機(jī)模型，可實(shí)現(xiàn)渦噴、渦扇、渦槳、渦軸和沖壓發(fā)動(dòng)機(jī)，以及地面燃?xì)廨啓C(jī)的整機(jī)熱力學(xué)設(shè)計(jì)或性能分析，并獲得各個(gè)部件性能參數(shù)；分析燃?xì)廨啓C(jī)測(cè)試數(shù)據(jù)，幫助診斷其運(yùn)行工況，幾乎可以解決絕大部分燃?xì)鉁u輪性能的模擬問(wèn)題。表7所示為GasTurb利用優(yōu)化前后的壓氣機(jī)進(jìn)行渦噴發(fā)動(dòng)機(jī)性能模擬，得到了壓氣機(jī)級(jí)截面進(jìn)出口重要參數(shù)，W為質(zhì)量流量，T為溫度，p為壓強(qiáng)，F(xiàn)N為發(fā)動(dòng)機(jī)推力。最后模擬結(jié)果與設(shè)計(jì)優(yōu)化的結(jié)果一致，發(fā)動(dòng)機(jī)的整體推力FN達(dá)到百公斤級(jí)，優(yōu)化后推力也有所提高有所提高。

表7 GasTurb復(fù)核Tab.7 GasTurb review

4 結(jié)論

設(shè)計(jì)了一個(gè)壓比為4.7，等熵效率為82%的斜流壓氣機(jī)，通過(guò)自編碼搭建的BP神經(jīng)網(wǎng)絡(luò)-遺傳算法平臺(tái)進(jìn)行多目標(biāo)優(yōu)化，利用正交試驗(yàn)的方法生成網(wǎng)絡(luò)所需的樣本庫(kù)，整級(jí)壓比提高3.2%，等熵效率提高7.9%。優(yōu)化后斜流壓氣機(jī)的葉輪和擴(kuò)壓器的葉片數(shù)、葉輪輪轂半徑以及擴(kuò)壓器軸向長(zhǎng)度均有不同幅度的減小。結(jié)果表明：

(1) 優(yōu)化后葉輪出口處機(jī)匣面的泄漏流和激波相互作用下形成的回流大幅度減小，分離現(xiàn)象得到抑制，因此造成的能量損失得到控制，葉輪流動(dòng)情況得到了一定的改善。

(2) 擴(kuò)壓器葉片尾緣處的附面層影響減弱，轉(zhuǎn)彎段的逆壓梯度減小?？傮w上，優(yōu)化后的斜流壓氣機(jī)只有在低速狀態(tài)下性能略有降低，但整體的工作穩(wěn)定性得到了大幅度提升，高轉(zhuǎn)下提升最大，并且壓比和等熵效率都得到了一定的提升。