CN112632728B - 基于深度学习的透平机械叶型设计及性能预测方法 - Google Patents

基于深度学习的透平机械叶型设计及性能预测方法 Download PDF

Info

Publication number
CN112632728B
CN112632728B CN202011626975.7A CN202011626975A CN112632728B CN 112632728 B CN112632728 B CN 112632728B CN 202011626975 A CN202011626975 A CN 202011626975A CN 112632728 B CN112632728 B CN 112632728B
Authority
CN
China
Prior art keywords
blade profile
leaf
blade
profile
pressure distribution
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
CN202011626975.7A
Other languages
English (en)
Other versions
CN112632728A (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 CN202011626975.7A priority Critical patent/CN112632728B/zh
Publication of CN112632728A publication Critical patent/CN112632728A/zh
Application granted granted Critical
Publication of CN112632728B publication Critical patent/CN112632728B/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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Turbine Rotor Nozzle Sealing (AREA)

Abstract

本发明公开了一种基于深度学习的透平机械叶型设计及性能预测方法，该方法包括搭建设计透平机械叶型的生成对抗神经网络GAN，训练GAN，使用生成器Generator生成叶型样本，搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架，使用自动化框架对样本叶型进行批量CFD计算获取气动性能参数集，各叶高截面叶型表面压力分布数据预处理，构建叶型气动性能预测的卷积神经网络CNN，训练CNN以及使用Generator、Predict Net和Score Net进行叶型设计及性能预测等9个步骤。本发明构建起一整套基于深度学习技术，从叶型设计参数到获得叶型型线、叶型表面压力分布，直至叶型气动性能指标的端到端设计与性能预测框架，显著提高了透平机械叶型设计及性能预测的效率。

Description

基于深度学习的透平机械叶型设计及性能预测方法
技术领域
本发明属于透平机械技术领域，具体涉及一种基于深度学习的透平机械叶型设计及性能预测方法。
背景技术
在我国各类发电装置中，火电和核电的发电量占比超过了70％，而以汽轮机为代表的透平机械机组是其中的核心装备。透平机械是完成热功转换的重要设备，其气动性能的好坏对整个机组的高效性和安全性至关重要。
在透平机械中，叶片是最关键的部件。现阶段在对透平机械叶片型线的设计研究中，主要是通过参数化生成型线，根据计算流体动力学的性能预测结果，采用合适的优化策略使气动指标满足设计要求。在该过程中需要采用计算流体动力学方法对透平机械叶片流场进行求解，计算资源消耗高，时间周期长。此外，叶型结构参数多，且各参数互相约束，难以协同优化，这制约了透平机械叶型设计开发过程的时效性。
近年来随着计算机计算能力的提高以及机器学习技术的发展，越来越多传统工业问题采用机器学习方法提出了新的解决方案。因此，通过机器学习尤其是深度学习技术实现透平机械叶型的快速设计与性能预测，成为解决透平机械叶型设计领域的前沿技术。
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型设计及性能预测方法。本发明采用生成对抗神经网络GAN进行叶型设计，构建卷积神经网络CNN分别学习挖掘叶型设计参数及工况条件与叶型表面压力分布间、叶型表面压力分布与叶型气动性能指标间的非线性关系，实现对叶型的设计并快速预测给定工况下的气动性能。
