[發明專利]計算葉輪機械葉片的損失系數的模型訓練方法及計算方法

在審

• 申請號: 202110867482.0
• 申請日: 2021-07-29
• 公開（公告）號: CN113468824A
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 高增珣
• 申請（專利權）人: 北京全四維動力科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06N3/08;G06F111/10;G06F113/08;G06F119/14
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 孫蕾

1.一種計算葉輪機械葉片的損失系數的模型訓練方法，包括：

獲取用于訓練神經網絡的訓練數據集，其中，所述訓練數據集包括多條樣本，每條所述樣本包括葉輪機械葉片的幾何參數和/或氣動熱力參數，以及所述葉輪機械葉片的損失系數，其中，所述葉輪機械葉片的損失系數作為樣本標簽；

利用所述訓練數據集中的樣本對未經訓練的多層神經網絡模型進行訓練，得到訓練完成的多層神經網絡模型。

2.根據權利要求1所述的損失系數的模型訓練方法，其中，所述幾何參數包括葉片節距、葉片弦長、葉片尾緣厚度、葉片幾何進口角、氣道高度、氣道喉寬中一種或其組合。

3.根據權利要求1所述的損失系數的模型訓練方法，其中，所述氣動熱力參數包括雷諾數、出口馬赫數、氣流折轉角、氣流進口攻角中一種或其組合。

4.根據權利要求1所述的損失系數的模型訓練方法，其中，所述每條所述樣本均進行標準化處理，進而消除所述樣本數值量級差異對神經網絡訓練過程的影響，所述標準化處理包括：

獲得所述樣本的均值和標準差；

在所述樣本減去所述均值后再除以所述標準差。

5.根據權利要求1所述的損失系數獲取方法，其中，所述多層神經網絡包括：

輸入層，神經元數量與所述輸入變量個數一致；

隱藏層，是標準神經元層或卷積神經網絡層，所述隱藏層的數量不少于一層，且各所述隱藏層的神經元數量不少于所述輸入變量個數；

輸出層，神經元數量與所述輸出變量個數一致。

6.根據權利要求1所述的損失系數獲取方法，其中，所述對所述多層神經網絡進行訓練包括：

所述多層神經網絡中神經元的激活函數采用Sigmoid函數或Tanh函數；

通過高斯分布對所有神經元的權重和偏置進行隨機初始化。

7.根據權利要求6所述的損失系數獲取方法，其中，所述對所述多層神經網絡進行訓練還包括：

通過所述神經網絡訓練數據集多次對所述多層神經網絡進行多次訓練，進而消除所述權重和偏置隨機初識化產生的離散性。

8.根據權利要求1所述的損失系數獲取方法，其中，所述對所述多層神經網絡進行訓練還包括：

通過二次代價函數或交叉熵代價函數作為量化預測輸出值與目標輸出值偏差的指標，并引入規范化項以減輕過度擬合。

9.根據權利要求1所述的損失系數獲取方法，其中，所述對所述多層神經網絡進行訓練還包括：

采用隨機梯度下降算法使代價函數逐漸收斂至最小值；

迭代過程中采用反向傳播算法根據隨機選取的小批量樣本數據計算代價函數的梯度值。

10.一種利用權利要求1～9中任一項所述的模型計算損失系數的方法，包括：

獲取待測量的葉輪機械葉片的幾何參數和/或氣動熱力參數；

將所述待測量的葉輪機械葉片的幾何參數和/或氣動熱力參數輸入所述訓練完成的多層神經網絡模型中；

通過所述訓練完成的多層神經網絡模型輸出所述待測量的葉輪機械葉片的損失系數。