基于POD和DMD方法的压气机叶片瞬态流场分析与神经网络预测

基于POD和DMD方法的压气机叶片瞬态流场分析与神经网络预测

1. 引言

1.1 研究背景与意义

压气机作为航空发动机和燃气轮机的核心部件，其内部流动特性直接影响整个系统的性能和稳定性。压气机叶片流场具有高度复杂的三维非定常特性，包含各种涡系结构、激波/附面层干扰等复杂流动现象。准确捕捉和分析这些瞬态流动特征对于提高压气机性能、扩大稳定工作范围具有重要意义。

传统的流场分析方法往往基于稳态假设或简单的时均处理，难以充分揭示流场的动态特性。随着计算流体力学(CFD)和实验测量技术的发展，获取高时空分辨率的瞬态流场数据已成为可能。然而，如何从海量的流场数据中提取关键特征、建立降阶模型，并进一步实现流动预测和控制，仍然是当前研究的热点和难点。

1.2 研究方法概述

本课题将采用两种主要的流场降阶分析方法：本征正交分解(POD, Proper Orthogonal Decomposition)和动态模态分解(DMD, Dynamic Mode Decomposition)。这两种方法各有特点：

• POD方法：基于流场快照的统计特性，提取能量最优的正交基函数，能够有效捕捉流场的主要能量结构。
• DMD方法：基于流场的时间演化特性，提取与特定频率相关的动态模态，能够识别流场的动态特征和稳定性特性。

在完成流场分解与重构后，将进一步利用深度学习方法建立流场预测模型，实现对压气机流场的