1.本发明涉及航空发动机空气系统领域，具体涉及航空发动机一体化加力后框架流量分配预测方法。
背景技术：2.加力燃烧室是喷气式发动机重要的增推装置，通过将燃油喷入涡轮后燃气流(或燃气/外涵空气混合流)中燃烧，能大幅度提高发动机推重比，扩大飞行包线；已在军用涡喷和涡扇发动机中得以广泛应用。为了实现稳焰燃烧，传统加力燃烧室将火焰稳定器和喷油管路直接置于主气体流路中，不可避免的对主气流产生堵塞，导致发动机推重比降低，耗油率升高。为满足新一代航空发动机高性能需求，欧美等西方发达国家提出了一种“一体化加力后框架”的概念，即将涡轮后支板、喷油杆和火焰稳定器相集成，直接利用支板尾部钝体构型实现稳焰，具有低流阻，高效率和低重量的优点，被认为是新一代航空动力技术的重点发展方向。
3.随着发动机性能的不断提升，加力燃烧平均温度已超过2100k，远超材料的耐温极限，“热防护”已成为制约加力燃烧室技术发展的关键难点。发展高效冷却方式，并结合耐高温材料的使用被认为是突破制约加力燃烧室技术瓶颈的关键所在。面向一体化加力后框架热流环境建立高精度、低成本冷却气流量分配模型对于高效冷却结构的设计具有重要的理论和现实意义。
4.人工神经网络是由大量处理单元通过极其丰富和完善的连接而构成的自适应非线性动态系统，能够自主学习数据样本内在的数学关联，实现未知数据的预测。广义回归神经网络建立在非参数核回归基础上，以样本数据为后验条件，通过执行诸如parzen非参数估计，从观测样本里求得输入量和输出量之间的联结概率密度函数之后，直接计算出输出量对输入量的回归值。
5.这样一来，具体如何借助人工神经网络对航空发动机一体化加力后框架流量分配进行预测，以解决传统的一体化加力后框架结构建模复杂、求解耗时长而难以预测的缺点，就成为了本领域技术人员亟待解决的技术问题。
技术实现要素：6.本发明针对以上问题，提出了一种航空发动机一体化加力后框架流量分配预测方法，克服了一体化加力后框架结构建模复杂、求解耗时长而难以预测的缺点，提供一种低成本、高精度预测方法。
7.本发明的技术方案为：按以下步骤进行：
8.步骤1、确定一体化加力后框架流量分配预测模型的输入参数及其变化区间；
9.步骤2、进行拉丁超立方数值实验设计以及三维流动传热物理模型求解，为预测模型提供训练样本和测试样本；
10.步骤3、基于广义回归神经网络建立流量分配预测模型，并基于交叉验证方法确定
模型的经验系数，并训练所建立的预测模型；
11.步骤4、利用步骤3中训练之后的预测模型对一体化加力后框架流量分配进行预测。
12.进一步的，所述预测模型输入参数包括主流和外涵道边界条件，具体包括主流入口总温、主流入口总压、外涵总压、外涵总温、主流出口静压。所述预测模型输出参数包括一体化加力后框架各部件的冷却气输出量。
13.进一步的，步骤2中的训练样本，通过拉丁超立方抽样设计及三维流动传热物理模型求解，数量为12
×
n，n为模型输入参数的个数，测试样本通过设计区间随机抽样方法产生，数量为1/4的训练样本。
14.进一步的，步骤3中的广义回归神经网络模型，包括输入层、模式层、求和层和输出层；模式层中神经元的输出为：
[0015][0016]
其中，x为网络的输入量，xi为第i个神经元对应的学习样本，求和层的输出为：
[0017][0018][0019]
其中，yi为输出样本中第i个元素的连接权重；输出层的输出为
[0020]
进一步的，步骤3中，交叉验证方法将训练样本分为k类，每个子集数据分别作为一次验证集，其余k-1组子集作为训练集，利用k次模型预测精度的平均值作为整体预测精度。
[0021]
本发明的有益效果是：
[0022]
1)本发明方法预测成本低：预测过程中不需要建立一体化加力后框架结构模型及求解流动传热物理方程，耗时短，成本低。
[0023]
2)本发明方法预测精度高：广义回归神经网络具有强学习能力，能深度挖掘数据之间的内在数值关联，计算精度高于传统经验关联式。
[0024]
3)本发明方法具有动态学习能力：随着后期数据的不断积累可进一步丰富训练样本，提高广义回归神经网络预测精度，这是传统物理模型求解方法所不具备的。
附图说明
[0025]
图1是一体化加力后框架的结构示意图；
[0026]
图2是本案中广义回归神经网络拓扑结构图。
具体实施方式
[0027]
为能清楚说明本专利的技术特点，下面通过具体实施方式，并结合其附图，对本专利进行详细阐述。
[0028]
本发明如图1-2所示，按以下步骤进行：
[0029]
步骤1，确定一体化加力后框架(一体化加力后框架包括一体化支板、中心锥、壁式稳定器、防振隔热屏)流量分配预测模型的输入参数及其变化区间；输入参数包括燃气入口总压和总温，燃气出口静压，外涵入口总压和总温，外涵出口静压；所述预测模型输出参数包括一体化加力后框架各部件，包括支板、中心锥、隔热屏的冷却气输出量。其中燃气温度变化区间为
±
5％，燃气压力变化区间
±
8％，外涵压力变化区间
±
6％，外涵温度变化区间为
±
