轴向压缩机的设计和分析是时间和成本密集型的，因为传统方法需要在周期分析步骤和最终几何结构之间进行多次迭代。现代的循环和组件经常被带到他们的极限，以实现尽可能高的效率和最低的燃料消耗。为了达到这一高效低耗的目标，特别是在现代燃气涡轮发动机中，高压压气机(HPC)的压力比不断提高。然而，这导致在HPC的第一级较高的转子尖端相对马赫数，导致陡峭的性能特征图。轴向压缩机的一般性能图如图1所示。
性能图表示压气机的行为，并用于压气机涡轮匹配和失速裕度评估。地图还可以比较不同的压缩机，以确定最适合给定应用的设计。这些图通常绘制压力比与修正质量流量和转速的关系。该地图有一个左边界界限称为浪涌线和一个右边界界限称为阻塞线。压缩机可以预测地在这些范围内运行。
这些地图是通过物理实验创建的，早期的原型机或最终的压缩机设计被集成到一个测试平台上，该平台上有几个压力传感器、质量流量计、油门和其他几个测试设备。这样做的成本很高，因此希望执行的测试数量较低。此外，如果操作人员过节流质量流量，压缩机可能会通过喘振线。这可能导致在入口处发生爆炸性放电并造成严重损坏。因此，随着计算机技术的不断进步，计算流体动力学(CFD)方法得到了更多的应用，正在取代昂贵的试验台，特别是在设计过程的早期阶段。使用CFD有优点，但也有缺点。工程师可以自动化多个操作点的运行过程;然而，这个过程仍然很慢，需要一个精细的网格来获得准确的结果。
在各种操作条件下进行全周期分析所需的性能图仅对固定的几何结构有效。这导致了一个有趣的挑战。如上所述，趋向于更高压力比的趋势伴随着更陡峭的速度线。这缩小了压缩机的工作范围，这是不可取的。为了改善这种情况，在前几个阶段采用了可变导叶。这些叶片的金属角度可以根据当前工作点进行调整，允许更宽的工作范围。尽管对最终的实现很有用，但这种压缩器的设计更加困难。如前所述，这些映射仅对固定的几何结构有效。这意味着使用vgv，需要生成各个潜在角度叶片位置的映射，或者只生成几个不同叶片角度的映射，并采用插值方法。这引入了由于插值造成的不准确性。
那么，如何改进流程，节省时间，加快设计过程呢?还有可能进一步改善吗?答案是肯定的。公司现在正在探索人工智能(AI)。近年来，人工智能算法已被用于各种各样的任务中，并因其提供的灵活性和高精度而越来越受欢迎。一个常见的例子是服务聊天机器人，它们在回答问题的同时也在学习在互动中找到更好或更准确的答案。同样的原理可以用于压缩机的设计，以及其他涡轮机械的设计，如泵和涡轮机。BETVICTOR体育官网
某些特征可以基于一组作为AI模型训练数据的数据进行预测。这包括性能映射。入口直径、叶片角度等几何值或压比或设计质量流量等设计点值可以作为输入，整个性能图或初始压缩机几何形状可以作为输出。这一切都将由模型的创建者决定，他将确定准确的输入和输出。训练数据可以是专门为训练人工智能模型而创建的新数据，也可以是在公司运营过程中积累起来的现有信息。新的数据也可以添加到现有的人工智能算法中，这有助于提高输出的准确性。它具有高度的任务灵活性，用于适应工程师可能遇到的各种问题或需求。
图2展示了人工智能的高保真、省时功能。
-Pressure-Ratio-and-b)-Efficiency.png)
该图像显示了实际数据与压缩机压比和效率图的AI预测的直接比较。这是基于在Turbo Expo 20221上发表的一项研究，该研究开发了不同的人工智能模型，并对它们进行了比较。其中的点代表3D CFD获得的实际数据，而蓝色和红色的线是AI预测。它们表明了一种共识，并证明了人工智能可能的高准确性。现在，请记住，地图上的每个点的实际数据是通过3D CFD获得的，根据网格细化，可能需要几个小时，如果不是几天。AI输出可在数秒内获得。此外，该模型还以输出初始压缩机几何形状的方式建立，其示例如图3所示。
在这个例子的基础上，在图3中，AI也可以被定制为只预测一个单一的点。有了这种配置，AI就可以直接整合到机器的周期分析中。循环参数可以作为输入和压力比，然后将效率提供给循环分析工具。一个喷气式发动机循环的示例方案如图4所示。
这里还存在另一个节省时间的方面。通过将AI与循环分析工具结合使用，它可以替换部件(压缩机、风扇等)，并直接提供效率值。这意味着效率值不再需要在迭代过程中假设或精心确定，而在传统设计方法中通常是这样。此外，在每个组件设计步骤中更新效率并反馈到循环分析中。这可以减少到AI的几次迭代，因为AI模型基于训练数据立即提供效率。它还输出匹配的压缩机几何形状，这大大简化了设计过程，因为工程师将从初始几何形状开始，而不是从零开始。
虽然性能图通常是资源密集型的，特别是在压缩机中包含可变几何图形并使用传统的创建方法时，但它们对于精确的循环设计和分析至关重要。人工智能的使用使工程师能够比以前更快地生成地图和压缩机几何图形，并将增强整个机器设计过程，以及各种组件的优化。
参考文献
Burlaka,卡里尼。莫罗兹是列尼德。“利用自主自我训练AI生成轴向压缩机地图。”2022年ASME涡轮博览会论文集