CN112541298B - 基于深度学习的透平机械叶片型线自动参数化生成方法 - Google Patents

基于深度学习的透平机械叶片型线自动参数化生成方法 Download PDF

Info

Publication number
CN112541298B
CN112541298B CN202011212336.6A CN202011212336A CN112541298B CN 112541298 B CN112541298 B CN 112541298B CN 202011212336 A CN202011212336 A CN 202011212336A CN 112541298 B CN112541298 B CN 112541298B
Authority
CN
China
Prior art keywords
profile
line
airfoil
blade
airfoil profile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011212336.6A
Other languages
English (en)
Other versions
CN112541298A (zh
Inventor
张荻
杜秋晚
杨立克
刘天源
谢永慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011212336.6A priority Critical patent/CN112541298B/zh
Publication of CN112541298A publication Critical patent/CN112541298A/zh
Application granted granted Critical
Publication of CN112541298B publication Critical patent/CN112541298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Turbine Rotor Nozzle Sealing (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明公开了一种基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤。采用生成式对抗神经网络生成翼型型线具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤。透平机械叶片型线变换具体包括翼型型线轴向拉伸、生成叶型中弧线、生成叶型上下表面曲线、叶片型线前缘尾缘光滑化和叶片型线旋转五个子步骤。本发明基于生成方便、性能优良的翼型型线数据，构建生成式对抗神经网络学习其造型特征并迁移应用至透平机械领域，使用较少的造型参数和变换参数即可自动参数化生成新的透平机械叶片型线。

