基于增材制造和机器学习的非规则发散冷却的传热机制和建模方法研究

Effusion cooling was considered to be the next logical step of external cooling technologies for hot section components in gas turbine engines. By adaptively distributing cooling holes, effusion cooling could dramatically enhance the efficiency of the existing film cooling approaches. Recently matured additive manufacturing techniques and machine learning methods provided extensive fabrication capabilities and modeling accuracy for effusion cooling. This project proposes an irregular effusion cooling approach for hot sections components with complex micro cooling pores and adaptive pore distributions. Metallic additive manufacturing technologies and machine learning methods will be adopted to support the characterization of aero-thermal performance of effusion cooling. The objective of this project is to reveal the heat transfer mechanisms of irregular effusion cooling, establish a robust heat transfer model for a wide range of effusion cooling configurations, and develop optimization strategies for a series of effusively cooled hot section components. The proposed cooling approach overrides the conventional external cooling concepts and seeks for additional degrees of freedom for heat transfer designing. The results are expected to provide a comprehensive knowledge base for the research and development of gas turbine engines.

发散冷却是航空发动机和燃气轮机热端部件的下一代冷却技术。复杂的非规则发散冷却结构，区别于现有的离散气膜冷却，可以显著提高冷却性能。先进的制造工艺和建模技术为非规则发散冷却的研究提供了充分的技术条件和理论基础。金属增材制造使得非规则构型的探索自由度大幅提升；机器学习方法能有效地描述非规则因素造成的复杂传热现象。本项目提出利用非规则孔隙形状和随机孔隙排布构建区别于传统发散冷却的新型冷却结构，拟采用金属增材制造技术和机器学习算法，开展一系列的流动传热和优化研究，阐释非规则形态下发散冷却的流动和传热特性，构建高精度低成本且具有泛化能力的发散冷却机器学习方法，形成区别于传统解析关联式的发散冷却的量化模型，发展适于热端部件的发散冷却优化策略。拟研究的发散冷却概念突破了传统的多孔类冷却思维，研究成果有助于推动热端部件冷却技术的进一步发展。

航空发动机是关系国家安全的重要动力推进装备。发散冷却是提高航空发动机燃烧室和涡轮等热端部件工作温度水平的有效手段，也是下一代航空发动机的重要冷却技术之一。本项目结合自身研究基础，突破传统的多孔类发散冷却思维，提出利用非规则孔隙形状和非规则孔隙排布构建新型冷却结构，拟采用金属增材制造技术和机器学习算法，开展一系列的流动传热和优化研究，阐释非规则形态下发散冷却的流动和传热特性，构建高精度低成本且具有泛化能力的发散冷却机器学习方法，形成区别于传统解析关联式的发散冷却的量化模型，发展适于热端部件的发散冷却优化策略。.针对非规则孔隙排布，本项目利用卷积神经网络的建立需要考虑局部特征对全局的影响范围，以及局部特征的位置对结果的影响程度。研究发现，在局部特征可以影响全局或局部特征的位置对结果有较大影响时，由于需要更大的感受野，选用大的卷积核能够更好地建模。基于生成对抗网络的二维数据预测模型的训练过程包含生成器与判别器的对抗，生成器带有U形网络结构的编码-解码过程，所以对二维数据整体特征的分布拟合效果良好。创新地提出了循环神经网络，此种网络将偏微分方程的特性纳入深度学习当中，是流动传热问题在深度学习中的很好的探索，网络的训练参数少，用物理规律结合深度学习，在平板气膜冷却和发散冷却中预测效果很好。.针对非规则孔隙的优化问题，本项目将深度学习模型与遗传算法结合，对发散冷却孔布局进行优化，实现了自动寻优设计，设计结果经过数值模拟验证，验证了深度学习模型在涡轮冷却数据建模方面的准确性和快速性，以及与优化算法结合开展工程设计的可行性。可以将孔分布的设计看作是一系列开关孔的决策，从而将其转化为马尔科夫决策过程并利用强化学习方法进行求解。.本项目的研究突破了传统的规则排布的发散冷却结构形式，对未来航空发动机热端的高效冷却和高自由度结构设计具有参考价值。