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

要約

数値流体力学などの物理シミュレーションへの深層学習の応用への関心は最近急増しており、その実現可能性はさまざまな分野で実証されています。
ただし、非常に複雑で乱流で三次元の流れであるため、ターボ機械用途に使用できるかどうかはまだ証明されていません。
ガスタービン用途の多段軸流圧縮機は、幾何学的変数および動作変数からの流れ場の回帰が高次元であるため、非常に困難なケースとなります。
この論文では、多段軸流圧縮機の流れ場と空力性能を予測するための深層学習フレームワークの開発と適用について説明します。
物理ベースの次元削減により、自由度の数が減少するだけでなく、回帰問題が非構造化問題から構造化問題に再定式化されるため、流れ場予測の可能性が解き放たれます。
従来の「ブラックボックス」代理モデルと比較して、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。
これは、関連する性能のばらつきが $CO_2$ 排出量に重大な影響を与えることが知られているため、製造およびビルドのばらつきの影響をモデル化するために適用され、したがって産業および環境に大きく関連する課題を引き起こします。
提案されたアーキテクチャは、産業関連アプリケーションに関してリアルタイムで CFD ベンチマーク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に容易に統合されるため、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得られます。

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. Multi-stage 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 multi-stage axial compressors. A physics-based dimensionality reduction unlocks the potential for flow-field predictions, as it re-formulates the regression problem from an un-structured 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 overall performance by identifying the corresponding aerodynamic drivers. This is applied to model the effect of manufacturing and build variations, as the associated performance scatter is known to have a significant impact on $CO_2$ emissions, therefore posing 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