Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics

要約

計算流体のダイナミクスなどの物理的シミュレーションへの深い学習のアプリケーションは、最近関心の急増を経験しており、それらの実行可能性は異なるドメインで実証されています。
ただし、非常に複雑で乱流、3次元の流れにより、ターボチャイナリーアプリケーションではまだ使用可能であることが証明されていません。
ガスタービン用途向けの多段階軸コンプレッサーは、幾何学的変数と運用変数からの流れ場の回帰の高次元性により、非常に困難なケースを表しています。
このペーパーでは、多段階軸コンプレッサーのフローフィールドの予測と空力性能の予測のための深い学習フレームワークの開発と応用を示しています。
物理ベースの次元削減アプローチは、フローフィールド予測の可能性を解き放ちます。これは、構造化されていないものから構造化されたものに回帰問題を再構築し、自由度の数を減らすためです。
従来の「ブラックボックス」サロゲートモデルと比較して、対応する空力ドライバーを特定することにより、全体的なパフォーマンスの予測に説明可能性を提供します。
モデルは、関連するパフォーマンス散布が$ CO_2 $排出量に大きな影響を与えることが知られているため、製造および構築のバリエーションに適用されます。
提案されたアーキテクチャは、業界に関連するアプリケーションのために、リアルタイムでCFDベンチマークの精度に匹敵する精度を達成することが証明されています。
展開されたモデルは、ガスタービンの製造および構築プロセス内に容易に統合されているため、実用的で説明可能なデータを使用してパフォーマンスへの影響を分析的に評価する機会が提供されます。

要約(オリジナル)

Applications of deep learning to physical simulations such as Computational Fluid Dynamics have recently experienced a surge in interest, and their viability has been demonstrated in different domains. However, due to the highly complex, turbulent, and three-dimensional flows, they have not yet been proven usable for turbomachinery applications. Multistage axial compressors for gas turbine applications represent a remarkably challenging case, due to the high-dimensionality of the regression of the flow field from geometrical and operational variables. This paper demonstrates the development and application of a deep learning framework for predictions of the flow field and aerodynamic performance of multistage axial compressors. A physics-based dimensionality reduction approach unlocks the potential for flow-field predictions, as it re-formulates the regression problem from an unstructured to a structured one, as well as reducing the number of degrees of freedom. Compared to traditional ‘black-box’ surrogate models, it provides explainability to the predictions of the overall performance by identifying the corresponding aerodynamic drivers. The model is applied to manufacturing and build variations, as the associated performance scatter is known to have a significant impact on $CO_2$ emissions, which poses a challenge of great industrial and environmental relevance. The proposed architecture is proven to achieve an accuracy comparable to that of the CFD benchmark, in real-time, for an industrially relevant application. The deployed model is readily integrated within the manufacturing and build process of gas turbines, thus providing the opportunity to analytically assess the impact on performance with actionable and explainable data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google