首页 / 年会论文 / 正文
基于深度学习的涡轮叶盘低周疲劳寿命可靠性灵敏度仿真
Reliability sensitivity simulation of the low-cycle fatigue of turbine blisk based on deep learning
2023-06-28 14:26
费成巍,刘皓天 ()
涡轮叶盘作为涡喷发动机最重要的组成部分之一,其疲劳寿命预测精度的高低影响了发动机及整机的使用性能。为了精确预测涡轮叶盘低周疲劳寿命,基于卷积神经网络(CNN,Convolutional Neural Network)和深度神经网络(DNN, Deep Neural Network)提出一种高效的深度学习模型,即CNN-DNN模型。该模型在双层卷积层的基础上迭代双层密集连接层,其中双层卷积层用于提取数据特征,双层密集连接层可分析简化后的数据参数。以涡轮叶盘低周疲劳寿命疲劳分析为例,通过对比DNN和CNN显示,CNN-DNN模型误差(0.0181)明显小于CNN(0.0546)和DNN(0.0285),最大样本偏差约为7.5%,证明了该模型具有高的预测精度。涡轮叶盘低周疲劳寿命疲劳可靠性灵敏度分析结果表明:当低周疲劳寿命允许值为5300 cycles时疲劳可靠度R约为0.996,疲劳延性指数c是影响涡轮叶盘低周疲劳寿命的主要因素,为涡轮叶盘低周疲劳寿命预测提供了一种新的有效模型。 关键词:CNN-DNN;灵敏度分析;可靠度分析;航空发动机;疲劳寿命;涡轮叶盘
来源:数字仿真论坛