Description

基于深度学习的透平机械叶片型线自动参数化生成方法
技术领域
本发明属于透平机械技术领域，具体涉及基于深度学习的透平机械叶片型线自动参数化生成方法。
背景技术
透平机械是在能源、舰船、化工等现代工业领域得到广泛应用的一类动力机械。典型应用如发电用蒸汽涡轮、航空发动机中的压气机和燃气涡轮、船舶推进的螺旋桨等，规模从直径数米的水轮机到直径只有几厘米的CPU风扇等。该类设备以流体为工质，依赖旋转叶轮与工质间的力学作用完成能量转换过程。其中，叶片气动性能的好坏对透平机械的运行性能具有决定性的影响。
现阶段在对透平机械叶片进行研究、设计及开发的过程中，主要通过参数化方法生成叶片型线，并根据计算流体动力学评估结果对叶片型线设计方案进行优化来实现设计目标。叶片型线造型参数的增加将使得设计优化过程中计算流体动力学评估的数量和资源消耗呈指数级增加。
传统的叶片型线参数化生成方法如特征参数法(PARSEC)、正交基函数法(OBF)等普遍有造型参数数量多、造型参数取值范围不确定不连续等缺陷。如特征参数法(PARSEC)通过叶片的结构参数如叶片轴向弦长、周向弦长等来生成叶片型线，虽然注重造型参数在结构上的可解释性，但造型参数数量普遍多达十数个；每个造型参数的取值范围各异并且依赖设计人员的工程经验；各造型参数在取值上的配合也有限制，即使各个造型参数均取值于各自的最佳范围内，不当的参数组合也会产生异常的叶片，并且现阶段针对各造型参数之间的约束也没有规范化的处理；这些缺陷导致叶型的设计以及优化耗费大量人力、物力，周期冗长，且性能难以保证，严重制约了设计时效性。
近年来随着计算机计算能力的提升和人工智能相关技术的发展，越来越多传统工业问题通过采用人工智能算法得到了新的解决方案。本发明提出基于深度学习的透平机械叶片型线参数化生成方法，通过生成式对抗神经网络挖掘翼型的造型特征并迁移应用至透平机械领域，通过较少的造型参数和变换参数即可生成新的具备良好气动性能的叶片型线。
发明内容
本发明的目的在于提供一种基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤。本发明基于工程实践中具有优良气动性能的飞行器翼型数据，构建生成式对抗神经网络学习其造型特征并迁移应用至透平机械领域，采用较少的造型及变换参数即可生成具有良好气动性能的新叶片型线，并保证造型参数对生成的叶片型线具有较好的解释能力；能够有效减少参数数量，减少设计优化的计算量和时间成本；统一造型参数的取值范围，减小工程经验影响；消除造型参数匹配不当导致的叶片造型异常现象，提高设计优化过程的全局优化能力和计算稳定性；通过变换参数能够方便地控制叶片型线的轴向弦长、周向弦长、厚度和进出口角度，满足设计要求；充分利用飞行器研究领域的翼型数据资源，解决透平机械领域叶片型线数据缺乏的问题；利用深度学习强大的拟合以及泛化能力，可以生成超出经验范围的、气动性能更加优良的叶型。
本发明采用以下技术方案来实现：
基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤；
1)采用生成式对抗神经网络生成翼型型线的过程具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤；
a)获取翼型型线数据；
通过自编程方式，采用常规参数化方法(CST等)，在合理的参数空间内生成大量高阶光滑连续、性能优良的翼型型线数据，数据格式为{RAWind,i}n，其中n＝1,2,3…N，表示翼型型线序号，N为翼型型线总数，ind＝1,2,3…Nn，表示翼型上离散点的序号，Nn为第n条翼型型线上的离散点总数，i＝1，2，用于表示横纵坐标；
b)翼型数据预处理；
对翼型数据集{RAWind,i}n中的任一条翼型RAWind,i，剔除其中的异常数据，调整数据排列使数据点沿翼型表面逆时针排列，起始点为翼型上表面的尾缘点，得到预处理结果{Originind,i}n；对预处理后的任意一条翼型型线Originidx,i，采用三次样条曲线对翼型数据进行拟合并插值，其插值点分布随翼型表面曲率增大而加密，整理翼型数据为{Realidx,i}n，整理后的翼型数据点序号idx＝1,2,3…Npoint，Npoint为插值后每条翼型型线上的离散点数量；
c)构建生成式对抗神经网络；
翼型型线生成的生成式对抗神经网络包括生成网络(G Net)和判断网络(D Net)两个子网络；
对于G Net网络，采用全连接网络模块DENSE1、DENSE2将输入生成网络G Net的三维造型参数Input变换为256张4×3高维特征图，后根据高维特征图通过反卷积模块1，2，3将高维特征进行压缩，在翼型参数计算层通过卷积操作获得控制点Pc，c＝1,2,3…Ncontrol，控制点的权重Wc，c＝1,2,3…Ncontrol，和递增序列Ti，i＝1,2,3…Npoint，0<Ti<1，其中Ncontrol为控制点数量；最后在翼型型线计算层采用如下计算式计算得到翼型型线Fakeidx,i；
Figure BDA0002759225880000031
对于D Net网络，通过卷积模块1，2，3，4，5，6将输入判断网络D Net的Fakeidx,i或Realidx,i，变换为2048张高维特征图，后通过过渡模块1及判别模块将高维特征变换为真实性概率Output以及造型参数估计值GuessInput，用于计算判断网络D Net及生成网络G Net的损失项；
判断网络D Net采用真实性概率Output与输入数据标签Label间的Sigmoid交叉熵作为总损失函数，其中Fakeidx,i的Label取为0，Realidx,i的Label取为1，计算方式为：
lossD＝-[Label*ln(p)+(1-Label)ln(1-p)]
其中，
Figure BDA0002759225880000041
生成网络G Net采用真实性概率Output与数值“1”间的Sigmoid交叉熵，翼型尾缘位置惩罚项ctrailing，翼型尾缘距离惩罚项cclose，造型参数解释性惩罚项cGuess之和作为总损失函数，计算式为：
lossG＝ln(1+e-Output)+cclose+ctrailing+cGuess
d)训练生成式对抗神经网络
随机生成一批数量为NBatch，满足[0,1]间正态分布的造型参数{Input}r，r＝1,2,3…NBatch；通过生成式对抗神经网络的G Net进行翼型型线生成，得到{Fakeidx,i}r；
