基于多自由度参数化降维方法的涡轮叶片高效气动优化

doi:10.3969/j.issn.1004-132X.2026.02.001

摘要/Abstract

摘要：

针对涡轮三维叶片气动优化中设计维度高、代理模型构建困难等问题，提出一种融合直接操纵自由变形（DFFD）与主成分分析（PCA）的多自由度参数化降维方法，并结合预筛选代理模型辅助差分进化（Pre-SADE）算法构建高效优化框架。以某小型燃气轮机为对象，通过实验设计生成快照集合，将36维DFFD设计空间映射至10维基模态系数空间，在降维空间内建立简洁有效的代理模型并完成快速优化。结果表明，所提方法在提高设计点流量（+0.46%）与等熵效率（+3.191%）的同时，显著减弱激波强度与气动损失，优化耗时缩短24.58%。研究结果验证了该降维方法在高维设计问题中的直观性、有效性与优化效率提升优势，为叶片气动优化提供了更高效、低成本的解决方案。

关键词: 主成分分析, 直接操纵自由变形方法, 参数化降维, 涡轮叶片气动优化

Abstract:

In view of the high design dimension and difficulty in constructing surrogate models in the aerodynamic optimization of three-dimensional turbine blades， a multi-degree-of-freedom parameterized dimensionality reduction method was proposed to construct an efficient optimization framework， that integrated DFFD and PCA， and combined the pre-screened surrogate model assisted differential evolution （Pre-SADE） algorithm. Taking a small gas turbine as the object， a snapshot set was generated through experimental design， and the 36-dimensional DFFD design space was mapped to the 10-dimensional basis modal coefficient space. A concise and effective surrogate model was established in the dimensionality reduction space and rapid optimization was completed. The results show that the proposed method significantly reduces the shock wave intensity and aerodynamic loss while improving the design point flow （+0.46%） and isentropic efficiency （+3.191%）， and the optimization time is reduced by 24.58%. The study verifies the intuitiveness， effectiveness and optimization efficiency improvement advantages of this dimensionality reduction method in high-dimensional design problems， providing a more efficient and low-cost solution for blade aerodynamic optimization.

Key words: principal component analysis（PCA）, direct manipulation free-form deformation （DFFD）method, parameterized dimensionality reduction, turbine blade aerodynamic optimization

中图分类号:

V231.3

黄鹏飞, 陈江, 成金鑫, 李斌, 向航. 基于多自由度参数化降维方法的涡轮叶片高效气动优化[J]. 中国机械工程, 2026, 37(2): 255-263.

HUANG Pengfei, CHEN Jiang, CHENG Jinxin, LI Bin, XIANG Hang. Efficient Aerodynamic Optimization Method for Turbine Blades Based on Multi-degree-of-freedom Parameterized Dimensionality Reduction[J]. China Mechanical Engineering, 2026, 37(2): 255-263.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.02.001

https://www.cmemo.org.cn/CN/Y2026/V37/I2/255

图/表 21

图1 DFFD控制点和框架点及变形

Fig.1 DFFD control points， frame points and deformation

图2 DFFD参数化流程

Fig.2 DFFD parameterization process

图3 PCA降维重构流程图

Fig.3 PCA dimensionality reduction and reconstruction flow chart

图4 实验设计中产生的部分几何

Fig.4 Some of the geometries generated in the experimental design

图5 Pre-SADE流程图

Fig.5 Pre-SADE flow chart

图6 涡轮几何模型

Fig.6 Turbine geometric model

表1 涡轮设计参数

Tab.1 Turbine design parameters

设计参数	S₁	R₁
内径/mm	72.7	68.4
外径/mm	85.7	85.7
进口相对气流角/（°）	0	34.3
出口相对气流角/（°）	61.3	58.0
叶片数	38	58
转速/（r·min $- 1$ ）	0	54 000
流量/（kg·s $- 1$ ）	1.9632±0.0038

表1 涡轮设计参数

Tab.1 Turbine design parameters

设计参数	S₁	R₁
内径/mm	72.7	68.4
外径/mm	85.7	85.7
进口相对气流角/（°）	0	34.3
出口相对气流角/（°）	61.3	58.0
叶片数	38	58
转速/（r·min $- 1$ ）	0	54 000
流量/（kg·s $- 1$ ）	1.9632±0.0038

图7 网格拓扑结构

Fig.7 Grid topology

表2 网格无关性验证

Tab.2 Grid independence verification

网格数量/10⁴	落压比	流量/（kg·s $- 1$ ）	等熵效率/%
137.1212	2.8837	1.9646	84.710
167.8328	2.8866	1.9636	84.808
209.5852	2.8743	1.9644	85.190
238.2220	2.8713	1.9665	85.192
270.6436	2.8711	1.9665	85.190

