收稿日期:2021－04－01修回日期:2021－04－27第40卷第2期计算机仿真2023年2月文章编号:1006－9348(2023)02－0123－05基于LSTM网络的汽轮机转子热应力预测方法杨晨，柴京，张涛，王晓升(重庆大学能源与动力工程学院，重庆400044)摘要:在电厂灵活运行期间，转子内部因温度梯度较大而产生热应力，导致转子疲劳损伤。而传统有限元分析热应力的方法无法满足实时监测的需求。研究了一种基于数据驱动的LSTM神经网络模型。模型具有从历史序列数据中学习深度信息的能力。通过多组超参数对比实验，发现在神经元数量6，单元节点28，学习率0.005，Dropout比例0.5时网络预测效果较好;在冷态启动过程下使用LSTM神经网络模型的热应力预测数据与有限元样本数据相比，ＲMSE为7.8740MPa，最大热应力误差9.7480MPa。结果表明，上述模型相比传统有限元计算时间大大缩短，在保证较高精度同时，也能够满足未来实时在线监测的需要。关键词:汽轮机转子;热应力;长短期记忆;超参数中图分类号:TP183文献标识码:BPredictionMethodofSteamTurbineＲotorThermalStressBasedonLong－Short－TermMemoryNetworkYANGChen，CHAIJing，ZHANGTao，WANGXiao－sheng(SchoolofEnergyandPowerEngineering，ChongQingUniversity，Chongqing400044，China)ABSTＲACT:Duringtheflexibleoperationofthepowerplant，thermalstressisgeneratedintherotorduetothelargetemperaturegradient，whichleadstothefatiguedamageoftherotor．Thispaperstudiesdadata－drivenLSTMneuralnetworkmodel，whichcanautomaticallylearnfeaturesfromhistoricaldata．Throughanumberofsuperparametricex-periments，itiswasfoundthatthenetworkpredictioneffectisbetterwhenthenumberofneuronsis6，thenumberofunitnodesis28，thelearningrateis0．005，andthedropoutratiois0．5．Comparedwiththefiniteelementsampleda-ta，theＲMSEofLSTMneuralnetworkmodelis7．8740mpa，andthemaximumthermalstresserroris9．7480mpa．Theresultsshowthatthecalculationtimeofthemodelisgreatlyshortenedcomparedwiththetraditionalfiniteele-mentmethod，whichcanensurehighaccuracyandmeettheneedsofreal－timeonlinemonitoringinthefuture．KEYWOＲDS:Steamturbinerotor;Thermalstress;Longandshort－termmemory;Hyperparameter1引言随着可再生能源的发展，传统的燃煤电厂将承担更多的调峰任务，这对电厂的灵活运行提出了更高...