本发明采用以下技术方案实现：
基于深度学习的透平机械叶型设计及性能预测方法，包括以下步骤：
1)搭建设计透平机械叶型的生成对抗神经网络GAN
搭建设计透平机械叶型的生成对抗神经网络GAN包括生成器Generator及判别器Discriminator两个子网络；
2)训练设计透平机械叶型的生成对抗神经网络GAN
首先获取用于训练生成对抗神经网络GAN的透平机械叶型型线数据{Foilid,i}n，n＝1,2,3…N表示叶型型线序号，N为叶型型线总数；
随后使用生成器Generator将Ntrain个随机生成的叶型设计参数{Para}it变换为设计叶型{Wingsid,i}it，其中it＝1,2,3…Ntrain，Para的每个维度均满足[0,1]间的均匀分布；从真实叶型数据{Foilid,i}n中抽取Ntrain组真实叶型，结合设计叶型{Wingsid,i}it一起用以训练判别器Discriminator，其中真实叶型数据Foilid,i的标签为1，Wingsid,i的标签为0，判别器Discriminator的判别结果Result是输入叶型标签的估计值，损失项LossD为判别结果Result与数据标签间的sigmoid交叉熵；根据该损失对判别器Discriminator进行参数更新，提高Discriminator对叶型真实性判断的能力；
类似地，使用生成器Generator再将Ntrain个随机生成的叶型设计参数{Para}it变换为叶型{Wingsid,i}it，作为生成器Generator的训练数据，其标签MarkG取为1；将新生成的{Wingsid,i}it输入判别器Discriminator进行判断，损失函数LossG为判断结果Result与标签MarkG间的sigmoid交叉熵，惩罚项Punish为设计参数Para与设计参数估计值ParaGuess间的欧式距离；损失LossG及惩罚项Punish更新生成器Generator的参数使生成器Generator逐渐能够设计出更符合实际叶型造型特征的透平机械叶型；
迭代进行以上两个相互对抗的训练过程，使得生成器Generator逐渐掌握到叶型造型特征并能够设计出符合气动特性的叶型；
3)使用生成器Generator生成叶型样本
使用步骤2)训练得到的生成器Generator，根据随机生成的Ncase组叶型设计参数{Para}case生成对应的叶型型线{Airfoilid,i}case，作为叶型样本，case＝1,2,3…Ncase，表示叶型样本序号，Ncase表示叶型样本总数；
4)搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架
对叶型样本集合{Airfoilid,i}case中的任意叶型Airfoilid,i，建立叶型三维几何结构，对叶型流场进行网格划分得到计算网格Mesh，在设计工况下，给定进口压力、进口温度、出口压力和转速，对流场进行数值求解，流体工质选择为该工况下的蒸汽；获得各叶高截面叶型表面上网格节点处的压力信息Fieldim,m，其中im＝1,2,3…Nx，表示各叶高截面叶型表面上网格节点的序号，Nx为计算网格Mesh中各叶高截面叶型表面上的计算节点总数，m＝1,2,3，分别用于表示各叶高截面叶型表面上网格节点的横坐标，纵坐标，压力；通过将各叶高截面叶型表面上压力分布进行积分和处理获取叶型性能指标Outputp，其中p＝1,2，分别表示功率和效率；通过自编程方式串接上述各子步骤，搭建叶型建模、网格划分、流场求解及性能评估流程的自动化框架；
5)使用自动化框架对样本叶型进行批量CFD计算，获取气动性能参数集
使用步骤4)所搭建的自动化框架计算样本叶型{Airfoilid,i}case在给定进口压力、进口温度、出口压力和转速下，计算获得叶片表面各截面上压力分布{Fieldim,m}case及性能指标{Outputp}case，以此气动性能参数集{Para}case-{Fieldim,m}case-{Outputp}case作为卷积神经网络CNN的训练数据集；
6)各叶高截面叶型表面压力分布数据预处理
对步骤5)求解得到的{Para}case-{Fieldim,m}case-{Outputp}case气动性能参数集中的各叶高截面叶型表面压力分布数据{Fieldim,m}case，调整其数据排列使数据离散点沿各叶高截面叶型顺时针排列，起始点为叶型前缘点，绕叶型表面一周后回到前缘点；随后根据坐标对各叶高截面叶型表面压力分布进行线性插值，使离散数据点在叶型表面均匀分布，从中取出压力数据，得到格式统一的叶型表面压力分布{Presic}case，其中ic＝1,2,3…512为插值点序号；对整理后的叶型表面压力分布{Presic}case进一步进行标准化处理，得到无量纲的压力分布{Pic}case；
