旋转对内冷通道气膜孔流量系数的影响

为了获得涡轮叶片旋转时对气膜孔流量系数的影响,采用非结构化网格及标准k-ε紊流模型,求解三维N-S方程,对带90°肋和气膜孔出流的旋转矩形通道内的三维流场进行了数值模拟,气动参数变化范围是:通道入口雷诺数Re=60000,150000,罗斯贝数Ro=0,0.11,0.22,气膜孔总出流比为0.22和0.09。Ro≠0时,旋转效应对气膜孔流量系数有明显影响,通道顺时针旋转时,科氏力由上壁面指向带气膜孔的下壁面,引起流量系数增加;通道逆时针旋转时,情况相反。计算结果还表明,在通道内同一径向位置处的两个气膜孔的流量系数是不同的,通道顺时针旋转时,进入左侧孔的流体和气膜孔轴线的夹角小于进入右侧孔的流体和气膜孔轴线的夹角,导致左侧孔的流量系数大于右侧孔的流量系数;通道逆时针旋转时,情况相反。Ro=0时的计算结果与实验数据符合很好。     

带肋和双排出流孔通道的流动特性

研究了通道进口雷诺数和总出流比对带肋和双排出流孔通道流量系数和压力分布的影响。实验研究的通道入口雷诺数为3×104~1.5×105,通道总出流比为0.09~0.22。结果表明:通道总出流比较小时,流量系数沿流向减小。通道进口雷诺数增加,流量系数先增加,之后基本不变;通道总出流比较大时,流量系数基本不变;各工况下总压系数沿流向依次经历迅速减小、基本不变、继续减小的过程;沿流向各位置上的总压系数在通道进口雷诺数为6×104~9×104时最小;出流比增大,沿流向各位置上的总压系数随之增大。     

旋转同心双轴间流动的热态实验

某型发动机高、低压涡轮轴间环形气流通内的流动可以简化为两个独立旋转同心双轴环道内的流动问题。对其控制方程以及边界条件进行无量纲化，得出了实验准则，设计并建立了实验台，以实验方法研究了具有轴向通流的独立旋转同心双轴环道内的流动规律。结果表明，随着冷气雷诺数增大，阻力系数总体趋势减小；冷气雷诺数的影响远大于内轴和外轴旋转对流动的影响。     

基于解析及特征造型的涡轮冷却叶片参数化设计

基于数学解析与特征造型技术相结合的方法,建立了基于构造过程的复杂涡轮冷却叶片的参数化设计技术。用五次多项式描述叶身型线,根据壁面厚度函数求解冷却通道外形,定义冷却通道隔板位置及厚度等参数,计算得到叶身及冷却通道各截面造型数据;以特征造型方法完成对涡轮冷却叶片转弯流道、缘板、榫头及叶片相关特征的参数化设计;利用CAD系统的二次开发接口,实现了多腔回流式涡轮冷却叶片的自动建模。     

涡轮效率改变对发动机加速特性的影响

采用零维闭环数值仿真平台，对某型单轴涡轮喷气发动机进行启动加速过程的零维闭环仿真，通过选择三种不同的调节方式，研究了涡轮效率的改变对发动机的转速、推力和耗油率等发动机特性的影响，其中某些结果与实验数据进行了比较。     

气膜冷却流场的实验研究和数值模拟的分析

用Ｘ型双丝热线探头对扇形气膜孔射流下游流场的测量结果表明，湍流因射流的注入而显著增强，并存在十分明显的各向非同性。传统的应力和速度梯度的涡粘关系仍然适用于气膜冷却流场，但应该在不同的方向上分别对湍流粘性系数进行修正。标准ｋ－ε湍流模型可成功地模拟孔内流动和流向倾角α较小时的掺混气膜冷却流场，但在α较大时的孔中线附近区域内的流场模拟是不成功的，并导致冷却效率的模拟失败。     

涡轮流量计的标定

讨论了涡轮流量计的几种标定系统，包括稳态标定，动态标定，在线标定和实时标定，其中在线标定和实时标定是提高涡轮流量计测量精度的重要措施，计算机辅助测试系统的建立已不难实现这２种标定。     

大扩张角子午流道型线对损失的影响

采用数值计算方法对具有大扩张中间机匣的某型涡轮低压级子午流道型线进行了改型设计，提出了7种型线设计方案，并应用N－S方程全三维粘性求解程序对7种方案进行了验算，结果表明：子牛扩张型流道外壁型线的改变，对低压导向器出口能量损失的影响是显著的，设计气动性能优良的子午扩张型线能明显削弱由于大扩张角引起的气流分离，降低涡轮低压级的损失。     

涡轮叶片表面气膜冷却效率的实验研究

采用放大的叶片模型，利用大尺寸低速线性叶栅风洞进行实验，测量了涡轮导向叶片表面不同位置单排气膜孔的气膜冷却效率，研究了孔排位置、吹风比及来流雷诺数的影响。风洞实验段由3个叶片组成，其中中间的叶片为试验叶片，由优质木材制成。试验叶片表面上开有15排气膜孔，其中吸力面3排，前缘区6排，压力面6排。实验的参数变化范围是：基于叶片弦长的来流雷诺数250000-450000，吹风比0．5-2．5。结果表明，由于气膜孔排位置的不同，其下游冷却效率受来流雷诺数及吹风比影响的变化趋势也有所不同。     

液体火箭发动机高速涡轮泵的振动故障检测

讨论了涡轮泵故障的几个主要原因，据此提取涡轮泵振动数据的特征，用BP神经网络的方法进行故障检测。BP神经网络的训练样本集由一个具有无监督聚类功能的神经网络从原始的特征向量集获取。