[發明專利]基于深度學習的透平機械葉片型線自動參數化生成方法

有效

• 申請號: 202011212336.6
• 申請日: 2020-11-03
• 公開（公告）號: CN112541298B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 張荻;杜秋晚;楊立克;劉天源;謝永慧
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06F30/15;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 閔岳峰

1.基于深度學習的透平機械葉片型線自動參數化生成方法，其特征在于，包括采用生成式對抗神經網絡生成翼型型線與透平機械葉片型線變換兩個步驟；

1)采用生成式對抗神經網絡生成翼型型線的過程具體包括獲取翼型型線數據、翼型數據預處理、構建生成式對抗神經網絡、訓練生成式對抗神經網絡四個子步驟；

a)獲取翼型型線數據；

通過自編程方式，采用常規參數化方法，在合理的參數空間內生成大量高階光滑連續、性能優良的翼型型線數據，數據格式為{RAW_ind,i}_n，其中n＝1,2,3…N，表示翼型型線序號，N為翼型型線總數，ind＝1,2,3…N_n，表示翼型上離散點的序號，N_n為第n條翼型型線上的離散點總數，i＝1，2，用于表示橫縱坐標；

b)翼型數據預處理；

對翼型數據集{RAW_ind,i}_n中的任一條翼型RAW_ind,i，剔除其中的異常數據，調整數據排列使數據點沿翼型表面逆時針排列，起始點為翼型上表面的尾緣點，得到預處理結果{Origin_ind,i}_n；對預處理后的任意一條翼型型線Origin_idx,i，采用三次樣條曲線對翼型數據進行擬合并插值，其插值點分布隨翼型表面曲率增大而加密，整理翼型數據為{Real_idx,i}_n，整理后的翼型數據點序號idx＝1,2,3…N_point，N_point為插值后每條翼型型線上的離散點數量；

c)構建生成式對抗神經網絡；

翼型型線生成的生成式對抗神經網絡包括生成網絡G Net和判斷網絡D Net兩個子網絡；

對于G Net網絡，采用全連接網絡模塊DENSE1、DENSE2將輸入生成網絡G Net的三維造型參數Input變換為256張4×3高維特征圖，后根據高維特征圖通過反卷積模塊1，2，3將高維特征進行壓縮，在翼型參數計算層通過卷積操作獲得控制點P_c，c＝1,2,3…N_control，控制點的權重W_c，c＝1,2,3…N_control，和遞增序列T_i，i＝1,2,3…N_point，0T_i1，其中N_control為控制點數量；最后在翼型型線計算層采用如下計算式計算得到翼型型線Fake_idx,i；

對于D Net網絡，通過卷積模塊1，2，3，4，5，6將輸入判斷網絡D Net的Fake_idx,i或Real_idx,i，變換為2048張高維特征圖，后通過過渡模塊1及判別模塊將高維特征變換為真實性概率Output以及造型參數估計值Guess_Input，用于計算判斷網絡D Net及生成網絡G Net的損失項；

判斷網絡D Net采用真實性概率Output與輸入數據標簽Label間的Sigmoid交叉熵作為總損失函數，其中Fake_idx,i的Label取為0，Real_idx,i的Label取為1，計算方式為：

loss_D＝-[Label*ln(p)+(1-Label)ln(1-p)]

其中，

生成網絡G Net采用真實性概率Output與數值“1”間的Sigmoid交叉熵，翼型尾緣位置懲罰項c_trailing，翼型尾緣距離懲罰項c_close，造型參數解釋性懲罰項c_Guess之和作為總損失函數，計算式為：

loss_G＝ln(1+e^-Output)+c_close+c_trailing+c_Guess

d)訓練生成式對抗神經網絡

隨機生成一批數量為N_Batch，滿足[0,1]間正態分布的造型參數{Input}_r，r＝1,2,3…N_Batch；通過生成式對抗神經網絡的G Net進行翼型型線生成，得到{Fake_idx,i}_r；

將生成的翼型型線{Fake_idx,i}_r與隨機抽取的N_Batch組真實翼型型線{Real_idx,i}_r分別通過生成式對抗神經網絡中的D Net進行判斷，根據真實性判斷結果Output與Label間的Sigmoid交叉熵對D Net進行一次參數更新，使D Net能夠更好地分辨出G Net所生成的翼型型線與真實翼型型線；

之后再隨機生成數量為N_Batch，滿足[0,1]間正態分布的造型參數{Input}_r，通過生成式對抗神經網絡中的G Net進行翼型型線生成，得到一組新的{Fake_idx,i}_r；

將新的{Fake_idx,i}_r通過生成式對抗神經網絡中的D Net進行判斷，根據真實性判斷結果Output與數值“1”間的Sigmoid交叉熵以及懲罰項c_trailing，c_close，c_Guess對G Net進行一次參數更新，使G Net生成的翼型型線數據更加逼近真實翼型型線，盡可能迷惑D Net對型線真實性的判斷；

通過G Net與D Net的不斷反復對抗，使得D Net逐漸辨識出翼型型線的造型特征，迫使G Net生成的型線逐步更接近于高階光滑連續的翼型型線；

2)透平機械葉片型線變換過程包括翼型型線軸向拉伸、生成葉型中弧線、生成葉型上下表面曲線、葉片型線前緣尾緣光滑化和葉片型線旋轉五個子步驟，達到調整葉片型線的軸向弦長、周向弦長、厚度和進出口角度，并保證葉片型線滿足二階連續的目的；

a)翼型型線軸向拉伸：將翼型型線Fake_idx,i表面曲線上每個離散點的橫坐標乘以葉片型線軸向拉伸系數c₁以調整翼型型線的軸向弦長，變換得到翼型型線NewFake_idx,i；

b)生成葉片型線中弧線：將軸向拉伸過的翼型型線NewFake_idx,i上表面曲線upline上離散點的縱坐標乘以葉片型線周向拉伸系數c₂以調整葉片型線的周向弦長，作為透平機械葉片型線的中弧線Camber；

c)生成葉片型線上下表面曲線：首先計算翼型型線NewFake_idx,i的厚度Thick，在葉片型線中弧線Camber的基礎上，通過增加和減少厚度Thick與厚度系數c₃的乘積分別生成葉片型線上下表面newupline和newdownline，從而調整葉片厚度，改善氣動性能，同時可以調整葉片強度，方便滿足對強度的設計需求；

d)葉片型線前緣尾緣光滑化：分別將newupline與newdownline上靠近葉片前緣和靠近葉片尾緣的百分之五長度截去，得到cutupline和cutdownline；采用三次分段埃爾米特曲線插值將截斷后的前緣重新光滑連接，采用圓弧線光滑連接截斷后的尾緣，隨后使用三次樣條曲線重新擬合葉片型線并根據表面曲率插值得到二階光滑的葉片型線FinalFake_idx,i；

e)葉片型線旋轉：將葉片型線FinalFake_idx,i逆時針旋轉c₄角度以調整葉片型線的進出口角度，變換得到最終的葉片型線Blade_idx,i。