7)构建叶型气动性能预测的卷积神经网络CNN
叶型气动性能预测的卷积神经网络CNN包括叶型表面压力分布预测网络PredictNet及叶型气动性能评估网络Score Net两个子网络；
8)训练叶型气动性能预测的卷积神经网络CNN
根据计算设备内存大小情况从步骤5)所求解的气动性能参数集中抽取NBatch个设计参数{Para}num输入叶型表面压力分布预测网络Predict Net进行叶型表面压力分布预测获得{Mockic}num，其中num＝1,2,3…NBatch，根据预测结果{Mockic}num与CFD计算获得的叶型表面无量纲压力分布{Pic}num间的Smooth L1 Loss损失，更新Predict Net参数；将该参数更新过程循环进行Nepoch次，使Predict Net逐渐学习到设计参数Para与叶型表面无量纲压力分布间的非线性关系，实现由叶型设计参数直接预测得到给定设计工况下的叶型表面无量纲压力分布；
类似地，将NBatch个预处理得到的叶型表面无量纲压力分布{Pid}num输入Score Net中计算功率{Powernet}num及效率{Efficientnet}num；根据其与CFD求解得到的Outputp间的Smooth L1Loss损失，更新Score Net参数，将该参数更新过程循环进行Nepoch次，使ScoreNet学习到叶型表面无量纲压力分布与叶型功率及效率间的计算关系，实现根据叶型表面无量纲压力分布计算叶型功率及效率；
9)使用Generator、Predict Net和Score Net进行叶型设计及性能预测
使用生成器Generator将叶型设计参数Para变换为叶型Airfoilid,i，在确保该叶型特征参数位于推荐取值范围内后，针对该设计叶型及给定进口压力、进口温度、出口压力及转速，使用Predict Net根据Para直接计算得到叶型表面无量纲压力分布Mockic，使用Score Net根据Mockic计算得到叶型的功率和效率。
本发明进一步的改进在于，步骤1)中，生成器Generator中包括两个线性模块、两个反卷积模块、一个卷积模块和一个MRATD计算层；其中线性模块LinearG1和LinearG2将叶型设计参数Para变换为高维特征参数；反卷积模块UnConvG1和UnConvG2对高维特征参数进行压缩；卷积模块ConvG1通过两个全连接层及卷积层将高维特征变换为叶型离散点横坐标并给出其所属的叶型表面，通过卷积操作将高维特征参数变换为十七维叶型特征参数；MRATD计算层采用改进快速轴流透平设计方法计算设计叶型的表面离散点Wingid,i，其中id＝1,2,3…Nw，表示叶型表面离散点序号，Nw为表面离散点总数，id＝1,2，分别表示横纵坐标；
判别器Discriminator中包括七个卷积模块、一个判别模块和一个全连接层；其中卷积模块ConvD1、ConvD2、ConvD3、ConvD4、ConvD5、ConvD6、ConvD7提取叶型的高维特征；判别模块使用全连接网络根据叶型高维特征给出真实性判断结果；全连接层根据高维特征估计叶型设计参数值ParaGuess。
本发明进一步的改进在于，步骤1)中，搭建设计叶型的生成对抗神经网络GAN中，生成器Generator首先通过卷积神经网络将叶型设计参数Para变换为叶片进口角、出口角、叶片厚度的叶型特征参数，以及叶型表面各曲线段离散点的横坐标，随后采用改进快速轴流透平设计方法根据特征参数对叶型的约束以及离散点的横坐标间接生成叶型型线。
本发明进一步的改进在于，在步骤6)各叶高截面叶型表面压力分布数据预处理中，对叶型表面压力分布{Presic}nd进行标准化的计算方式为节点压力减去所有压力数据中的最小压力值后除以压力数据中压力值的变化幅值：
Figure BDA0002873267760000051
本发明进一步的改进在于，步骤7)中，叶型表面压力分布预测网络Predict Net包括一个线性层LinearP1、六个卷积残差模块Res1、Res2、Res3、Res4、Res5、Res6以及一个卷积层ConvP1；线性层LinearP1将叶型设计参数Para变换为128个长度为16的高维特征向量，随后通过卷积残差模块Res1、Res2、Res3、Res4、Res5、Res6将128个高维特征向量的长度逐步增加至512，最后在卷积层ConvP1将全部高维特征向量变换为1×512的叶型表面无量纲压力分布Mockic；
