Development of a machine-learning-based tool for turbomachinery blades

In recent decades, turbomachinery have found widespread application in several sectors, including aviation and marine propulsion, mechanical drive systems and power genera- tion. The design phase for such components is crucial, considering the required precision and the hyper sensitivity to the boundary conditions and the DOF of the problem. Con- ventional modeling strategies typically involve the integration of CFD simulations during the design-evaluation-refinement process together with an excessive reliance on designer experience. This approaches result remarkably computationally expensive, in both time and resources. Such implications highlight the demand for innovative, rapid and accurate design methodologies. Nowadays, the availability of big data has opened new perspective in aerodynamic op- timization. This paper presents an innovative data-driven blade design strategy, inspired by the work of Clark [6], integrating machine learning techniques with traditional meth- ods, demonstrating its applicability to turbine blades. Therefore, could be extended to compressors of fans with minor modifications. In the initial phase, traditional methods are employed to construct a prior knowledge, resulting in 2916 blades matching different aerodynamic requirements. The target objectives include aerodynamic duty and style. The duty sets the inlet and outlet flow angles, Reynolds number, and outlet Mach num- ber for the blade’s operating conditions. The style defines, through the combination of four control variables, a non dimensional Mach number distribution along the blade pres- sure and suction side. This database provides the structure for the implementation of supervised learning algorithms. In the second stage, a GPR model is developed to predict the turbine profile geometry for a given operating point. This formulation enables the instantaneous definition of the target turbine geometry without an iterative procedure. As the database is extended, the model’s knowledge and accuracy increase accordingly. The fully trained model is capable to generate geometries in ∼ 0.01s. The prediction error is assessed by comparing the target aerodynamic duty and style with the perfor- mances of the resulting blade section. The average ∆α2 error is 0.0781◦, reducing to 0.00892 for the RMS error between the target Mach number distribution and the model prediction. The total pressure losses are estimated with a fairly high accuracy, considering the average deviation of ∼ 2% of the loss coefficient. The results have proven the model capability to accurately predict the desired blade geometry, fulfilling the target requirements. The development of this tool could poten- tially open up new horizons in turbomachinery design and lead to new discoveries and technological innovations.

Negli ultimi decenni, le turbomacchine hanno trovato ampia applicazione in diversi set- tori, tra cui la propulsione aeronautica e marina, i sistemi di trasmissione meccanica e la generazione di energia. La fase di progettazione di tali componenti è cruciale, con- siderando la precisione richiesta e l’ipersensibilità alle condizioni al contorno e ai gradi di libertà del problema. Le strategie di modellazione tradizionali coinvolgono tipicamente l’integrazione di simulazioni CFD durante il processo di design-valutazione-affinamento insieme a un eccessivo affidamento all’esperienza del progettista. Questi approcci risul- tano notevolmente computazionalmente costosi, sia in termini di tempo che di risorse. Tali implicazioni evidenziano la necessità di metodologie di progettazione innovative, rapide e accurate. Oggi, la disponibilità di big data ha aperto nuove prospettive nell’ottimizzazione aero- dinamica. Questo articolo presenta una strategia innovativa di progettazione di palet- tature, ispirata al lavoro di Clark [6], che integra tecniche di machine learning con metodi tradizionali, dimostrandone l’applicabilità nello specifico a pale di turbina. Ad ogni modo, può essere esteso a compressori o ventilatori con piccoli aggiustamenti. Nella fase in- iziale, vengono impiegati metodi tradizionali per costruire una conoscenza preliminare, costituendo un database di 2916 pale che soddisfano diversi requisiti aerodinamici, ovvero il carico aerodinamico e lo stile. Il carico definisce gli angoli di flusso in ingresso e in uscita, il numero di Reynolds e il numero di Mach in uscita per le specifiche condizioni operative della pala. Lo stile definisce, attraverso la combinazione di quattro variabili di controllo, una distribuzione del numero di Mach adimensionale lungo il profilo della pala. Questo database fornisce la struttura cardine per l’implementazione di algoritmi di supervised learning. Nella seconda fase, viene sviluppato un modello GPR per prevedere la sezione dato un punto operativo. Questa formulazione consente la generazione pres- sochè istantanea della geometria della turbina target in assenza di processi iterativi. Man mano che il database viene esteso, la conoscenza e l’accuratezza del modello aumentano di conseguenza. Una volta che il modello è stato allenato, è in grado di generare geometrie in ∼ 0.01s. L’errore di predizione è calcolato confrontando il carico e lo stile richiesto con le per- formance della sezione generata dal modello stesso. L’errore medio sull’angolo di flusso in uscita ∆α2 è 0.0781◦, riducendosi a 0.00892 per l’errore quadratico medio calcolato comparando il profilo di Mach desiderato e quello ottenuto tramite modello. Le perdite di pressione totali sono inoltre stimate con una precisione sufficientemente elevata, con- siderando la variazione media intorno al 2% del coefficiente di perdita Yp. I risultati illustrati hanno provato la capacità del modello di predirre accuratamente la geometria della pala richiesta, soddisfacendo i requisiti imposti. Lo svilupppo di questo strumento può potenzialmente aprire nuove frontiere nel processo di design di turboma- chine e portare a nuove scoperte e innovazioni tecnologiche.