将生成的翼型型线{Fakeidx,i}r与随机抽取的NBatch组真实翼型型线{Realidx,i}r分别通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与Label间的Sigmoid交叉熵对D Net进行一次参数更新，使D Net能够更好地分辨出G Net所生成的翼型型线与真实翼型型线；
之后再随机生成数量为NBatch，满足[0,1]间正态分布的造型参数{Input}r，通过生成式对抗神经网络中的G Net进行翼型型线生成，得到一组新的{Fakeidx,i}r；
将新的{Fakeidx,i}r通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与数值“1”间的Sigmoid交叉熵以及惩罚项ctrailing，cclose，cGuess对G Net进行一次参数更新，使G Net生成的翼型型线数据更加逼近真实翼型型线，尽可能迷惑D Net对型线真实性的判断；
通过G Net与D Net的不断反复对抗，使得D Net逐渐辨识出翼型型线的造型特征，迫使G Net生成的型线逐步更接近于高阶光滑连续的翼型型线；
2)透平机械叶片型线变换过程包括翼型型线轴向拉伸、生成叶型中弧线、生成叶型上下表面曲线、叶片型线前缘尾缘光滑化和叶片型线旋转五个子步骤，达到调整叶片型线的轴向弦长、周向弦长、厚度和进出口角度，并保证叶片型线满足二阶连续的目的；
a)翼型型线轴向拉伸：将翼型型线Fakeidx,i表面曲线上每个离散点的横坐标乘以叶片型线轴向拉伸系数c1以调整翼型型线的轴向弦长，变换得到翼型型线NewFakeidx,i；
b)生成叶片型线中弧线：将轴向拉伸过的翼型型线NewFakeidx,i上表面曲线upline上离散点的纵坐标乘以叶片型线周向拉伸系数c2以调整叶片型线的周向弦长，作为透平机械叶片型线的中弧线Camber；
c)生成叶片型线上下表面曲线：首先计算翼型型线NewFakeidx,i的厚度Thick，在叶片型线中弧线Camber的基础上，通过增加和减少厚度Thick与厚度系数c3的乘积分别生成叶片型线上下表面newupline和newdownline，从而调整叶片厚度，改善气动性能，同时可以调整叶片强度，方便满足对强度的设计需求；
d)叶片型线前缘尾缘光滑化：分别将newupline与newdownline上靠近叶片前缘和靠近叶片尾缘的百分之五长度截去，得到cutupline和cutdownline；采用三次分段埃尔米特曲线插值将截断后的前缘重新光滑连接，采用圆弧线光滑连接截断后的尾缘，随后使用三次样条曲线重新拟合叶片型线并根据表面曲率插值得到二阶光滑的叶片型线FinalFakeidx,i；
e)叶片型线旋转：将叶片型线FinalFakeidx,i逆时针旋转c4角度以调整叶片型线的进出口角度，变换得到最终的叶片型线Bladeidx,i。
本发明进一步的改进在于，在步骤1)的子步骤a)获取数据中，采用生成方便、性能优良的翼型数据作为学习数据，充分利用丰富的翼型资源，解决透平机械领域叶型数据缺乏的问题。
本发明进一步的改进在于，在步骤1)的子步骤c)构建生成式对抗神经网络中，采用ctrailing惩罚项控制生成型线的尾缘位置，该项的计算方法为：
Figure BDA0002759225880000061
采用cclose惩罚项保证生成的翼型型线首尾两点能够接近闭合，其计算方法为：
Figure BDA0002759225880000062
采用造型参数Input与造型参数估计值GuessInput间的欧式距离增强造型参数Input对生成翼型型线Fakeidx,i的解释能力，其计算方式为：
cGuess＝||Input-GuessInput||。
本发明进一步的改进在于，在步骤1)的子步骤d)训练模型中，对训练过程作如下设置以提高收敛能力，采用Adam优化器，初始学习率设置为0.0004，在第20，60，100次训练数据遍历时，将学习率逐渐降低为0.0003，0.0002，0.0001。
本发明进一步的改进在于，在步骤2)中的子步骤a)翼型型线轴向拉伸中，拉伸后的翼型型线上各离散点横坐标的计算方式为：
xnewfake＝xfake×c1
其中，xfake表示翼型型线Fakeidx,i上各离散点的横坐标，xnewfake表示轴向拉伸后的翼型型线NewFakeidx,i上各离散点的横坐标，c1为轴向拉伸系数。
本发明进一步的改进在于，在步骤2)中的子步骤b)生成叶片型线中弧线中，叶片型线中弧线Camber上各离散点纵坐标的计算方式为：
yCamber(xnewfake)＝yupline(xnewfake)×c2
其中，yCamber(xnewfake)表示叶型型线中弧线横坐标xnewfake处的纵坐标，yupline(xnewfake)为翼型型线上表面横坐标xnewfake处的纵坐标，c2为周向拉伸系数。
本发明进一步的改进在于，在步骤2)中的子步骤c)生成叶片型线上下表面曲线中，型线厚度Thick的计算方式为：
Thick(xnewfake)＝yupline(xnewfake)-ydownline(xnewfake)
其中，Thick(xnewfake)表示横坐标为xnewfake处的翼型型线厚度，ydownline(xnewfake)表示翼型型线下表面横坐标xnewfake处的纵坐标。
本发明进一步的改进在于，在步骤2)中的子步骤c)生成叶片型线上下表面曲线中，通过叶片型线厚度系数c3变换得到新的叶片型线上下表面newupline和newdownline，进而调整叶片厚度的具体计算方式为：
ynewupline(xnewfake)＝yCamber(xnewfake)+Thick(xnewfake)×c3
ynewdownline(xnewfake)＝yCamber(xnewfake)-Thick(xnewfake)×c3。
本发明进一步的改进在于，在步骤2)的子步骤d)叶片型线前缘尾缘光滑化中，对于前缘，三次分段埃尔米特曲线的控制点采用以下方式确定：
通过cutupline与cutdownline的前缘点Pupleading和Pdownleading做切线，交点为Pcross；通过Pupleading和Pdownleading确定其中点Pmid；取Pcross至Pmid线段上距Pcross点五分之一该线段长度的点为Pleading，控制点取为Pupleading，Pdownleading，Pleading；
对于尾缘，生成尾缘圆弧线的具体过程如下：
