一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用

doi:10.7527/S1000-6893.2023.28169

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用

王浩浩¹^,², 高丽敏¹^,²(), 杨光¹^,², 吴宝海³

^1.西北工业大学动力与能源学院，西安 710072
^2.西北工业大学翼型、叶栅国家级重点实验室，西安 710072
^3.西北工业大学机电学院，西安 710072

收稿日期:2022-10-26 修回日期:2022-11-25 接受日期:2023-01-03 出版日期:2023-09-15 发布日期:2023-01-12
通讯作者: 高丽敏 E-mail:gaolm@nwpu.edu.cn
基金资助:
国家自然科学基金(51790512);西北工业大学博士创新种子基金(CX2021075)

Received:2022-10-26 Revised:2022-11-25 Accepted:2023-01-03 Online:2023-09-15 Published:2023-01-12

摘要/Abstract

摘要：

发展了一种基于预处理矩阵的数据驱动不确定性量化算法，以解决实际工程中面临的实测数据稀缺及分布形式复杂的不确定性量化问题。通过鲁棒性分析、正交基函数的重构、非线性测试函数验证了所发展方法的有效性和精度。基于实测的叶片前缘半径和来流攻角随机波动数据，以某高亚声速压气机叶栅为研究对象，采用自主发展的不确定性量化方法定量评估了不确定性因素对叶栅气动性能的影响。结果表明：在设计攻角和大攻角下叶栅真实的总压损失系数高于名义值的概率分别为83.6%和69.9%；大攻角工况下叶栅总压损失的分散度约是设计工况下的2.4倍；前缘半径耦合来流攻角的不确定性引起前缘绕流发生较大波动，是导致叶栅总体性能退化及性能分散的主要原因。

关键词: 数据驱动, 不确定性量化, 压气机, 前缘半径, 来流攻角, 气动性能

中图分类号:

V231.1

王浩浩, 高丽敏, 杨光, 吴宝海. 一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用[J]. 航空学报, 2023, 44(17): 128169-128169.

