基于RBF神经网络的涡轮盘疲劳可靠性分析

涡轮盘是发动机的关键部件,在高温、高转速的条件下工作,因此对其进行疲劳可靠性分析具有重要意义。由于涡轮盘结构热-机械耦合分析的复杂性,对其进行可靠性分析时,直接用Monte-Carlo方法计算量太大,常规的多项式响应面方法在精度上又难以满足要求。径向基函数(radial basis function,RBF)神经网络具有很强的非线性函数逼近能力,在涡轮盘低循环疲劳可靠性分析中采用RBF神经网络结合Monte-Carlo的方法得到了疲劳寿命的概率分布,并与直接用Monte-Carlo模拟和响应面方法进行了对比。RBF神经网络结合Monte-Carlo的方法具有高精度、高效率的优点,在涡轮盘等复杂结构可靠性分析中具有很好的应用前景。