Способы создания функциональных моделей деталей газотурбинных двигателей с использованием численного моделирования и алгоритмов машинного обучения на примере диска турбины

Каждый авиационный газотурбинный двигатель имеет конструктивно-компо-новочные и технологические особенности, что влияет на его ресурс. Для учета всех факторов, влияющих на ресурс двигателя, требуется большой объем вычислений.
В связи с этим актуальна разработка функциональных моделей, представляющих собой виртуальные образы основных деталей каждого двигателя и содержащих информацию об их геометрии, параметрах нагружения и характеристиках. Эти модели должны выражать связь между множеством параметров, измеряемых или вычисляемых во время полета, с расчетными значениями циклической долговечности основных деталей. В последнее время для решения подобных задач применяют методы машинного обучения. Их особенность — обучение в процессе анализа множества решений при различных параметрах. Рассмотрен подход, позволяющий создавать функциональные модели элементов газотурбинных двигателей на основе численного моделирования теплонапряженного состояния и алгоритмов машинного обучения.

Литература

[1] Иноземцев А.А., Сандрацкий В.Л. Газотурбинные двигатели. Пермь, ОАО «Авиадвигатель», 2006. 1204 с.

[2] Елисеев Ю.С., Крымов В.В., Малиновский К.А., Попов В.Г. Технология эксплуатации, диагностики и ремонта газотурбинных двигателей. Москва, Высшая школа, 2002. 355 с.

[3] Ножницкий Ю.А. Современные методы обеспечения прочностной надежности деталей авиационных двигателей. В сб. работ ФГУП «ЦИАМ им. П.И. Баранова», Москва, ТОРУС ПРЕСС, 2010. 456 c.

[4] Резник С.В. Актуальные проблемы проектирования, производства и испытания ракетно-космических композитных конструкций. Актуальные проблемы развития ракетно-космической техники и систем вооружений. Тр. МГТУ им. Н.Э. Баумана, 2013, № 606, с. 295–311.

[5] Малинин Н.Н. Прикладная теория пластичности и ползучести. Москва, Машиностроение, 1975. 400 c.

[6] Lee Y.-L., Barkey M.E., Kang H.-T. Metal fatigue analysis handbook. Practical Problem-Solving Techniques for Computer-Aided Engineering. Boston, Elsevier, 2012. 580 p.

[7] Collins J.A. Failure of Materials in Mechanical Design. New York, John Wiley & Sons, 1981. 622 p.

[8] Формалев В.Ф., Ревизников Д.Л. Численные методы. Москва, Физматлит, 2004. 400 c.

[9] Johansson R. Numerical Python. New York, Apress, 2015. 481 p.

[10] Биргер И.А., Шорр Б.Ф., Иосилевич Г.Б. Расчет на прочность деталей машин. Москва, Машиностроение, 1993. 640 c.

[11] Серенсен С.В. Исследования малоцикловой прочности при высоких температурах. Москва, Наука, 1975. 128 c.

[12] Haslwanter T. An Introduction to Statistics with Python. Berlin, Springer, 2015. 278 p.

[13] Downey A.B. Think Stats. Sebastopol, O’Reilly Media publ., 2015. 206 p.

[14] McKinney W. Python for Data Analysis. Sebastopol, O’Reilly Media publ., 2015. 482 p.

[15] Andreas C.M., Guido S. Introduction to Machine Learning with Python. Sebastopol, O’Reilly Media publ., 2017. 392 p.

[16] Brink H., Joseph W.R., Fetherolf M. Real-World Machine Learning. Shelter Island, Manning, 2016. 427 p.

[17] Степнов М.Н., Шаврин А.В. Статистические методы обработки результатов механических испытаний. Москва, Машиностроение, 2005. 399 c.