8％；
[0030]
步骤2，进行拉丁超立方数值实验设计以及三维流动传热物理模型求解，为预测模型提供训练样本和测试样本；即利用拉丁超立方方法抽样进行实验设计，参考文献有：afzal a,kim k y,seo j.effects of latin hypercube sampling on surrogate modeling and optimization[j].international journal of fluid machinery and systems,2017,10(3):240-253；
[0031]
基于拉丁超立方方法进行训练样本设计，样本容量为12
×
n(n为模型输入参数的个数)，测试样本通过设计区间随机抽样方法产生，数量为1/4的训练样本，如表1所示；
[0032]
表1
[0033]
[0034]
[0035][0036]
步骤3，建立一体化后框架流量分配预测广义回归神经网络模型，并基于训练样本对神经网络进行训练，具体训练采用matlab神经网络工具箱newgrnn命令进行；
[0037]
步骤3中的广义回归神经网络模型，包括输入层、模式层、求和层和输出层；模式层中神经元的输出为：
[0038][0039]
其中，x为网络的输入量，xi为第i个神经元对应的学习样本，求和层的输出为：
[0040][0041][0042]
其中，yi为输出样本中第i个元素的连接权重；输出层的输出为：
[0043]
[0044]
进一步的，所述步骤3中，交叉验证方法将训练样本分为k类，每个子集数据分别作为一次验证集，其余k-1组子集作为训练集，利用k次模型预测精度的平均值作为整体预测精度。
[0045]
步骤4，基于测试样本对广义回归神经网络预测模型的泛化能力进行检测，通过matlab神经网络工具箱sim命令实现。
[0046]
经过测试，所建立的广义回归神经网络预测模型对支板冷气流量分配的预测误差为3.2％，对中心锥冷气流量分配的预测误差为2.8％，对隔热屏冷气流量分配预测误差为4.5％。
[0047]
本发明具体实施途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。
技术特征：1.一种航空发动机一体化加力后框架流量分配预测方法，其特征在于，按以下步骤进行：步骤1、确定一体化加力后框架流量分配预测模型的输入参数及其变化区间；步骤2、进行拉丁超立方数值实验设计以及三维流动传热物理模型求解，为预测模型提供训练样本和测试样本；步骤3、基于广义回归神经网络建立流量分配预测模型，并基于交叉验证方法确定模型的经验系数，并训练所建立的预测模型；步骤4、利用步骤3中训练之后的预测模型对一体化加力后框架流量分配进行预测。2.根据权利要求1所述的一种航空发动机一体化加力后框架流量分配预测方法，其特征在于，所述预测模型输入参数包括主流和外涵道边界条件，具体包括主流入口总温、主流入口总压、外涵总压、外涵总温、主流出口静压，所述预测模型输出参数包括一体化加力后框架各部件的冷却气输出量。3.根据权利要求1所述的一种航空发动机一体化加力后框架流量分配预测方法，其特征在于，步骤2中的训练样本，通过拉丁超立方抽样设计及三维流动传热物理模型求解，数量为12
×
n，n为模型输入参数的个数，测试样本通过设计区间随机抽样方法产生，数量为1/4的训练样本。4.根据权利要求1所述的一种航空发动机一体化加力后框架流量分配预测方法，其特征在于，步骤3中的广义回归神经网络模型，包括输入层、模式层、求和层和输出层；模式层中神经元的输出为：其中，x为网络的输入量，x
i
为第i个神经元对应的学习样本，求和层的输出为：为第i个神经元对应的学习样本，求和层的输出为：其中，y
i
为输出样本中第i个元素的连接权重；输出层的输出为5.根据权利要求1所述的一种航空发动机一体化加力后框架流量分配预测方法，其特征在于，步骤3中，交叉验证方法将训练样本分为k类，每个子集数据分别作为一次验证集，其余k-1组子集作为训练集，利用k次模型预测精度的平均值作为整体预测精度。
技术总结本发明公开了一种航空发动机一体化加力后框架流量分配预测方法，涉及航空发动机空气系统领域。克服了一体化加力后框架结构建模复杂、求解耗时长而难以预测的缺点。按以下步骤进行：步骤1、确定一体化加力后框架流量分配预测模型的输入参数及其变化区间；步骤2、进行拉丁超立方数值实验设计以及三维流动传热物理模型求解，为预测模型提供训练样本和测试样本；步骤3、基于广义回归神经网络建立流量分配预测模型，并基于交叉验证方法确定模型的经验系数，并训练所建立的预测模型；步骤4、利用步骤3中训练之后的预测模型对一体化加力后框架流量分配进行预测。预测成本低、预测精度高且具有动态学习能力。具有动态学习能力。具有动态学习能力。
技术研发人员：王海 王春华 陈皓 聂俊领 隋宏人 周建军
受保护的技术使用者：南京航空航天大学
技术研发日：2022.07.01
技术公布日：2022/11/1
