Синтетична генерація даних для нейромережевого моніторингу теплового стану лопаток ГТД на основі фізично обґрунтованих моделей

Abstract

Однією з ключових проблем при розробці систем проактивного моніторингу елементів газотурбінних двигунів (ГТД) є обмежена доступність репрезентативних експериментальних даних, що охоплюють повний діапазон умов експлуатації. Особливо гостро ця проблема постає для охолоджуваних робочих лопаток турбіни високого тиску (ТВТ), які працюють в умовах екстремальних теплових навантажень, а їх тепловий стан визначається складною взаємодією множини параметрів системи охолодження. Метою даного дослідження є розробка та обґрунтування методології синтетичної генерації навчальних даних на основі фізично обґрунтованих математичних моделей теплопередачі для навчання гібридної нейронної мережі, призначеної для моніторингу теплового стану охолоджуваних робочих лопаток ТВТ ГТД. Синтетичний набір даних сформовано з рівномірним покриттям п’яти вхідних параметрів: температури газу на вході в турбіну, тиску охоло джуючого повітря, температури охолоджуючого повітря, витрати охолоджуючого повітря та перепаду тиску газового потоку. Математична модель, використана для генерації даних, базується на критеріальних рівняннях теплообміну та відкалібрована на основі наявних експериментальних вимірювань. У даній статті розроблено схему віртуального препарування лопатки, що включає тридцять термопар у трьох характерних перерізах по висоті пера та один оптичний пірометр. Наукова новизна запропонованого підходу полягає у розробці комплексної та відтворюваної методології, яка одночасно враховує просторово розподілені вимірювання термопар у кількох характерних перерізах по висоті пера лопатки та інтегральний сигнал оптичного пірометра - комбінацію, характерну для реальних умов теплогідравлічних випробувань, проте раніше систематично не відтворену у синтетичних наборах даних для навчання нейронних мереж. Практична значимість отриманих результатів полягає в тому, що запропонована методологія забезпечує рівномірне покриття всього діапазону режимів роботи, формування збалансованої вибірки для всіх класів стану лопатки та дослідження індивідуального впливу кожного параметра системи охолодження без проведення дорогих натурних експериментів. Отримані результати підтверджують, що гібридна нейронна мережа, навчена на сформованому синтетичному наборі даних, досягає коефіцієнта детермінації R2 > 0,99 та середньої абсолютної похибки прогнозування, що не перевищує 2 % від діапазону робочих температур, що підтверджує адекватність методології та її придатність для навчання нейромережевих моделей моніторингу теплового стану лопаток ГТД.