通过cutupline与cutdownline的尾缘点Puptrailing和Pdowntrailing做切线，交点为Ptrailing；连接Puptrailing和Pdowntrailing得到线段PuptrailingPdowntrailing；通过∠PtrailingPuptrailin gPdowntrailing与∠PtrailingPdowntrailingPuptrailing的角平分线确定三角形ΔPuptrailingPdowntrailin gPtrailing的内接圆圆心Po；过Po分别向线段PuptrailingPtrailing及线段PdowntrailingPtrailing作垂线交于Pupextend和Pdownextend两点；以Po作为圆心作圆弧线PupextendPdownextend；依次连接点Pdowntrailing和点Pdownextend，点Puptrailing和点Pupextend，形成线段PdowntrailingPdownextend和PuptrailingPupextend，从而将cutupline与cutdownline的尾缘用圆弧光滑连接，使叶片型线封闭。
本发明至少具有如下有益的技术效果：
本发明提供的基于深度学习的透平机械叶片型线自动参数化生成方法，通过生成光滑连续、性能优良的翼型数据并进行整理，构建生成式对抗神经网络学习其造型特征并迁移应用至透平机械领域，参数化生成新的叶片型线。该方法优势在于，第一，造型参数的总数量大幅下降，避免参数过多时的维度灾难现象，可显著降低设计优化过程中的计算流体动力学评估数量；第二，利用数据驱动方式将造型参数的取值范围自动归一化为0到1，不再依赖设计人员经验；第三，造型参数在任意的取值组合下不会导致异常的造型结果，可在一定程度上提高全局寻优能力和计算稳定性；第四，通过叶型变换参数能够方便地调节叶片型线的轴向弦长、周向弦长、叶片厚度和进出口角度以满足设计需求；第五，充分利用航空、航天飞行器研究领域的翼型数据资源，解决透平机械领域叶片型线数据缺乏的问题；第六，利用深度学习强大的拟合以及泛化能力，可以生成超出经验范围的、气动性能更加优良的叶型。
附图说明
图1是本发明基于深度学习的透平机械叶片型线自动参数化生成方法的流程图。
图2是生成翼型型线的生成式对抗神经网络架构图。
图3是生成翼型型线的生成式对抗神经网络中生成网络(G Net)的架构图。
图4是生成翼型型线的生成式对抗神经网络中判断网络(D Net)的架构图。
图5是将翼型型线变换为透平机械叶片型线的过程示意图。
图6是叶片型线前缘尾缘光滑化过程中控制点示意图。
图7是采用本发明生成的若干透平机械叶片型线图。
具体实施方式
下面根据发明内容，结合附图和实施例，对本发明进行进一步详细说明。但不应将此理解为本发明上述主题的范围仅局限于以下内容。在不脱离本发明上述思想的情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。
实施例1
参见图1，假设设计汽轮机某级动叶片叶型，采用本发明进行型线生成的具体实施步骤如下：
第一步，采用CST参数化方法，生成1552组高阶光滑连续、性能优良的翼型型线数据{RAWind,i}n作为学习数据，其中n＝1,2,3…1552，ind＝1,2,3…Nn，i＝1,2，分别代表了翼型序号，数据点序号，横纵坐标。Nn为第n条翼型型线上的离散点数量。
第二步，对翼型型线数据{RAWind,i}n进行预处理，剔除每条型线RAWind,i中的异常数据点，调整数据点的排列，使各条翼型型线的数据点从上表面尾缘处出发，沿翼型表面逆时针环绕一周，最后回到翼型尾缘，得到预处理结果{Originind,i}n，n＝1,2,3…1552，ind＝1,2,3…Nn，i＝1,2，对其中的每条翼型型线Originind,i，采用三次样条曲线进行拟合并根据翼型型线表面的曲率分布进行插值，得到整齐的翼型型线数据{Realidx,i}n，idx＝1,2,3…192，i＝1,2，每条翼型型线上的离散点数量在该例中取为192。
第三步，构建生成翼型型线的生成式对抗神经网络。
参见图2，生成翼型型线的生成式对抗神经网络包括生成网络G Net与判断网络DNet两个子网络。按表1、图3及表2、图4分别构建生成网络G Net与判断网络D Net。
生成网络G Net通过Dense模块1、2将造型参数Input变换为256张4×3的高维特征图。通过反卷积模块1、2、3将高维特征图逐步降至32张。在翼型型线计算模块由32张特征图分别变换得到控制点Pc，控制点权重Wc，离散参数Tidx，该例中控制点个数取为32个，c＝1,2,3…32，idx＝1,2,3…192。叶片型线计算层中由Pc，Wc，Tidx按下式计算翼型型线的离散数据：
Figure BDA0002759225880000101
判断网络D Net通过卷积模块1，2，3，4，5，6将输入判断网络D Net的Fakeidx,i或Realidx,i变换为2048张高维特征图，通过过渡模块1将高维特征图转化为1024维特征向量。通过判别模块进一步将1024维特征向量转化为真实性概率Output以及造型参数估计值GuessInput。
判断网络D Net采用真实性概率Output与输入翼型数据Label间的Sigmoid交叉熵作为损失函数，其中Fakeidx,i的标签为0，Realidx,i的标签为0，计算方式为：
lossD＝-[Label*ln(p)+(1-Label)ln(1-p)]
其中
Figure BDA0002759225880000102
生成网络G Net采用真实性概率Output与数值“1”间的Sigmoid交叉熵，翼型尾缘位置惩罚项ctrailing，翼型尾缘距离惩罚项cclose，造型参数解释性惩罚项cGuess之和作为总损失函数，计算式为：
lossG＝ln(1+e-Output)+cclose+ctrailing+cGuess
其中，ctrailing惩罚项控制翼型型线尾缘位置位于右侧，详细计算方式为：
Figure BDA0002759225880000103
cclose惩罚项保证翼型型线尾缘两点能够接近闭合，计算方式为：
Figure BDA0002759225880000104
cGuess惩罚项采用翼型型线造型参数Input与造型参数估计值GuessInput间的欧式距离增强造型参数Input对生成型线Fakeidx,i的解释能力。计算方式为：
cGuess＝||Input-GuessInput||
第四步，训练生成翼型型线的生成式对抗神经网络。
