[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

本發明涉及渦輪葉片優化設計技術領域，具體涉及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，基于機器學習的渦輪葉片反問題設計方法包括以下步驟：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。本發明能夠根據葉片的氣動參數計算得到葉片的幾何參數，同時，該基于機器學習的渦輪葉片反問題設計方法還具有計算精度高的優點。

技術領域

本發明涉及渦輪葉片優化設計技術領域，具體涉及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。

背景技術

高效率的渦輪氣動設計可以有效降低發動機質量，提升發動機效率，增強發動機性能。反問題是渦輪氣動設計的一部分，又被稱作葉片幾何優化改型設計問題，即在給定流場中的一些氣動性能目標參數的條件下，如速度分布、壓力分布、載荷分布、環量分布等二維參數，以及效率、功率、流量等一維總參數，通過氣動參數與葉型幾何造型的物理關系，不停的迭代計算得到葉片幾何參數。

相關技術中，在給定渦輪葉片目標氣動參數后，通常采用傳統的高精度數值模擬方法，不斷改變葉片幾何，進行仿真計算，其計算精度高，但計算量大，計算時間長；低精度仿真雖然能快速獲得計算結果，但無法用于準確流場分析；實驗測量能反映流場實際情況，但人力物力時間成本高，且會收到測量與制造技術誤差的影響。

機器學習為渦輪葉片反問題設計研究提供了新的切入點。作為當前人工智能技術的子領域，機器學習算法是一種依賴于模式與統計推斷的算法，不需要專門編程即可使計算機系統能完成特定任務，即軟編程。研究人員利用機器學習算法，可指導計算機利用已知數據訓練出適當的機器學習模型，并利用訓練完成的模型在新的情境下，對新的數據給出預測。神經網絡作為機器學習中的一種算法模型，具有較強的非線性映射能力。它具有多層網絡結構，每層由多個神經元構成，神經元之間采用權重連接。將數據分為訓練數據與測試數據，用訓練數據對模型進行訓練學習，改變神經元的權重，使其獲得回歸預測能力，生成具有泛化能力的模型。測試數據作為神經網絡沒有見過的數據，輸入訓練完的模型，用于測試其預測準確度。在渦輪葉片反問題設計上運用機器學習方法，給定葉片氣動參數，能快速精準地預測出幾何參數，減少計算量，提高設計效率，是傳統數值模擬仿真計算方法外的一種新的嘗試，因此，本領域便產生以下需求：能否設計一種葉片反問題設計方法，這種設計方法能夠利用機器學習的回歸預測能力，基于需要設計的葉片氣動參數較為準確地預測出葉片的幾何參數。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明實施例提出一種基于機器學習的渦輪葉片反問題設計方法，該渦輪葉片反問題設計方法能夠根據葉片的氣動參數計算得到葉片的幾何參數，同時，該渦輪葉片反問題設計方法還具有計算精度高的優點。

根據本發明實施例的基于機器學習的渦輪葉片反問題設計方法包括以下步驟：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。

根據本發明實施例的基于機器學習的渦輪葉片反問題設計方法能夠根據葉片的氣動參數計算得到葉片的幾何參數，同時，該渦輪葉片反問題設計方法還具有計算精度高的優點。

在一些實施例中，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；