基于图学习方法的燃气轮机 Hirth 联轴器物理场重构与结构优化

《Applied Sciences》：Physical Field Reconstruction and Structural Optimization of Gas Turbine Hirth Couplings Based on Graph Learning Method

　　

摘要

赫尔茨联轴器连接燃气轮机转子盘并传递扭矩，使其成为高效能量转换和功率输出的关键。为解决当前赫尔茨联轴器强度研究缺乏、优化研究有限及优化方法低效的问题，提出了一种用于多机械场重构和结构优化的赫尔茨联轴器强度预测图卷积网络（HSP-GCN）。HSP-GCN 可根据结构参数快速重构赫尔茨齿面上的位移、应力和接触压力场。通过与深度神经网络和卷积神经网络模型的比较，展示了其快速准确性能的优势。据我们所知，这是首次使用基于神经网络的代理模型进行赫尔茨联轴器的场重构和性能预测。结果表明，除u_x外，所有重构场的场平均绝对误差均低于 0.02。最大冯·米塞斯应力和最大接触压力的相对误差通常在 ±5% 以内，在设计空间边界附近的一个代表性案例中观察到误差为 ?5.76%。同时，提出了一种基于 HSP-GCN 的赫尔茨联轴器多约束优化方法。优化后的设计使最大冯·米塞斯应力降低了 15.4%。本研究可为加速分析和优化提供有效且新颖的工具。