表2 网格无关性验证

Tab.2 Grid independence verification

网格数量/10⁴	落压比	流量/（kg·s $- 1$ ）	等熵效率/%
137.1212	2.8837	1.9646	84.710
167.8328	2.8866	1.9636	84.808
209.5852	2.8743	1.9644	85.190
238.2220	2.8713	1.9665	85.192
270.6436	2.8711	1.9665	85.190

图8 气动优化框架

Fig.8 Aerodynamic optimization framework

图9 叶片控制点位移方向

Fig.9 Displacement direction of blade control point

图10 各阶基模态

Fig.10 Fundamental modes of each order

表3 决策变量边界

Tab.3 Decision variable boundaries

决策变量	下边界	上边界
$α 1$	0.03	0.04
$α 2$	$-$ 0.08	0.10
$α 3$	$-$ 0.10	0.10
$α 4$	$-$ 0.08	0.09
$α 5$	$-$ 0.10	0.14
$α 6$	0.02	0.04
$α 7$	$-$ 0.09	0.10
$α 8$	$-$ 0.10	0.10
$α 9$	$-$ 0.08	0.09
$α 10$	$-$ 0.10	0.10

表3 决策变量边界

Tab.3 Decision variable boundaries

决策变量	下边界	上边界
$α 1$	0.03	0.04
$α 2$	$-$ 0.08	0.10
$α 3$	$-$ 0.10	0.10
$α 4$	$-$ 0.08	0.09
$α 5$	$-$ 0.10	0.14
$α 6$	0.02	0.04
$α 7$	$-$ 0.09	0.10
$α 8$	$-$ 0.10	0.10
$α 9$	$-$ 0.08	0.09
$α 10$	$-$ 0.10	0.10

图11 不同参数化方法寻优对比

Fig.11 Comparison of optimization results using different parameterization methods

表4 涡轮气动优化前后性能对比

Tab.4 Performance comparison of turbine before and after aerodynamic optimization

	流量/（kg·s $- 1$ ）	落压比	等熵效率/%
设计原型	1.9644	2.8743	85.190
单一参数化优化	1.9859	2.9931	87.765
参数化降维优化	1.9734	2.8289	88.381

表4 涡轮气动优化前后性能对比

Tab.4 Performance comparison of turbine before and after aerodynamic optimization

	流量/（kg·s $- 1$ ）	落压比	等熵效率/%
设计原型	1.9644	2.8743	85.190
单一参数化优化	1.9859	2.9931	87.765
参数化降维优化	1.9734	2.8289	88.381

图12 涡轮设计转速全工况特性线

Fig.12 Turbine design speed full operating condition characteristic line

图13 优化前后叶片几何变化

Fig.13 Optimized front and rear blade geometry

图14 优化前后涡轮叶尖、叶中和叶根型线

Fig.14 Turbine blade tip， blade center and blade root profiles before and after optimization

图15 优化前后涡轮各S1流面相对马赫数分布云图

Fig.15 Relative Mach number distribution cloud diagram of each S1 flow surface of the turbine before and after optimization

图16 优化前后涡轮吸力面极限流线分布

Fig.16 Extreme streamline distribution of turbine suction surface before and after optimization

图17 优化前后涡轮导叶和动叶出口熵分布云图

Fig.17 Entropy distribution cloud diagram of turbine guide vane and moving blade outlet before and after optimization

