间隙主动控制系统中冷却空气管换热特性实验研究

针对民用发动机低压涡轮主动间隙控制系统中冷却空气管气流冲击机匣的典型结构,建立1∶1简化试验模型并开展换热特性试验研究。试验中依据相似准则确定试验工况,通过改变进口Re数、孔排方式、冲击间距(即冷却管和机匣间距)等参数,分析了机匣表面局部和平均Nu数的分布和变化规律。试验中发现尽管冷却管上冲击孔沿周向均匀分布,机匣表面周向温度却存在明显的差异,对应局部换热系数相差可达3倍以上。试验数据表明:由于冷却管冲击孔周向出流流量不均匀,造成机匣表面局部Nu数随着对应圆心角的增加而逐步变大;当进口Re数增加后,冲击板面局部及平均Nu数均随之增大;试验工况下,机匣表面局部及平均Nu数均随冲击间距、冲击孔间距与孔径比(L/d)的增加而减小。     

离子推力器欠聚焦冲击电流的数值模拟

离子光学系统的离子束引出过程是离子推力器重要的物理过程,该过程直接关系到推力器的推力、比冲、效率等参数。为研究离子在离子推力器光学系统中的运动特性,使用了基于IFE-PIC（Immersed Finite Element Particle-In-Cell）的离子推力器光学系统离子束引出过程的三维数值计算模型,计算了栅极间电场分布、电荷密度,栅极冲击电流及欠聚焦极限。计算结果表明,当屏栅极电压不同时,发生欠聚焦的等离子束电流也不同。在欠聚焦工况下,一部分离子与栅极碰撞,产生冲击电流。冲击电流随电离室等离子体数密度增加而增大。     

微尺度冲击冷却通道换热特性实验研究

为了研究真实发动机尺寸下冲击通道的流动与换热情况,选取冲击孔与气膜孔孔径均为D=0.3mm,0.4mm,0.5mm,冲击距H/D=2,2.5,3.0,孔间距P/D=5,10,雷诺数Re范围为1000~10000,保证与真实发动机工况相等的克努森数下,对不同结构微小冲击通道的整体换热情况进行分析比较。结果表明:在相同的雷诺数下,通道整体平均换热系数随着孔径的减小而增加,随着冲击距H/D的增加而减小,随着冲击孔间距P/D的增加而减小,并且拟合出了相关经验关系式。     

带有加强肋的涡轮机匣排孔冲击连腔结构内部换热特性研究

为获得涡轮机匣内部表面换热系数分布数据,以带有加强肋的排孔冲击连腔结构为对象进行了瞬态液晶实验。研究了不同射流雷诺数（Re=5.1×10³~1.1×10⁴）、冲击间距比（2.5,5.0,7.5）及轴向间距比（4.0,9.0,14.0）对靶面努塞尔数的影响规律。实验结果表明：增大射流雷诺数对靶面平均努塞尔数的提升最显著。随着冲击间距比的增大,靶面平均努塞尔数逐渐减小,但这种换热削弱效果局限在距冲击驻点2D~3D（D为冲击孔直径）范围内,其它区域的变化很小。在靠近前后端壁的局部区域,表面努塞尔数随冲击间距比的增大而增大。轴向间距比的改变不会影响无出流孔靶面的换热情况,对于有出流孔靶面而言,轴向间距比为9.0的结构换热效果最好。Re=5.1×10³条件下,轴向间距比为9.0结构在有出流孔靶面上的平均努塞尔数相比4.0和14.0结构分别增大了5.7%和8.1%,并且随雷诺数增大,增幅越大。     

Heat transfer characteristics in a narrow confined channel with discrete impingement cooling

Heat transfer characteristics in a narrow confined channel with discrete impingement cooling were investigated using thermal infrared camera. Detailed heat transfer distributions and comparisons on three surfaces with three impact diameters were experimentally studied in the range of Reynolds number of 3000 to 30000. The experimental results indicated that the strong impingement jet leaded to a high strength heat transfer zone in the ΔX=±2.5D_j range of the impact center,which was 1.3–...     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。