叶型表面压力分布预测网络Predict Net采用预测得到的无量纲压力分布Mockic与CFD计算并预处理得到的无量纲压力分布Pic间的Smooth L1 Loss损失作为损失函数LossP；
叶型气动性能评估网络Score Net包括七个卷积模块ConvS1、ConvS2、ConvS3、ConvS4、ConvS5、ConvS6、ConvS7，一个均匀池化层Pooling1及一个线性层LienarS1；卷积模块ConvS1、ConvS2、ConvS3、ConvS4、ConvS5、ConvS6、ConvS7将叶型表面无量纲压力分布Pic变换为512维，长度为4的高维特征向量；均匀池化层Pooling1对高维特征向量取平均得到维度为512，长度为1的高维特征；最后采用线性层LinearS1根据高维特征变换得到功率Powernet及效率Efficientnet；
叶型气动性能评估网络Score Net采用叶型功率及效率预测结果Powernet、Efficientnet与CFD求解得到的结果Outputp间的Smooth L1 Loss损失作为损失函数LossS。
本发明进一步的改进在于，在步骤8)训练叶型气动性能预测的卷积神经网络CNN中，对训练过程作如下设置以提高收敛能力，使用Adam优化器，学习率取为0.003，在第150次参数更新时降低学习率为0.0003，在第200次参数更新时降低学习率为0.00003，在第251次参数更新时降低学习率为0.000003。
本发明进一步的改进在于，在步骤9)使用Generator、Predict Net和Score Net进行叶型设计及性能预测中，对表面无量纲压力分布Mockic进行步骤6)各叶高截面叶型表面压力分布数据预处理过程中数据标准化的反操作，即可得到真实的叶型表面压力分布PressureFieldic。
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型设计及性能预测方法，通过构建生成对抗神经网络GAN对叶型的造型规律进行学习，完成叶型型线设计；针对设计出的叶型，通过构建卷积神经网络CNN学习叶型设计参数Para与CFD求解得到的叶型表面无量纲压力分布间、叶型表面无量纲压力分布与气动性能指标间的非线性关系，实现对不同叶型在给定设计工况下气动性能的快速预测。该方法的优势在于：第一，采用神经网络进行叶型设计及性能预测，不再需要划分流场网格，避免了网格划分过程中由于操作人员经验不足、操作不当所引入的网格精度误差；第二，在叶型设计过程中，采用改进快速轴流透平设计方法根据特征参数对叶型的约束以及离散点的横坐标间接生成叶型型线，相比较直接生成离散点更好地保证了叶型型线的连续性和光滑性，同时方便根据工程经验随时检查特征参数是否处于合理范围内，在设计阶段即可直接剔除不合理的设计方案，提高设计效率。第三，性能预测直接根据叶型设计参数与叶型表面压力分布间的非线性关系进行计算，不再需要采用代价高昂的CFD求解方法，极大降低了计算消耗；第四，该方法构建了一整套基于深度学习技术，从叶型设计参数到叶型型线、叶型表面压力分布，直至叶型气动性能指标的端到端设计与性能预测框架，结合神经网络模型便于在GPU上并行计算的优点，可充分发挥图形处理器作为现代计算平台在高带宽及大规模并行方面的优势，在硬件层面获得远超传统CPU流场求解的效能；第五，本发明首先预测叶型表面压力分布，再进一步计算气动性能指标，对叶型流场中的物理现象具有较强的解释性，保留了物理场状态与性能指标间的强关联，方便研究人员对设计方案开展气动分析及对比。
附图说明
图1是本发明基于深度学习的透平机械叶型设计及性能预测方法的流程图。
图2是本发明中的生成器Generator的网络架构图。
图3是本发明所采用快速轴流透平设计方法中各特征参数定义图。
图4是本发明中的判别器Discriminator的网络架构图。
图5是本发明中生成对抗神经网络GAN的训练流程图。
图6是本发明中用于叶型自动建模、网格划分、流场求解及性能评估的计算框架流程图。
图7是本发明中叶型表面压力分布预测网络Predict Net的网络架构图。
图8是本发明中叶型气动性能评估网络Score Net的网络架构图。
图9是本发明中叶型表面压力分布预测网络Predict Net的训练流程图。
图10是本发明中叶型气动性能评估网络Score Net的训练流程图。
图11是采用本发明设计的叶型型线图。
图12是采用本发明预测的某叶型50％叶高截面压力分布与CFD计算结果对比图。
具体实施方式
下面根据发明内容，结合附图和实施实例，对本发明内容进行进一步的详细说明。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。