参考文献 20

[1]	Gas Turbine Engine Components ［M］. Gas Turbine Performance，2004： 159-291.
[2]	陈明升，陈江，成金鑫，等. 基于全叶片曲面参数化方法的涡轮气动优化［J］. 工程热物理学报， 2023， 44（3）： 641-653.
	CHEN Mingsheng， CHEN Jiang， CHENG Jinxin， et al. Turbine Aerodynamic Optimization Based on Total-blade Surface Parameterization Method［J］. Journal of Engineering Thermophysics， 2023， 44（3）： 641-653.
[3]	郭艺璇，陈江，刘熠，等. 数据驱动的两级轴流涡轮多自由度气动优化设计［J］. 推进技术， 2024， 45（6）： 105-114.
	GUO Yixuan， CHEN Jiang， LIU Yi， et al. Aerodynamic Optimization Design with Multiple Degrees of Freedom for a Two-stage Axial Turbine Based on Data-driven［J］. Journal of Propulsion Technology， 2024， 45（6）： 105-114.
[4]	PETROVIC M V， DULIKRAVICH G S， MARTIN T J. Maximizing Multistage Turbine Efficiency by Optimizing Hub and Shroud Shapes and Inlet and Exit Conditions of Each Blade Row［C］∥Volume 1： Aircraft Engine； Marine； Turbomachinery； Microturbines and Small Turbomachinery. ASME， 1999： V001T03A010.
[5]	李志. 基于优化设计方法的涡轮激波弱化研究［D］. 大连：大连理工大学， 2019.
	LI Zhi. Research on Turbine Shock Weakening Based on Optimization Design Method［D］. Dalian： Dalian University of Technology， 2019.
[6]	杨伟平，房兴龙，欧阳玉清，等. 高压涡轮气动优化与分析［J］. 燃气涡轮试验与研究， 2022， 35（3）： 26-31.
	YANG Weiping， FANG Xinglong， OUYANG Yuqing， et al. Aerodynamic Optimization and Analysis of a High Pressure Turbine［J］. Gas Turbine Experiment and Research， 2022， 35（3）： 26-31.
[7]	JOUHAUD J C， SAGAUT P， MONTAGNAC M， et al. A Surrogate-model Based Multidisciplinary Shape Optimization Method with Application to a 2D Subsonic Airfoil［J］. Computers & Fluids， 2007， 36（3）： 520-529.
[8]	JAHANGIRIAN A， SHAHROKHI A. Aerodynamic Shape Optimization Using Efficient Evolutionary Algorithms and Unstructured CFD Solver［J］. Computers & Fluids， 2011， 46（1）： 270-276.
[9]	熊俊涛，乔志德，韩忠华. 基于响应面法的跨声速机翼气动优化设计［J］. 航空学报， 2006， 27（3）： 399-402.
	XIONG Juntao， QIAO Zhide， HAN Zhonghua. Optimum Aerodynamic Design of Transonic Wing Based on Response Surface Methodology［J］. Acta Aeronautica et Astronautica Sinica， 2006， 27（3）： 399-402.
[10]	刘圆超. 基于代理模型的进化算法研究［D］. 沈阳：东北大学， 2023.
	LIU Yuanchao. Research on Evolutionary Algorithms Based on Surrogate Model［D］. Shenyang： Northeastern University， 2023.
[11]	陈沐妍. 轴流透平叶片的集成代理模型优化设计研究［D］. 大连：大连理工大学， 2022.
	CHEN Muyan. Research on Optimization Design of Axial-flow Turbine Blades Based on Integrated Surrogate Model［D］. Dalian： Dalian University of Technology， 2022.
[12]	王天奇，陈江，向航，等. 基于预筛选代理模型和直接操纵自由变形参数化的向心涡轮气动优化［J］. 中国机械工程， 2025， 36（10）： 2171-2178.
	WANG Tianqi， CHEN Jiang， XIANG Hang， et al. Aerodynamic Optimization of Radial Turbines Based on Surrogate Model of Pre-screened Strategies and DFFD Parameterization［J］. China Mechanical Engineering， 2025， 36（10）： 2171-2178.
[13]	JOHN A， SHAHPAR S， QIN Ning. Novel Compressor Blade Shaping through a Free-form Method［J］. Journal of Turbomachinery， 2017， 139（8）： 081002.
[14]	HU Handuo， YU Jianyang， SONG Yanping， et al. The Application of Support Vector Regression and Mesh Deformation Technique in the Optimization of Transonic Compressor Design［J］. Aerospace Science and Technology， 2021， 112： 106589.
[15]	ADJEI R A， WANG Weizhe， LIU Yingzheng. Aerodynamic Design Optimization of an Axial Flow Compressor Stator Using Parameterized Free-form Deformation［J］. Journal of Engineering for Gas Turbines and Power， 2019， 141（10）： 101015.
[16]	向航.高负荷压气机气动设计与多型面整体优化探究［D］. 北京：北京航空航天大学， 2021.
	Xiang Hang. Aerodynamic Design and Multi-surface Overall Optimization of High-load Compressor［D］. Beijing： Beijing University of Aeronautics and Astronautics， 2021.
[17]	KATO H. POD-driven Adaptive Sampling for Efficient Surrogate Modeling and Its Application to Supersonic Turbine Optimization［M］. New York： ASME， 2014.
[18]	张立章，尹泽勇，米栋，等. 基于自适应本征正交分解的涡轮级多学科设计优化［J］. 推进技术， 2017， 38（6）： 1249-1258.
	ZHANG Lizhang， YIN Zeyong， MI Dong， et al. Multidisciplinary Design Optimization for Turbine Stage Based on Self-adaptive Proper Orthogonal Decomposition［J］. Journal of Propulsion Technology， 2017， 38（6）： 1249-1258.
[19]	白俊强，陈颂，华俊，等. 基于伴随方程和自由变形技术的跨声速机翼气动设计方法研究［J］. 空气动力学学报， 2014， 32（6）： 820-826.
	BAI Junqiang， CHEN Song， HUA Jun， et al. Transonic Wing Aerodynamic Design Based on Continuous Adjoint Method and Free Form Deform Technique［J］. Acta Aerodynamica Sinica， 2014， 32（6）： 820-826.
[20]	TOAL D J J， BRESSLOFF N W， KEANE A J， et al. Geometric Filtration Using Proper Orthogonal Decomposition for Aerodynamic Design Optimization［J］. AIAA Journal， 2010， 48（5）： 916-928.