随机生成NBatch个满足[0,1]间正态分布的三维造型参数{Input}r，r＝1,2,3…NBatch，其中NBatch在该例中取为64，将其输入生成网络G Net获得{Fakeidx,i}r，将生成的翼型型线{Fakeidx,i}r与抽取的NBatch组真实翼型型线{Realidx,i}r分别通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与Label间的Sigmoid交叉熵对D Net进行一次参数更新，使D Net能够更好地分辨出G Net所生成的翼型型线与真实翼型型线。
再随机生成NBatch个满足[0,1]间正态分布的三维造型参数{Input}r，通过生成式对抗神经网络中的G Net生成一组新的翼型型线{Fakeidx,i}r。将新的{Fakeidx,i}r通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与数值“1”间的Sigmoid交叉熵以及惩罚项ctrailing，cclose，cGuess对G Net进行一次参数更新，使G Net生成的翼型型线更加逼近真实翼型数据，尽可能迷惑D Net对翼型型线真实性的判断。
训练过程采用Adam优化器，初始学习率设置为0.0004，在第20，60，100次训练数据遍历时，将学习率逐渐降低为0.0003，0.0002，0.0001。
第五步，翼型型线轴向拉伸。
参见图5，使用训练得到的G Net生成翼型型线Fakeidx,i，将翼型型线Fakeidx,i表面曲线上每个离散点的横坐标乘以叶片型线轴向拉伸系数c1以调整型线的轴向弦长，变换得到翼型型线NewFakeidx,i。拉伸后的翼型型线上各离散点横坐标的计算方式为：
xnewfake＝xfake×c1
其中，xfake表示翼型型线Fakeidx,i上各离散点的横坐标，xnewfake表示轴向拉伸后的翼型型线NewFakeidx,i上各离散点的横坐标，c1为轴向拉伸系数。
第六步，生成动叶片型线中弧线。
参见图5，将轴向拉伸过的翼型型线NewFakeidx,i上表面曲线upline上离散点的纵坐标乘以叶片型线周向拉伸系数c2以调整型线的周向弦长，新的上表面曲线作为透平机械叶片型线的中弧线Camber。叶片型线中弧线Camber上各离散点纵坐标的计算方式为：
yCamber(xnewfake)＝yupline(xnewfake)×c2
其中，yCamber(xnewfake)表示叶型型线中弧线横坐标xnewfake处的纵坐标，yupline(xnewfake)为翼型型线上表面横坐标xnewfake处的纵坐标，c2为周向拉伸系数。
第七步，生成动叶片型线上下表面曲线
参见图5，首先计算翼型型线NewFakeidx,i的厚度Thick，在叶片型线中弧线Camber的基础上，通过增加和减少厚度Thick与厚度系数c3的乘积分别生成叶片型线上下表面newupline和newdownline，从而调整叶片厚度，改善气动性能，同时可以调整叶片强度，方便满足对强度的设计需求。
型线厚度Thick的计算方式为：
Thick(xnewfake)＝yupline(xnewfake)-ydownline(xnewfake)
其中，Thick(xnewfake)表示横坐标为xnewfake处的翼型型线厚度，ydownline(xnewfake)表示翼型型线下表面横坐标xnewfake处的纵坐标。
通过叶片型线厚度系数c3变换得到新的动叶片型线上下表面newupline和newdownline，进而调整叶片厚度的具体计算方式为：
ynewupline(xnewfake)＝yCamber(xnewfake)+Thick(xnewfake)×c3
ynewdownline(xnewfake)＝yCamber(xnewfake)-Thick(xnewfake)×c3
第八步，动叶片型线前缘尾缘光滑化
参见图5，将newupline与newdownline靠近前缘和靠近尾缘的百分之五长度截去，得到cutupline和cutdownline，采用三次分段埃尔米特曲线插值将截断后的前缘重新光滑连接，采用圆弧线将截断后的尾缘重新光滑连接。
参见图6，对于前缘，三次分段埃尔米特曲线的控制点通过以下方式确定：
通过cutupline与cutdownline的前缘点Pupleading和Pdownleading做切线，交点为Pcross；通过Pupleading和Pdownleading确定其中点Pmid；取Pcross至Pmid线段上距Pcross点五分之一该线段长度的点为Pleading，控制点取为Pupleading，Pdownleading，Pleading。
参见图6，对于尾缘，圆弧线通过以下方式确定：
通过cutupline与cutdownline的尾缘点Puptrailing和Pdowntrailing做切线，交点为Ptrailing。连接Puptrailing和Pdowntrailing得到线段PuptrailingPdowntrailing。通过∠PtrailingPuptrailin gPdowntrailing与∠PtrailingPdowntrailingPuptrailing的角平分线确定三角形ΔPuptrailingPdowntrailin gPtrailing的内接圆圆心Po。过Po分别向线段PuptrailingPtrailing及线段PdowntrailingPtrailing作垂线交于Pupextend和Pdownextend两点。以Po作为圆心作圆弧线PupextendPdownextend。依次连接点Pdowntrailing和点Pdownextend，点Puptrailing和点Pupextend，形成线段PdowntrailingPdownextend和PuptrailingPupextend，从而将cutupline与cutdownline的尾缘用圆弧光滑连接，使叶片型线封闭。
随后，采用三次样条曲线重新拟合动叶片型线并根据表面曲率插值获得二阶光滑的动叶片型线FinalFakeidx,i。
第九步，叶片型线旋转
将FinalFakeidx,i逆时针旋转c4角度以改变动叶片型线的进出口角度，获得最终的动叶片型线Bladeidx,i，参见图5。
图7给出了采用本发明的方法生成的若干透平机械叶片型线图。
表1本发明生成式对抗神经网络中生成网络G Net的结构
Figure BDA0002759225880000131
Figure BDA0002759225880000141
表2本发明生成式对抗神经网络中判断网络D Net的结构
Figure BDA0002759225880000142