图/表 24

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表1

非线性测试函数

编号

测试函数

y 1 = 20 e x p - X 1 + 2.7 2 2 2 π + e x p - X 1 - 2.7 2 8 2 π

y 2 = X 2 e x p - X 22 + 3 X 22 s i n X 2 + 7

y 3 = 7 c o s X 32 + X 32 + 5 X 3

表1

表2

表3

表4

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

图 16

图 17

图 18

图 19

图 20

参考文献 29

1	CAO Z Y， GAO X， LIU B. Control mechanisms of endwall profiling and its comparison with bowed blading on flow field and performance of a highly-loaded compressor cascade［J］. Aerospace Science and Technology， 2019， 95： 105472.
2	刘佳鑫，于贤君，孟德君，等. 高压压气机出口级叶型加工偏差特征及其影响［J］. 航空学报， 2021， 42（2）： 423796.
	LIU J X， YU X J， MENG D J， et al. State and effect of manufacture deviations of compressor blade in high-pressure compressor outlet stage［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（2）： 423796 （in Chinese）.
3	XIA Z H， LUO J Q， LIU F. Performance impact of flow and geometric variations for a turbine blade using an adaptive NIPC method［J］. Aerospace Science and Technology， 2019， 90： 127-139.
4	GOODHAND M N， MILLER R J， LUNG H W. The impact of geometric variation on compressor two-dimensional incidence range［J］. Journal of Turbomachinery， 2015， 137（2）： 021007.
5	郑新前，王钧莹，黄维娜，等. 航空发动机不确定性设计体系探讨［J］. 航空学报， 2023， 44（7）： 6-23.
	ZHENG X Q， WANG J Y， HUANG W N， et al. Uncertainty-based design system for aeroengines［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（7）： 6-23 （in Chinese）.
6	MA C， GAO L M， WANG H H， et al. Influence of leading edge with real manufacturing error on aerodynamic performance of high subsonic compressor cascades［J］. Chinese Journal of Aeronautics， 2021， 34（6）： 220-232.
7	SCHNELL R， LENGYEL-KAMPMANN T， NICKE E. On the impact of geometric variability on fan aerodynamic performance， unsteady blade row interaction， and its mechanical characteristics［J］. Journal of Turbomachinery， 2014， 136（9）： 091005.
8	WANG J Y， ZHENG X Q. Review of geometric uncertainty quantification in gas turbines［J］. Journal of Engineering for Gas Turbines and Power， 2020， 142（7）： 070801.
9	GARZON V E， DARMOFAL D L. Impact of geometric variability on axial compressor performance［J］. Journal of Turbomachinery， 2003， 125（4）： 692-703.
10	LUO J Q， LIU F. Statistical evaluation of performance impact of manufacturing variability by an adjoint method［J］. Aerospace Science and Technology， 2018， 77： 471-484.
11	XIU D B， KARNIADAKIS G E. The Wiener： Askey polynomial chaos for stochastic differential equations［J］. SIAM Journal on Scientific Computing， 2002， 24（2）： 619-644.
12	WUNSCH D， HIRSCH C， NIGRO R， et al. Quantification of combined operational and geometrical uncertainties in turbo-machinery design［C］∥ Proceedings of ASME Turbo Expo 2015： Turbine Technical Conference and Exposition. New York： ASME， 2015.
13	WANG T S， HE X F， WANG J Y， et al. Detail fatigue rating method based on bimodal Weibull distribution for DED Ti-6.5Al-2Zr-1Mo-1V titanium alloy［J］. Chinese Journal of Aeronautics， 2022， 35（4）： 281-291.
14	DER KIUREGHIAN A， LIU P L. Structural reliability under incomplete probability information［J］. Journal of Engineering Mechanics， 1986， 112（1）： 85-104.
15	OLADYSHKIN S， NOWAK W. Incomplete statistical information limits the utility of high-order polynomial chaos expansions［J］. Reliability Engineering & System Safety， 2018， 169： 137-148.
16	OLADYSHKIN S， CLASS H， HELMIG R， et al. A concept for data-driven uncertainty quantification and its application to carbon dioxide storage in geological formations［J］. Advances in Water Resources， 2011， 34（11）： 1508-1518.
17	OLADYSHKIN S， SCHRÖDER P， CLASS H， et al. Chaos expansion based bootstrap filter to calibrate CO₂ injection models［J］. Energy Procedia， 2013， 40： 398-407.
18	WANG F G， XIONG F F， JIANG H A， et al. An enhanced data-driven polynomial chaos method for uncertainty propagation［J］. Engineering Optimization， 2018， 50（2）： 273-292.
19	AHLFELD R， BELKOUCHI B， MONTOMOLI F. SAMBA： Sparse approximation of moment-based arbitrary polynomial chaos［J］. Journal of Computational Physics， 2016， 320： 1-16.
20	WANG X T， LIU R P， WANG X Z， et al. A data-driven uncertainty quantification method for stochastic economic dispatch［J］. IEEE Transactions on Power Systems， 2022， 37（1）： 812-815.
21	GUO L， LIU Y L， ZHOU T. Data-driven polynomial chaos expansions： A weighted least-square approximation［J］. Journal of Computational Physics， 2019， 381： 129-145.
22	WIENER N. The homogeneous chaos［J］. American Journal of Mathematics， 1938， 60（4）： 897.
23	HOSDER S， WALTERS R， BALCH M. Efficient sampling for non-intrusive polynomial chaos applications with multiple uncertain input variables［C］∥ Proceedings of the 48th AIAA/ASME/ASCE/AHS/ASC Structures， Structural Dynamics， and Materials Conference. Reston： AIAA， 2007.
24	CHUANG-STEIN C. Sample size and the probability of a successful trial［J］. Pharmaceutical Statistics， 2006， 5（4）： 305-309.
25	RAZALI N M， WAH Y B. Power comparisons of Shapiro-Wilk， Kolmogorov-Smirnov， Lilliefors and Anderson-Darling tests［J］. Journal of Statistical Modeling and Analytics， 2011， 2（1）： 21-33.
26	蔡明，高丽敏，刘哲，等. 不同条件下平面叶栅风洞流场品质的实验研究［J］. 推进技术， 2021， 42（5）： 1162-1170.
	CAI M， GAO L M， LIU Z， et al. Experimental study on flow field quality of linear cascade wind tunnel under different conditions［J］. Journal of Propulsion Technology， 2021， 42（5）： 1162-1170 （in Chinese）.
27	蔡明，高丽敏，刘哲，等. 基于抽吸的亚声速平面叶栅风洞流场品质控制研究［J］. 推进技术， 2021， 42（9）： 1985-1992.
	CAI M， GAO L M， LIU Z， et al. Flow field quality control of subsonic linear cascade wind tunnel based on suction［J］. Journal of Propulsion Technology， 2021， 42（9）： 1985-1992 （in Chinese）.
28	LI R Y， GAO L M， ZHAO L， et al. Dominating unsteadiness flow structures in corner separation under high Mach number［J］. AIAA Journal， 2019， 57（7）： 2923-2932.
29	GOODHAND M N， MILLER R J. Compressor leading edge spikes： A new performance criterion［J］. Journal of Turbomachinery， 2011， 133（2）： 1.