假设需要设计一款叶型并快速获得该叶型在给定进口压力23MPa、进口温度550℃、出口压力20MPa和转速3000rpm下的功率和效率。
参见图1，给出了采用本发明进行叶型设计及性能预测的流程，具体实施步骤如下：
第一步，搭建设计透平机械叶型的生成对抗神经网络GAN。
按图2所示网络架构搭建对抗神经网络GAN中的生成器Generator，其中线性模块LinearG1和LinearG2将叶型设计参数Para变换为高维特征参数；反卷积模块UnConvG1和UnConvG2对高维特征参数进行压缩，卷积模块ConvG1通过两个全连接层及卷积层将高维特征变换为叶型离散点坐标并给出其所属的叶型曲线段，通过卷积将高维特征参数变换为叶片入口角、出口角、叶片厚度等十七维叶型特征参数；MRATD计算层中采用改进快速轴流透平设计方法根据特征参数对叶型的几何约束，计算叶型表面上五个曲线段连接点的坐标及该处斜率，根据五点的横纵坐标及斜率作为约束代入以下圆锥曲线表达式，分别求出叶型表面各段曲线的系数，将其光滑连接即可获得叶型曲线。
ax2+by2+2hxy+2fx+2gy+c＝0
α＝ab-h2
式中，a＝0时，该曲线为抛物线；a>0时，该曲线为椭圆；a>0且a＝b时，该曲线为圆；a<0时，该曲线为双曲线。
进一步在叶型曲线上计算获得叶型表面离散点Wingid,i，其中id＝1,2,3…Nw，i＝1,2，分别代表了叶型表面离散点序号，横纵坐标。Nw为叶型型线上的离散点总数量，本例中取为512。类似地，参见图4，搭建对抗神经网络GAN中的判别器Discriminator，其中卷积模块ConvD1、ConvD2、ConvD3、ConvD4、ConvD5、ConvD6、ConvD7逐渐提取出叶型的高维特征，在判别模块中通过全连接网络输出叶型真实性概率Result，同时采用全连接层估计叶型设计参数值ParaGuess。
第二步，训练设计叶型的生成对抗神经网络GAN。
叶型设计的对抗神经网络GAN的训练流程参见图5，首先获取用于训练对抗神经网络GAN的叶型型线数据{Foilid,i}n，n＝1,2,3…1000。
随后使用生成器Generator将Ntrain个随机生成的叶型设计参数{Para}it变换为设计叶型{Wingsid,i}it，Ntrain在本例中取为32，it＝1,2,3…32，Para每个维度的数据满足[0,1]间均匀分布。从真实叶型数据{Foilid,i}n中同样抽取32组叶型与设计叶型{Wingsid,i}it共同用以训练判别器Discriminator，其中Foilid,i的标签为1，Wingid,i的标签为0，判别器Discriminator的判别结果Result是对输入叶型标签的估计值，损失项LossD为判别结果Result与数据标签间的sigmoid交叉熵。根据该损失对判别器Discriminator进行参数更新，提高Discriminator对叶型真实性判断的能力。
使用生成器Generator再将32个随机生成的叶型设计参数{Para}it变换为叶型{Wingsid,i}it，作为生成器Generator的训练数据，其标签MarkG为1。仅将新生成的{Wingsid,i}it输入判别器Discriminator进行判断，损失函数LossG为判断结果Result与标签MarkG间的sigmoid交叉熵，惩罚项Punish为设计参数Para与设计参数估计值ParaGuess间的欧式距离。根据损失LossG及惩罚项Punish更新生成器Generator的参数使生成器Generator逐渐能够设计出更符合真实叶型{Foilid,i}造型特征的叶型。
第三步，使用第二步训练得到的生成器Generator根据随机生成的Ncase组叶型设计参数{Para}case生成对应的叶型型线{Airfoilid,i}case作为叶型样本，Ncase为叶型样本总数，在本例中取为10000，case＝1,2,3…10000，表示叶型样本的序号。
第四步，搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架。参见图6，对叶型样本集合{Airfoilid,i}case中的任意叶型Airfoilid,i，建立叶型三维几何结构，对叶型流场进行网格划分得到计算网格Mesh，在给定进口压力23MPa、进口温度550℃、出口压力20MPa和转速3000rpm的设计工况下，对流场进行数值求解，流体工质为该工况下的蒸汽。获得各叶高截面叶型表面上网格节点处的压力信息Fieldim,m，im＝1,2,3…Nx，表示各叶高截面叶型表面上网格节点的序号，Nx为计算网格Mesh中各叶高截面叶型表面上的计算节点总数，m＝1,2,3，分别用于表示各叶高截面叶型表面上网格节点的横坐标，纵坐标，压力。在本例中，叶型表面节点总数Nx取为512。通过将叶型表面压力分布进行积分获取叶型性能指标Outputp，其中p＝1,2，分别表示功率和效率。