Claims (8)

1.基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤；
1)采用生成式对抗神经网络生成翼型型线的过程具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤；
a)获取翼型型线数据；
通过自编程方式，采用常规参数化方法，在合理的参数空间内生成大量高阶光滑连续、性能优良的翼型型线数据，数据格式为{RAWind,i}n，其中n＝1,2,3…N，表示翼型型线序号，N为翼型型线总数，ind＝1,2,3…Nn，表示翼型上离散点的序号，Nn为第n条翼型型线上的离散点总数，i＝1，2，用于表示横纵坐标；
b)翼型数据预处理；
对翼型数据集{RAWind,i}n中的任一条翼型RAWind,i，剔除其中的异常数据，调整数据排列使数据点沿翼型表面逆时针排列，起始点为翼型上表面的尾缘点，得到预处理结果{Originind,i}n；对预处理后的任意一条翼型型线Originidx,i，采用三次样条曲线对翼型数据进行拟合并插值，其插值点分布随翼型表面曲率增大而加密，整理翼型数据为{Realidx,i}n，整理后的翼型数据点序号idx＝1,2,3…Npoint，Npoint为插值后每条翼型型线上的离散点数量；
c)构建生成式对抗神经网络；
翼型型线生成的生成式对抗神经网络包括生成网络G Net和判断网络D Net两个子网络；
对于G Net网络，采用全连接网络模块DENSE1、DENSE2将输入生成网络G Net的三维造型参数Input变换为256张4×3高维特征图，后根据高维特征图通过反卷积模块1，2，3将高维特征进行压缩，在翼型参数计算层通过卷积操作获得控制点Pc，c＝1,2,3…Ncontrol，控制点的权重Wc，c＝1,2,3…Ncontrol，和递增序列Ti，i＝1,2,3…Npoint，0<Ti<1，其中Ncontrol为控制点数量；最后在翼型型线计算层采用如下计算式计算得到翼型型线Fakeidx,i；
Figure FDA0002759225870000021
对于D Net网络，通过卷积模块1，2，3，4，5，6将输入判断网络D Net的Fakeidx,i或Realidx,i，变换为2048张高维特征图，后通过过渡模块1及判别模块将高维特征变换为真实性概率Output以及造型参数估计值GuessInput，用于计算判断网络D Net及生成网络G Net的损失项；
判断网络D Net采用真实性概率Output与输入数据标签Label间的Sigmoid交叉熵作为总损失函数，其中Fakeidx,i的Label取为0，Realidx,i的Label取为1，计算方式为：
lossD＝-[Label*ln(p)+(1-Label)ln(1-p)]
其中，
Figure FDA0002759225870000022
生成网络G Net采用真实性概率Output与数值“1”间的Sigmoid交叉熵，翼型尾缘位置惩罚项ctrailing，翼型尾缘距离惩罚项cclose，造型参数解释性惩罚项cGuess之和作为总损失函数，计算式为：
lossG＝ln(1+e-Output)+cclose+ctrailing+cGuess
d)训练生成式对抗神经网络
随机生成一批数量为NBatch，满足[0,1]间正态分布的造型参数{Input}r，r＝1,2,3…NBatch；通过生成式对抗神经网络的G Net进行翼型型线生成，得到{Fakeidx,i}r；
将生成的翼型型线{Fakeidx,i}r与随机抽取的NBatch组真实翼型型线{Realidx,i}r分别通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与Label间的Sigmoid交叉熵对D Net进行一次参数更新，使D Net能够更好地分辨出G Net所生成的翼型型线与真实翼型型线；
之后再随机生成数量为NBatch，满足[0,1]间正态分布的造型参数{Input}r，通过生成式对抗神经网络中的G Net进行翼型型线生成，得到一组新的{Fakeidx,i}r；
将新的{Fakeidx,i}r通过生成式对抗神经网络中的D Net进行判断，根据真实性判断结果Output与数值“1”间的Sigmoid交叉熵以及惩罚项ctrailing，cclose，cGuess对G Net进行一次参数更新，使G Net生成的翼型型线数据更加逼近真实翼型型线，尽可能迷惑D Net对型线真实性的判断；
通过G Net与D Net的不断反复对抗，使得D Net逐渐辨识出翼型型线的造型特征，迫使G Net生成的型线逐步更接近于高阶光滑连续的翼型型线；
2)透平机械叶片型线变换过程包括翼型型线轴向拉伸、生成叶型中弧线、生成叶型上下表面曲线、叶片型线前缘尾缘光滑化和叶片型线旋转五个子步骤，达到调整叶片型线的轴向弦长、周向弦长、厚度和进出口角度，并保证叶片型线满足二阶连续的目的；
a)翼型型线轴向拉伸：将翼型型线Fakeidx,i表面曲线上每个离散点的横坐标乘以叶片型线轴向拉伸系数c1以调整翼型型线的轴向弦长，变换得到翼型型线NewFakeidx,i；
b)生成叶片型线中弧线：将轴向拉伸过的翼型型线NewFakeidx,i上表面曲线upline上离散点的纵坐标乘以叶片型线周向拉伸系数c2以调整叶片型线的周向弦长，作为透平机械叶片型线的中弧线Camber；
c)生成叶片型线上下表面曲线：首先计算翼型型线NewFakeidx,i的厚度Thick，在叶片型线中弧线Camber的基础上，通过增加和减少厚度Thick与厚度系数c3的乘积分别生成叶片型线上下表面newupline和newdownline，从而调整叶片厚度，改善气动性能，同时可以调整叶片强度，方便满足对强度的设计需求；
d)叶片型线前缘尾缘光滑化：分别将newupline与newdownline上靠近叶片前缘和靠近叶片尾缘的百分之五长度截去，得到cutupline和cutdownline；采用三次分段埃尔米特曲线插值将截断后的前缘重新光滑连接，采用圆弧线光滑连接截断后的尾缘，随后使用三次样条曲线重新拟合叶片型线并根据表面曲率插值得到二阶光滑的叶片型线FinalFakeidx,i；