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

方法	样本数	均值	均值 Err/%	标准差	标准差/ Err%
MC	10⁶	2.162 4		0.483 1
拉丁超立方采样	500	2.162 3	0.004 6	0.485 9	0.579 6
拉丁超立方采样	1 000	2.155 1	0.342 2	0.478 1	1.035 0
拉丁超立方采样	1 500	2.168 0	0.258 9	0.482 6	0.103 0

方法	样本数	均值	均值 Err/%	标准差	标准差 Err/%
MC	10⁶	8.166 8		1.958 8
拉丁超立方采样	500	8.216 5	0.608 5	1.947 4	0.582 0
拉丁超立方采样	1 000	8.139 7	0.331 8	1.966 0	0.367 6
拉丁超立方采样	1 500	8.167 2	0.004 89	1.981 0	1.133 3

方法	样本数	均值	均值 Err/%	标准差	标准差 Err/%
MC	10⁶	7.384 4		0.749 3
拉丁超立方采样	500	7.415 7	0.423 8	0.748 4	0.120 0
拉丁超立方采样	1 000	7.383 7	0.009 5	0.751 1	0.240 2
拉丁超立方采样	1 500	7.377 7	0.090 73	0.755 1	0.774 1

[1]	张卫国, 唐敏, 武杰, 彭先敏, 章贵川, 聂博文, 王亮权, 李超群. 倾转旋翼机风洞试验综述[J]. 航空学报, 2024, 45(9): 530114-530114.
[2]	高天贺, 田阔, 黄蕾, 张澍, 李增聪. 数据驱动的曲面构件形状⁃拓扑协同优化方法[J]. 航空学报, 2024, 45(2): 428806-428806.
[3]	杨倩, 王彦哲, 杨迪, 李泽众, 曲巍崴. 基于数据驱动的纤维增强复合材料自动铺放速度预测与规划[J]. 航空学报, 2024, 45(10): 429313-429313.
[4]	农历, 盛子帅, 冼军, 张怀宝. 基于高精度算法的结冰翼型分离流动数值模拟[J]. 航空学报, 2023, 44(S2): 729291-729291.
[5]	崔西明, 邱志鹏, 魏嘉, 张弛, 宋凯, 李喆, 王树鹏. 基于数据驱动的结构钢表面应力磁巴克豪森噪声表征方法[J]. 航空学报, 2023, 44(8): 427237-427237.
[6]	刘德龙, 郭海宁, 尹海宝, 孟德君. 单级跨音压气机第1级可调静子在退喘过程中的气动力矩分析[J]. 航空学报, 2023, 44(24): 128550-128550.
[7]	张健, 张敏, 杜娟, 黄伟亮, 聂超群. 自适应康达喷气控制在高负荷压气机中的试验研究[J]. 航空学报, 2023, 44(22): 128883-128883.
[8]	刘汝兵, 陈泽帆, 林瑞鑫, 林麒. 等离子体合成射流主动控制平面叶栅叶片流致振动[J]. 航空学报, 2023, 44(20): 128430-128430.
[9]	董杰忠, 楚武利, 张皓光, 罗波, 晏松. 基于因果网络分析的扩压叶栅波浪形前缘控制机理[J]. 航空学报, 2023, 44(19): 128336-128336.
[10]	胡汉铎, 宋彦萍, 俞建阳, 刘瑶, 陈浮, 高文秀. 翼型不确定性量化中正交匹配追踪的应用[J]. 航空学报, 2023, 44(18): 128327-128327.
[11]	汪松柏, 陈勇, 吴亚东, 张少平, 曹志鹏. 轴流压气机转子叶片非同步振动研究进展[J]. 航空学报, 2023, 44(17): 28044-028044.
[12]	李秋琳, 周莉, 孙鹏, 史经纬, 王占学. 出口宽高比对S弯喷管流固耦合特性影响[J]. 航空学报, 2023, 44(14): 628204-628204.
[13]	刘锬韬, 李瑞宇, 高丽敏, 赵磊. 基于数据同化的试验数据驱动的叶栅流场预测[J]. 航空学报, 2023, 44(14): 628201-628201.
[14]	徐慎忍, 何晨, 孙大坤, 袁蔡嘉, 曹东明, 赵家资, 王丁喜. 基于高效特征值分析方法的旋转失速先兆预测[J]. 航空学报, 2023, 44(14): 628248-628248.
[15]	许志远, 杨明绥, 王萌. 压气机声共振特性理论预测与试验研究[J]. 航空学报, 2023, 44(14): 628236-628236.

一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价