第五步，使用自动计算框架对样本叶型进行批量CFD计算，获取气动性能参数集。使用第四步所搭建的自动化计算框架，在给定进口压力23MPa、进口温度550℃、出口压力20MPa和转速3000rpm的设计工况下，计算得到10000组样本叶型{Airfoilid,i}case的表面压力分布{Fieldim,m}case及性能指标{Outputp}case。将求解得到的气动性能参数集{Para}case-{Fieldim,m}case-{Outputp}case作为卷积神经网络CNN的训练数据集。
第六步，各叶高截面叶型表面压力分布数据预处理。对第五步求解得到的{Para}case-{Fieldim,m}case-{Outputp}case气动性能数据集中的各叶高截面叶型表面压力分布数据{Fieldim,m}case，调整数据排列使数据离散点沿各叶高截面叶型表面顺时针排列，起始点为叶型前缘点，绕叶型表面一周后回到前缘，随后根据坐标对叶型表面压力分布进行线性插值，使离散数据点在叶型表面均匀分布，从中取出压力数据，得到整理后的叶型表面压力分布{Presic}case，其中ic＝1,2,3…512为插值点序号。
对整理后的叶型表面压力分布{Presic}case进一步进行标准化处理，得到无量纲的表面压力分布{Pic}case。其中，标准化方式为节点压力减去所有压力数据中的最小压力值后除以压力数据中压力值的变化幅值：
Figure BDA0002873267760000111
第七步，构建叶型气动性能预测的卷积神经网络CNN。
叶型气动性能预测的卷积神经网络CNN包括叶型表面压力分布预测网络PredictNet及叶型气动性能评估网络Score Net两个子网络。
对于叶型表面压力分布预测网络Predict Net，按图7所示，采用线性层LinearP1将叶型设计参数Para变换为128个长度为16的高维特征向量，图中Npara为叶型设计参数的数量，在该例中取为3个，随后通过卷积残差模块Res1、Res2、Res3、Res4、Res5、Res6将128个高维特征向量的长度逐步增加至512，最后在卷积层ConvP1将全部高维特征向量变换为长度为1×512的叶型表面压力分布Mockic。
进一步，Predict Net采用预测得到的无量纲压力分布Mockic与CFD求解并预处理得到的无量纲压力分布Pic间的Smooth L1 Loss损失作为损失函数LossP。
对于叶型气动性能评估网络Score Net，按图8所示，采用卷积模块ConvS1、ConvS2、ConvS3、ConvS4、ConvS5、ConvS6、ConvS7将叶型表面压力分布Pic变换为512维，长度为4的高维特征向量；均匀池化层Pooling1对高维特征向量取平均得到维度为512，长度为1的高维特征；最后采用线性层LinearS1根据高维特征变换得到功率Powernet及效率Efficientnet。
进一步，Score Net采用叶型功率及效率预测结果Powernet、Efficientnet与CFD求解得到的结果Outputp间的Smooth L1 Loss损失作为损失函数LossS。
第八步，训练叶型气动性能预测的卷积神经网络CNN。
参见图9，根据计算设备内存大小情况从第五步所求解的气动性能参数集中抽取合适的NBatch个设计参数{Para}num输入Predict Net中进行叶型表面无量纲压力分布预测得{Mockic}num，其中num＝1,2,3…NBatch，在本例中取NBatch为128。根据预测结果{Mockic}num与CFD求解并预处理获得的无量纲压力分布{Pic}num间的Smooth L1 Loss损失更新PredictNet参数。将该参数更新过程循环进行Nepoch次，在该例中Nepoch取为300，使Predict Net逐渐学习到叶型设计参数Para与叶型表面无量纲压力分布间的非线性关系，实现由叶型设计参数直接预测设计工况下的表面压力分布。
类似地，参见图10，将128个CFD求解并无量纲处理得到的叶型表面无量纲压力分布数据{Pic}num输入Score Net中计算功率{Powernet}num及效率{Efficientnet}num。根据其与CFD求解得到的{Outputp}num间的Smooth L1 Loss损失更新叶型气动性能评估Score Net参数，将该参数更新过程循环进行300次，使Score Net学习到叶型表面无量纲压力分布与叶型功率及效率间的计算关系，实现根据叶型表面无量纲压力分布计算叶型功率及效率。