e)叶片型线旋转：将叶片型线FinalFakeidx,i逆时针旋转c4角度以调整叶片型线的进出口角度，变换得到最终的叶片型线Bladeidx,i。
2.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤1)的子步骤c)构建生成式对抗神经网络中，采用ctrailing惩罚项控制生成型线的尾缘位置，该项的计算方法为：
Figure FDA0002759225870000041
采用cclose惩罚项保证生成的翼型型线首尾两点能够接近闭合，其计算方法为：
Figure FDA0002759225870000042
采用造型参数Input与造型参数估计值GuessInput间的欧式距离增强造型参数Input对生成翼型型线Fakeidx,i的解释能力，其计算方式为：
cGuess＝||Input-GuessInput||。
3.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤1)的子步骤d)训练模型中，对训练过程作如下设置以提高收敛能力，采用Adam优化器，初始学习率设置为0.0004，在第20，60，100次训练数据遍历时，将学习率逐渐降低为0.0003，0.0002，0.0001。
4.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤2)中的子步骤a)翼型型线轴向拉伸中，拉伸后的翼型型线上各离散点横坐标的计算方式为：
xnewfake＝xfake×c1
其中，xfake表示翼型型线Fakeidx,i上各离散点的横坐标，xnewfake表示轴向拉伸后的翼型型线NewFakeidx,i上各离散点的横坐标，c1为轴向拉伸系数。
5.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤2)中的子步骤b)生成叶片型线中弧线中，叶片型线中弧线Camber上各离散点纵坐标的计算方式为：
yCamber(xnewfake)＝yupline(xnewfake)×c2
其中，yCamber(xnewfake)表示叶型型线中弧线横坐标xnewfake处的纵坐标，yupline(xnewfake)为翼型型线上表面横坐标xnewfake处的纵坐标，c2为周向拉伸系数。
6.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤2)中的子步骤c)生成叶片型线上下表面曲线中，型线厚度Thick的计算方式为：
Thick(xnewfake)＝yupline(xnewfake)-ydownline(xnewfake)
其中，Thick(xnewfake)表示横坐标为xnewfake处的翼型型线厚度，ydownline(xnewfake)表示翼型型线下表面横坐标xnewfake处的纵坐标。
7.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤2)中的子步骤c)生成叶片型线上下表面曲线中，通过叶片型线厚度系数c3变换得到新的叶片型线上下表面newupline和newdownline，进而调整叶片厚度的具体计算方式为：
ynewupline(xnewfake)＝yCamber(xnewfake)+Thick(xnewfake)×c3
ynewdownline(xnewfake)＝yCamber(xnewfake)-Thick(xnewfake)×c3。
8.根据权利要求1所述的基于深度学习的透平机械叶片型线自动参数化生成方法，其特征在于，在步骤2)的子步骤d)叶片型线前缘尾缘光滑化中，对于前缘，三次分段埃尔米特曲线的控制点采用以下方式确定：
通过cutupline与cutdownline的前缘点Pupleading和Pdownleading做切线，交点为Pcross；通过Pupleading和Pdownleading确定其中点Pmid；取Pcross至Pmid线段上距Pcross点五分之一该线段长度的点为Pleading，控制点取为Pupleading，Pdownleading，Pleading；
对于尾缘，生成尾缘圆弧线的具体过程如下：
通过cutupline与cutdownline的尾缘点Puptrailing和Pdowntrailing做切线，交点为Ptrailing；连接Puptrailing和Pdowntrailing得到线段PuptrailingPdowntrailing；通过∠PtrailingPuptrailingPdowntrailing与∠PtrailingPdowntrailingPuptrailing的角平分线确定三角形ΔPuptrailingPdowntrailingPtrailing的内接圆圆心Po；过Po分别向线段PuptrailingPtrailing及线段PdowntrailingPtrailing作垂线交于Pupextend和Pdownextend两点；以Po作为圆心作圆弧线PupextendPdownextend；依次连接点Pdowntrailing和点Pdownextend，点Puptrailing和点Pupextend，形成线段PdowntrailingPdownextend和PuptrailingPupextend，从而将cutupline与cutdownline的尾缘用圆弧光滑连接，使叶片型线封闭。
CN202011212336.6A 2020-11-03 2020-11-03 基于深度学习的透平机械叶片型线自动参数化生成方法 Active CN112541298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212336.6A CN112541298B (zh) 2020-11-03 2020-11-03 基于深度学习的透平机械叶片型线自动参数化生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212336.6A CN112541298B (zh) 2020-11-03 2020-11-03 基于深度学习的透平机械叶片型线自动参数化生成方法

