[發明專利]基于機器學習的渦輪葉片反問題設計方法、計算機可讀存儲介質和電子設備

在審

• 申請號: 202110790078.8
• 申請日: 2021-07-13
• 公開（公告）號: CN113705077A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 羅磊;王松濤;杜巍;余開拓
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 曲進華

1.一種基于機器學習的渦輪葉片反問題設計方法，其特征在于，包括：

以第一葉片幾何參數作為自變量，以第一葉片氣動參數作為因變量，建立由葉片幾何參數到葉片氣動參數的數據集；

創建渦輪葉片反問題設計的訓練模型；

利用所述數據集對所述訓練模型進行訓練和損失評估以確定所述反問題設計模型；

將第二葉片氣動參數代入所述反問題設計模型以反向預測第二葉片幾何參數。

2.根據權利要求1所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述以第一葉片幾何參數作為自變量，以第一葉片氣動參數作為因變量，建立由葉片幾何參數到葉片氣動參數的數據集，包括：

基于葉片幾何參數的取值范圍，采用抽樣算法對取值范圍進行抽樣，獲得由所述第一葉片幾何參數組成的葉形文件；

對葉形文件進行計算，得到所述第一葉片氣動參數；

歸一化處理所述第一葉片幾何參數與所述第一葉片幾何參數對應的所述第一葉片氣動參數，得到所述數據集。

3.根據權利要求2所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述創建渦輪葉片反問題設計的訓練模型，包括：

創建由輸入層、第一隱含層、第二隱含層和輸出層構成的4層神經網絡模型；

設置輸入層和第一隱含層為RBF層；

設置第二隱含層和輸出層為全連接層。

4.根據權利要求3所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述利用所述數據集對所述訓練模型進行訓練和損失評估以確定所述反問題設計模型，包括：

將所述數據集分為訓練數據和測試數據，其中，所述測試數據包括所述第三葉片氣動參數和與所述第三葉片氣動參數對應的第三葉片幾何參數；

利用所述訓練數據對所述4層神經網絡模型進行訓練和損失評估以得到所述反問題設計模型；

利用所述測試數據對所述反問題設計模型進行驗證以確定所述反問題設計模型。

5.根據權利要求4所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述利用所述訓練數據對所述4層神經網絡模型進行訓練和損失評估以得到所述反問題設計模型，包括：

用損失函數對訓練模型進行損失評估；

用優化算法對損失函數進行迭代優化；

評估損失評估的計算結果得到所述反問題設計模型。

6.根據權利要求5所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述利用所述測試數據對所述反問題設計模型進行驗證以確定所述反問題設計模型，包括：

將測試數據的第三葉片氣動參數代入所述反問題設計模型，得到第四葉片幾何參數；

將第四葉片幾何參數進行反歸一化處理，得到第五葉片幾何參數；

基于所述第五葉片幾何參數，建立預測幾何模型；

將測試數據的第三葉片幾何參數反歸一化處理，得到第六幾何參數；

基于第六葉片幾何參數，建立真值幾何模型；

對比評估所述預測幾何模型和真值幾何模型在同一葉高上的葉型以確定所述反問題設計模型。

7.根據權利要求6所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述將測試數據的第三氣動參數代入所述反問題設計模型，得到第六葉片幾何參數步驟之后，還包括：

對第六葉片幾何參數進行計算，得到第四氣動參數；

基于第三氣動參數與第四氣動參數，計算平均誤差。

8.根據權利要求7所述的基于機器學習的渦輪葉片反問題設計方法，其特征在于，所述輸入層和所述第一隱含層的激活函數均為徑向基函數；所述第二隱含層的激活函數包括ReLU函數；所述輸出層的激活函數包括sigmoid函數。

9.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于，所述計算機指令被處理器執行時實現權利要求1至8中任一項所述的方法。

10.一種電子設備，其特征在于，包括：

處理器；

用于存儲處理器可執行指令的存儲器；

其中，所述處理器被配置為：執行權利要求1至8中任一項所述的方法。