基于深度注意力网络的压气机流场重构方法

doi:10.7527/S1000-6893.2024.30580

首届空天前沿大会优秀论文专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于深度注意力网络的压气机流场重构方法

吴跃腾¹^,²^,³, 巴顿¹^,²(), 杜娟¹^,², 李云飞⁴, 常军涛⁵

^1.中国科学院工程热物理研究所数字孪生研究中心，北京 100190
^2.中国科学院轻型涡轮全国重点实验室，北京 100190
^3.中国科学院大学航空宇航学院，北京 100049
^4.南京航空航天大学航空学院，北京 210016
^5.哈尔滨工业大学能源科学与工程学院，哈尔滨 150001

收稿日期:2024-04-23 修回日期:2024-04-24 接受日期:2024-06-03 出版日期:2024-06-19 发布日期:2024-06-17
通讯作者: 巴顿 E-mail:badun@iet.cn
基金资助:
中国科学院工程热物理研究所所长基金(E355890101);中国科学院工程热物理研究所创新引导基金(E455270101)

Compressor flow field reconstruction method based on deep attention networks

Yueteng WU¹^,²^,³, Dun BA¹^,²(), Juan DU¹^,², Yunfei LI⁴, Juntao CHANG⁵

^1.Digital Twin Research Center，Institute of Engineering Thermophysics，Chinese Academy of Sciences，Beijing 100190，China
^2.National Key Laboratory of Science and Technology on Advanced Light-duty Gas-turbine，Chinese Academy of Sciences，Beijing 　100190，China
^3.School of Aeronautics and Astronautics，University of Chinese Academy of Sciences，Beijing 　100049，China
^4.College of Aerospace Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 　210016，China
^5.School of Energy Science and Engineering，Harbin Institute of Technology，Harbin 　150001，China

Received:2024-04-23 Revised:2024-04-24 Accepted:2024-06-03 Online:2024-06-19 Published:2024-06-17
Contact: Dun BA E-mail:badun@iet.cn
Supported by:
Fund for the Director of the IET, CAS(E355890101);Innovation Guidance Fund Project of the IET, CAS(E455270101)

摘要/Abstract

摘要：

快速、准确预测压气机的性能与关键流场特征对于压气机数字化设计、数字孪生建模与虚实交互至关重要。以一台跨音三级压气机第一级静叶为研究对象，利用多个转速下205个不同工况的高精度数值仿真结果建立了流场数据库，并采用融合了注意力机制的对称卷积神经网络对静叶不同半径处静温、静压以及马赫数等流场参数进行了重构。该网络由视觉自注意力模型与对称卷积神经网络2部分组成。前者用于提取不同工况下不同半径处叶片通道的几何特征，后者通过转置卷积和卷积操作对视觉自注意力模型提取的特征以及其他输入（包括进出口边界条件、流场坐标和距离场等）进行更深层次的特征提取，从而对不同径向位置处流场进行预测。研究结果表明，基于深度注意力的对称卷积神经网络可以迅速而有效地预测压气机内部流场，该模型可以准确的捕捉叶片近壁区物理参数变化、叶片尾迹以及流动分离。与高精度数值仿真相比，该模型对叶型流场参数预测的平均相对误差不超过1%，实现了对压气机静叶流场的快速、准确重构，具有一定工程应用价值。

关键词: 压气机静叶, 深度学习, 视觉自注意力机制, 对称卷积, 流场重构

Abstract:

The rapid and accurate prediction of compressor performance and key flow field characteristics is critical for digital design， digital twin modeling， and virtual-real interaction of compressors. This study focuses on the first-stage stator of a transonic three-stage compressor. A flow field database was established using high-precision numerical simulation results for 205 different operating conditions at various speeds. We employed a symmetric convolutional neural network with attention mechanisms to reconstruct flow field parameters such as static temperature， static pressure， and Mach number at different radii of the stator blade. This network comprises a visual self-attention model and symmetric convolutional neural network. The former extracts geometric features of blade passages at different radii under various operating conditions， while the latter conducts deeper feature extraction of these features and other inputs （including inlet and outlet boundary conditions， flow field coordinates， and distance fields） through transposed convolution and convolution operations； consequently， this network predicts the flow field at different radial positions. Our findings demonstrate that the symmetric convolutional neural network based on deep attention can rapidly and effectively predict the internal flow field of compressors. The model accurately captures changes in physical parameters near the blade wall， blade wakes， and flow separation. Compared with high-precision numerical simulation， the model achieves rapid and accurate reconstruction of the flow field of compressor stators with an average relative error not exceeding 1%.