Publications (2)

Publication Number Publication Date
CN112541298A CN112541298A (zh) 2021-03-23
CN112541298B true CN112541298B (zh) 2022-12-09

Family

ID=75013752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212336.6A Active CN112541298B (zh) 2020-11-03 2020-11-03 基于深度学习的透平机械叶片型线自动参数化生成方法

Country Status (1)

Country Link
CN (1) CN112541298B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644136A (zh) * 2017-09-20 2018-01-30 天津工业大学 一种风力机叶片表面粗糙条件下钝尾缘翼型优化设计方法
CN111602144A (zh) * 2018-02-09 2020-08-28 渊慧科技有限公司 生成指令序列以控制执行任务的代理的生成神经网络系统
CN111814246A (zh) * 2020-06-11 2020-10-23 中国空气动力研究与发展中心计算空气动力研究所 一种基于生成对抗网络的翼型反设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11423282B2 (en) * 2018-10-30 2022-08-23 Huawei Technologies Co., Ltd. Autoencoder-based generative adversarial networks for text generation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644136A (zh) * 2017-09-20 2018-01-30 天津工业大学 一种风力机叶片表面粗糙条件下钝尾缘翼型优化设计方法
CN111602144A (zh) * 2018-02-09 2020-08-28 渊慧科技有限公司 生成指令序列以控制执行任务的代理的生成神经网络系统
CN111814246A (zh) * 2020-06-11 2020-10-23 中国空气动力研究与发展中心计算空气动力研究所 一种基于生成对抗网络的翼型反设计方法

Also Published As

Publication number Publication date
CN112541298A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
Ekradi et al. Performance improvement of a transonic centrifugal compressor impeller with splitter blade by three-dimensional optimization
Benini Three-dimensional multi-objective design optimization of a transonic compressor rotor
CN107529643B (zh) 一种兼顾水力、强度性能的混流式转轮多工况优化方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN113408044B (zh) 一种多旋翼无人机桨叶优化设计方法
CN114036668A (zh) 一种基于离心叶轮中间面曲线的可变自由曲面叶片生成方法
Havrylenko et al. Modelling of surfaces of engineering products on the basis of array of points
CN113569360A (zh) 一种风力机叶片抗颤振翼型簇设计方法
Pholdee et al. Kriging surrogate-based genetic algorithm optimization for blade design of a horizontal axis wind turbine
Ümütlü et al. Airfoil shape optimization using Bézier curve and genetic algorithm
Arabnia et al. On the use of blades stagger and stacking in turbine stage optimization
CN105868470A (zh) 一种风力机翼型与叶片外形参数一体化设计方法
Kadhim et al. Design optimization workflow and performance analysis for contoured endwalls of axial turbines
CN112231836B (zh) 一种基于遗传算法和数值仿真的翼型优化方法
CN113742861A (zh) 一种适用于风力发电机风洞试验的叶片模型优化设计方法
CN112541298B (zh) 基于深度学习的透平机械叶片型线自动参数化生成方法
CN102108883B (zh) 半转速核电汽轮机末级动叶片
Zhang et al. Aerodynamic design of a multi-stage industrial axial compressor
CN111241752A (zh) 一种基于数字孪生和强化学习的离心式叶轮综合优化方法
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法
Komarov et al. OPTIMIZATION APPROAC H AND SOME RESULTS FOR 2D COMPRESSOR AIRFOIL
Balasubramanian et al. Novel curvature-based airfoil parameterization for wind turbine application and optimization
Briasco et al. A NURBS-based optimization tool for axial compressor cascades at design and off-design conditions
Guo et al. Aerodynamic analysis and multi-objective optimization design of a high pressure ratio centrifugal impeller
Becker et al. Multi-objective optimization in axial compressor design using a linked cfd-solver

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant