Investigación sobre el Modelo Suplementario del Rendimiento de Turbinas de Geometría Variable Basado en Redes Neuronales de Retropropagación
Autores: Deng, Liping; Wu, Hu; Liu, Yuhang; Xie, Qi"an
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Investigación sobre el Modelo Suplementario del Rendimiento de Turbinas de Geometría Variable Basado en Redes Neuronales de Retropropagación
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Turbinas de gas
Turbina de geometría variable
Mezcla de aire de enfriamiento
Método cuasi bidimensional
Red neuronal BP
Modelo sustituto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Para cumplir con los indicadores de rendimiento cada vez más estrictos de las turbinas de gas, la temperatura de entrada de la turbina ha aumentado y se aplica ampliamente la tecnología de turbinas de geometría variable. Por lo tanto, este estudio desarrolló un método cuasi-bidimensional (cuasi-2D) para el rendimiento de turbinas de geometría variable considerando la mezcla de aire de enfriamiento, basado en el método de palas elementales y el modelo de mezcla de flujo de aire de enfriamiento. Para abordar el problema de ajuste de datos de alta dimensión y múltiples variables de las turbinas de geometría variable considerando los efectos del aire de enfriamiento, este estudio adoptó una red neuronal BP para establecer un modelo sustituto para el rendimiento de la turbina de geometría variable. Se realizó un análisis de sensibilidad de una turbina de una sola etapa. Se calcularon el rendimiento de enfriamiento de geometría variable de una turbina de una sola etapa y de una turbina de aire de baja presión de cinco etapas, y se establecieron los modelos sustitutos correspondientes. Los errores relativos entre la tasa de flujo másico calculada y la eficiencia de la turbina de una sola etapa y los valores experimentales no fueron superiores al 0.70% y al 4.44%, respectivamente; para la turbina de aire de cinco etapas, los errores relativos máximos en la tasa de flujo másico y la eficiencia no fueron superiores al 1.67% y al 1.385%, respectivamente. Cuando el área de la garganta de la boquilla de la turbina de una sola etapa cambió en +/-30%, los errores relativos máximos entre la tasa de flujo másico calculada y la eficiencia y sus valores experimentales fueron del 3.602% y del 4.228%, respectivamente; así, los coeficientes de determinación del modelo de red neuronal BP construido para las muestras de entrenamiento fueron todos superiores a 0.999, lo que indica que el modelo sustituto tiene una alta precisión de predicción y una fuerte capacidad de generalización y puede predecir rápidamente el rendimiento de enfriamiento de la turbina de geometría variable.
Descripción
Para cumplir con los indicadores de rendimiento cada vez más estrictos de las turbinas de gas, la temperatura de entrada de la turbina ha aumentado y se aplica ampliamente la tecnología de turbinas de geometría variable. Por lo tanto, este estudio desarrolló un método cuasi-bidimensional (cuasi-2D) para el rendimiento de turbinas de geometría variable considerando la mezcla de aire de enfriamiento, basado en el método de palas elementales y el modelo de mezcla de flujo de aire de enfriamiento. Para abordar el problema de ajuste de datos de alta dimensión y múltiples variables de las turbinas de geometría variable considerando los efectos del aire de enfriamiento, este estudio adoptó una red neuronal BP para establecer un modelo sustituto para el rendimiento de la turbina de geometría variable. Se realizó un análisis de sensibilidad de una turbina de una sola etapa. Se calcularon el rendimiento de enfriamiento de geometría variable de una turbina de una sola etapa y de una turbina de aire de baja presión de cinco etapas, y se establecieron los modelos sustitutos correspondientes. Los errores relativos entre la tasa de flujo másico calculada y la eficiencia de la turbina de una sola etapa y los valores experimentales no fueron superiores al 0.70% y al 4.44%, respectivamente; para la turbina de aire de cinco etapas, los errores relativos máximos en la tasa de flujo másico y la eficiencia no fueron superiores al 1.67% y al 1.385%, respectivamente. Cuando el área de la garganta de la boquilla de la turbina de una sola etapa cambió en +/-30%, los errores relativos máximos entre la tasa de flujo másico calculada y la eficiencia y sus valores experimentales fueron del 3.602% y del 4.228%, respectivamente; así, los coeficientes de determinación del modelo de red neuronal BP construido para las muestras de entrenamiento fueron todos superiores a 0.999, lo que indica que el modelo sustituto tiene una alta precisión de predicción y una fuerte capacidad de generalización y puede predecir rápidamente el rendimiento de enfriamiento de la turbina de geometría variable.