Key words: compressor stator, deep learning, visual self-attention mechanism, symmetric convolution, flow field reconstruction

中图分类号:

V231.3

吴跃腾, 巴顿, 杜娟, 李云飞, 常军涛. 基于深度注意力网络的压气机流场重构方法[J]. 航空学报, 2024, 45(24): 630580.

Yueteng WU, Dun BA, Juan DU, Yunfei LI, Juntao CHANG. Compressor flow field reconstruction method based on deep attention networks[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(24): 630580.

图/表 24

图 1

图 2

表1

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表2

图 11

图 12

表3

图 13

表4

图 14

表5

图 15

图 16

图 17

图 18

图 19

参考文献 28

1	张伟伟，寇家庆，刘溢浪. 智能赋能流体力学展望［J］. 航空学报， 2021， 42（4）： 524689.
	Zhang W W， Kou J Q， Liu Y L. Intelligent empowerment in fluid dynamics perspective［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524689 （in Chinese）.
2	张伟伟，朱林阳，刘溢浪，等. 机器学习在湍流模型构建中的应用进展［J］. 空气动力学学报， 2019， 37（3）： 444-454.
	ZHANG W W， ZHU L Y， LIU Y L， et al. Progresses in the application of machine learning in turbulence modeling［J］. Acta Aerodynamica Sinica， 2019， 37（3）： 444-454 （in Chinese）.
3	陈海昕，邓凯文，李润泽. 机器学习技术在气动优化中的应用［J］. 航空学报， 2019， 40（1）： 522480.
	CHEN H X， DENG K W， LI R Z. Utilization of machine learning technology in aerodynamic optimization［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（1）： 522480 （in Chinese）.
4	LUI H F S， WOLF W R. Construction of reduced-order models for fluid flows using deep feedforward neural networks［J］. Journal of Fluid Mechanics， 2019， 872： 963-994.
5	陈皓，郭明明，田野，等.卷积神经网络在流场重构研究中的进展［J］.力学学报， 2022， 54（9）： 2343-2360.
	Chen H， Guo M M， Tian Y， et al. The progress of convolutional neural networks in flow field reconstruction research. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54（9）： 2343-2360 （in Chinese）.
6	YANG Z S， DONG Y D， DENG X G， et al. AMGNET： multi-scale graph neural networks for flow field prediction［J］. Connection Science， 2022， 34（1）： 2500-2519.
7	CAO W B， SONG J H， ZHANG W W. A solver for subsonic flow around airfoils based on physics-informed neural networks and mesh transformation［J］. Physics of Fluids， 2024， 36（2）： 027134.
8	WANG J， HE C， LI R Z， et al. Flow field prediction of supercritical airfoils via variational autoencoder based deep learning framework［J］. Physics of Fluids， 2021， 33（8）： 086108.
9	SABATER C， STÜRMER P， BEKEMEYER P. Fast predictions of aircraft aerodynamics using deep-learning techniques［J］. AIAA Journal， 2022， 60（9）： 5249-5261.
10	JIN X W， CHENG P， CHEN W L， et al. Prediction model of velocity field around circular cylinder over various Reynolds numbers by fusion convolutional neural networks based on pressure on the cylinder［J］. Physics of Fluids， 2018， 30（4）： 047105.
11	SEKAR V， JIANG Q H， SHU C， et al. Fast flow field prediction over airfoils using deep learning approach［J］. Physics of Fluids， 2019， 31（5）： 057103.
12	HUI X Y， BAI J Q， WANG H， et al. Fast pressure distribution prediction of airfoils using deep learning［J］. Aerospace Science and Technology， 2020， 105： 105949.
13	DURU C， ALEMDAR H， BARAN O U. A deep learning approach for the transonic flow field predictions around airfoils［J］. Computers & Fluids， 2022， 236： 105312.
14	THUEREY N， WEIßENOW K， PRANTL L， et al. Deep learning methods for reynolds-averaged navier–stokes simulations of airfoil flows［J］. AIAA Journal， 2020， 58（1）： 25-36.
15	ZUO K J， YE Z Y， ZHANG W W， et al. Fast aerodynamics prediction of laminar airfoils based on deep attention network［J］. Physics of Fluids， 2023， 35（3）： 037127.
16	LI Y F， CHANG J T， KONG C， et al. Recent progress of machine learning in flow modeling and active flow control［J］. Chinese Journal of Aeronautics， 2022， 35（4）： 14-44.
17	LI Y F， CHANG J T， WANG Z A， et al. Inversion and reconstruction of supersonic cascade passage flow field based on a model comprising transposed network and residual network［J］. Physics of Fluids， 2019， 31（12）： 126102.
18	杜周，徐全勇，宋振寿，等. 基于深度学习的压气机叶型气动特性预测［J］. 航空动力学报， 2023， 38（9）： 2251-2260.
	DU Z， XU Q Y， SONG Z S， et al. Prediction of aerodynamic characteristics of compressor blade profile based on deep learning［J］. Journal of Aerospace Power， 2023， 38（9）： 2251-2260 （in Chinese）.
19	JIN Y， LI S， JUNG O. Prediction of flow properties on turbine vane airfoil surface from 3D geometry with convolutional neural network［C］‍∥ Proceedings of ASME Turbo Expo 2019： Turbomachinery Technical Conference and Exposition， 2019
20	LI J X， LI Y Z， LIU T Y， et al. Multi-fidelity graph neural network for flow field data fusion of turbomachinery［J］. Energy， 2023， 285： 129405.
21	冯云阳，宋西镇，袁巍，等. 基于物理嵌入神经网络的叶栅损失模型［J］. 航空动力学报， 2023， 38（7）： 1615-1625.
	FENG Y Y， SONG X Z， YUAN W， et al. Physics-informed neural networks based cascade loss model［J］. Journal of Aerospace Power， 2023， 38（7）： 1615-1625 （in Chinese）.
22	YANG G A， YANG Y， LU Z Z， et al. STA-TSN： spatial-Temporal Attention Temporal Segment Network for action recognition in video［J］. PLoS One， 2022， 17（3）： e0265115.
23	LI J N， WONG Y， ZHAO Q， et al. Attention transfer from web images for video recognition［C］∥ Proceedings of the 25th ACM international conference on Multimedia. New York： ACM， 2017： 1-9.
24	ZHAO Y C， ZHANG J P， DUAN R， et al. Lightweight target-aware attention learning network-based target tracking method［J］. Mathematics， 2022， 10（13）： 2299.
25	WANG Y Q， LIU T Y， ZHANG D. Aerodynamic prediction on the off-design performance of a S-CO₂ turbine based on deep learning［C］‍∥ Proceedings of ASME Turbo Expo 2021： Turbomachinery Technical Conference and Exposition， 2021.
26	POST P， WINHART B， DI MARE F. Investigation of physics-informed neural networks based solution techniques for internal flows［C］‍∥Proceedings of ASME Turbo Expo 2022： Turbomachinery Technical Conference and Exposition， 2022.
27	CHEN C F R， FAN Q F， PANDA R. CrossViT： cross-attention multi-scale vision transformer for image classification［C］‍∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 347-356.
28	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： transformers for image recognition at scale［DB/OL］. arXiv preprint： 2010.11929， 2020.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

相对换算转速	转速/（r·min^-1）	S1安装角/（°）
1.00	9 687.0	18.87
0.99	9 590.1	17.11
0.90	8 718.3	3.63
0.80	7 749.6	-5.42

模块	层名称	输出尺寸
嵌入层	重塑层	196×768
嵌入层	全连接层	196×512
Transformer 编码器×3	归一化层	197×512
	多头注意力	197×512
	残差连接	197×512
	归一化层	197×512
	多层感知机	197×512
	残差连接	197×512
特征输出	层归一化	512
特征输出	全连接层	8

模块	层名称	卷积核/步长/填充	输出尺寸
线性模块	全连接层1		5 632
线性模块	全连接层2		1 536
塑形	塑形层		256×2×3
转置卷积×7	转置卷积1	2×2/2/0	128×4×6
转置卷积×7	ELU		128×4×6
转置卷积	转置卷积8	2×2/2/0	1×512×768
转置卷积	ELU		1×512×768
卷积×7	卷积1	2×2/2/0	2×256×384
卷积×7	ELU		2×256×384
卷积	卷积8	2×2/2/0	256×2×3
	ELU		256×2×3
	平均池化层	2×2/2/0×1	256×1×2
塑形	扁平化层		512
线性模块×5	全连接层3		1 024/512/128/32/1
线性模块×5	ELU		1 024/512/128/32/1

名称	相对换算转速	半径/m
训练集	0.8、0.83、0.85、0.87、0.89、0.91、0.93、0.95、0.97、0.99、1.015	0.18、0.21、0.24、0.27、0.30、0.33、0.36
验证集	0.86、0.90、0.94、0.98以及训练集转速上其他半径	0.18、0.21、0.24、0.27、0.30、0.33、0.36（部分工况增加了其他半径，如0.195、0.285等）
测试集	0.88、0.92、0.96、1.00以及训练集转速上其他半径	0.18、0.21、0.24、0.27、0.30、0.33、0.36（部分工况增加了其他半径，如0.255、0.345等）

名称	版本	时间/h
平台	Windows
CPU	Intel（R） Xeon（R） Platinum 8375C CPU @ 2.90 GHz
GPU	NVIDIA GeForce RTX4090	44
Cuda	11.8
Pytorch	2.0.0+cu118

基于深度注意力网络的压气机流场重构方法

Compressor flow field reconstruction method based on deep attention networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[2]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[3]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[4]	王梓, 王靖皓, 李杨, 李璋, 于起峰. 基于轻量级神经网络的非合作目标位姿单目测量[J]. 航空学报, 2024, 45(22): 330248-330248.
[5]	武天才, 王宏伦, 任斌, 严国乘, 吴星雨. 基于学习的高超声速飞行器分层协调容错方法[J]. 航空学报, 2024, 45(22): 330191-330191.
[6]	樊云翔, 艾化楠, 王明振, 曹楷, 刘学军, 吕宏强. 基于深度学习的水上飞机非定常水载荷重构[J]. 航空学报, 2024, 45(20): 129882-129882.
[7]	李俊燊, 孟祥彦, 石暖暖, 李伟, 祝宁华, 李明. 光学神经网络智能处理：技术演变与未来展望[J]. 航空学报, 2024, 45(20): 630439-630439.
[8]	李少毅, 张雅淇, 程岳, 杨曦, 张良, 林健, 孟中杰. 场景抽象语义综合模型及其在红外弱小目标检测中的应用[J]. 航空学报, 2024, 45(20): 630702-630702.
[9]	孔祥锡, 秦闻远, 苏飘逸, 化永朝, 董希旺, 王丽, 苏盈, 吕坤. 基于深度学习及模糊层次分析的毁伤评估算法[J]. 航空学报, 2024, 45(19): 329503-329503.
[10]	褚昭晨, 宋韬, 金忍, 林德福. 基于视觉图像的空对空多无人机目标跟踪[J]. 航空学报, 2024, 45(14): 629379-629379.
[11]	李峻宇, 刘乾坤, 付莹. 融合注意力机制的红外小目标检测[J]. 航空学报, 2024, 45(14): 628959-628959.
[12]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[13]	陈立群, 邹旭, 张磊, 朱颖盼, 王港, 陈金勇. 基于国产商用器件的星载智能目标检测技术[J]. 航空学报, 2023, 44(S2): 728860-728860.
[14]	刘鹏宇, 朱雪耀. 基于深度学习的融合空域空管指令语义解析技术[J]. 航空学报, 2023, 44(S1): 727592-727592.
[15]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.