基于URANS与混合RANS/LES方法的跨声速发动机压气机失速前预测

《International Journal of Heat and Fluid Flow》：Pre-stall prediction of a transonic engine compressor based on URANS and hybrid RANS/LES methodology

　　

•DDES（延迟分离涡模拟）和URANS（非定常雷诺平均纳维-斯托克斯）对跨声速和亚声速条件下发动机压气机的预测。
•仿真结果与设计和非设计条件下的真实发动机数据进行比较。
•通过DDES实现了对压气机失速前行为的显著改善的分辨率。
•将叶尖泄漏涡扰动与高分辨率机匣壁压力数据联系起来。

轴流压气机在接近流动稳定性极限时，会形成气动不稳定并可能发展为旋转失速。目前主要存在两种失速起始机制：模态失速和尖峰型失速。尖峰型失速常见于跨声速压气机，其与短尺度扰动相关，如叶尖泄漏涡（TLV）的破裂或前移，但发动机特定条件下的失速机制仍不明确，导致预失速预警系统需要间接方法。为此，研究人员旨在通过数值模拟，将机匣壁压力信号中的可检测特征与转子叶尖区域的实际流动物理机制关联起来，并评估URANS（非定常雷诺平均纳维-斯托克斯）与DDES（延迟分离涡模拟）在真实发动机压气机中的预测能力。该研究采用Larzac 04C5涡扇发动机的低压压气机（LPC）第一级作为测试对象，使用基于TRACE求解器的URANS和DDES方法，模拟了跨声速（n_red,rel=90%）和亚声速（n_red,rel=76%）两种转速下的三个节流状态。结论表明，DDES方法在压气机图谱特性、径向压力载荷分布以及非定常机匣壁压力数据方面，均显著优于URANS，能够解析叶尖泄漏涡系统引起的堵塞和质量流量重新分布，并再现实验中的预失速扰动机理。该研究揭示了在真实发动机压气机数值模拟中采用尺度解析方法的必要性，论文发表在《International Journal of Heat and Fluid Flow》。

研究人员采用的主要关键技术方法包括：基于结构化OCH网格（约1250万单元）的URANS和DDES模拟，网格在叶尖间隙区域进行精细化加密（37个节点，最大Δζ⁺<160）；采用45度扇形段，通过缩放叶片数（R1: 23→24, S1: 61→64）实现周期性边界条件；使用k-ω湍流模型（Wilcox, 1988），DDES基于Spalart等（2006）的延迟DES方法，子网格尺度由Shur等（2015）的涡量方法确定；时间离散采用三阶隐式Runge-Kutta方法（720时间步每转子叶片通过周期）；边界条件基于实验遍历边界层数据，指定径向总压总温分布，设定湍流强度2%和湍流长度尺度0.0002m；统计收敛性基于至少5转子转数的数据，验证了95%置信区间。

**4.1. Integral speedline data**：通过比较RANS、URANS和DDES计算的总压比-折合质量流量速度线，发现DDES结果与实验参考数据吻合更好，尤其在节流状态下，DDES预测了质量流量持续下降（接近失速），而URANS仍保持稳定，表明DDES能捕捉到更接近失速的行为。

**4.2. Integral radial distributions**：通过比较径向总压比和累积质量流量分布，发现DDES在叶尖区域的总压预测与实验更一致，而URANS高估了叶尖总压；在节流时，DDES预测了叶尖质量流量向中径转移，反映了叶尖泄漏涡系统引起的堵塞增大，而URANS未捕捉到这种重新分布，这被认为是模型偏差的主要原因。

**4.3. Casing wall pressure correlations**：通过比较机匣壁压力信号和FFT频谱，DDES解析了压力信号中的不规则振荡，与实验数据更接近，而URANS保持严格周期性；FFT显示DDES捕捉了宽频带谱能量，而URANS仅显示叶片通过频率（BPF）及其谐波；通过分析叶尖涡结构，DDES关联了压力信号中的异常（如压力最小值偏移）与叶尖泄漏涡的前移和溢出，例如在节流时出现泄漏涡溢出前缘，导致压力信号周期性丧失。

总结讨论部分，研究人员明确指出，DDES方法在解析叶片压力特征中的不规则性以及覆盖宽频带谱能量分布方面