第九步，使用Generator，Predict Net和Score Net进行叶型设计及性能预测。
使用生成器Generator将叶型设计参数Para变换为叶型Airfoilid,i，在确定该叶型的特征参数处于推荐取值范围内后，针对该设计叶型及给定进口压力23MPa、进口温度550℃、出口压力20MPa和转速3000rpm，使用Predict Net直接计算得到表面无量纲压力分布Mockic，随后使用Score Net根据Mockic计算叶型的功率和效率。本例中设计得到的叶型如图11所示。针对该叶型，采用Predict Net预测以及CFD求解得到的表面压力分布如图12所示。

Claims (7)

1.基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，包括以下步骤：
1)搭建设计透平机械叶型的生成对抗神经网络GAN
搭建设计透平机械叶型的生成对抗神经网络GAN包括生成器Generator及判别器Discriminator两个子网络；
2)训练设计透平机械叶型的生成对抗神经网络GAN
首先获取用于训练生成对抗神经网络GAN的透平机械叶型型线数据{Foilid,i}n，n＝1,2,3…N表示透平机械叶型型线序号，N为透平机械叶型型线总数；
随后使用生成器Generator将Ntrain个随机生成的叶型设计参数{Para}it变换为设计叶型{Wingsid,i}it，其中id＝1,2,3…Nw，表示叶型表面离散点序号，Nw为表面离散点总数，it＝1,2,3…Ntrain，Para的每个维度均满足[0,1]间的均匀分布；从真实叶型数据{Foilid,i}n中抽取Ntrain组真实叶型，结合设计叶型{Wingsid,i}it一起用以训练判别器Discriminator，其中真实叶型数据Foilid,i的标签为1，Wingsid,i的标签为0，判别器Discriminator的判别结果Result是输入叶型标签的估计值，损失项LossD为判别结果Result与数据标签间的sigmoid交叉熵；根据该损失对判别器Discriminator进行参数更新，提高Discriminator对叶型真实性判断的能力；
类似地，使用生成器Generator再将Ntrain个随机生成的叶型设计参数{Para}it变换为叶型{Wingsid,i}it，作为生成器Generator的训练数据，其标签MarkG取为1；将新生成的{Wingsid,i}it输入判别器Discriminator进行判断，损失函数LossG为判断结果Result与标签MarkG间的sigmoid交叉熵，惩罚项Punish为设计参数Para与设计参数估计值ParaGuess间的欧式距离；损失LossG及惩罚项Punish更新生成器Generator的参数使生成器Generator逐渐能够设计出更符合实际叶型造型特征的透平机械叶型；
迭代进行以上两个相互对抗的训练过程，使得生成器Generator逐渐掌握到叶型造型特征并能够设计出符合气动特性的叶型；
3)使用生成器Generator生成叶型样本
使用步骤2)训练得到的生成器Generator，根据随机生成的Ncase组叶型设计参数{Para}case生成对应的叶型型线{Airfoilid,i}case，作为叶型样本，case＝1,2,3…Ncase，表示叶型样本序号，Ncase表示叶型样本总数；
4)搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架
对叶型样本集合{Airfoilid,i}case中的任意叶型Airfoilid,i，建立叶型三维几何结构，对叶型流场进行网格划分得到计算网格Mesh，在设计工况下，给定进口压力、进口温度、出口压力和转速，对流场进行数值求解，流体工质选择为该工况下的蒸汽；获得各叶高截面叶型表面上网格节点处的压力信息Fieldim,m，其中im＝1,2,3…Nx，表示各叶高截面叶型表面上网格节点的序号，Nx为计算网格Mesh中各叶高截面叶型表面上的计算节点总数，m＝1,2,3，分别用于表示各叶高截面叶型表面上网格节点的横坐标，纵坐标，压力；通过将各叶高截面叶型表面上压力分布进行积分和处理获取叶型性能指标Outputp，其中p＝1,2，分别表示功率和效率；通过自编程方式串接上述各子步骤，搭建叶型建模、网格划分、流场求解及性能评估流程的自动化框架；
5)使用自动化框架对样本叶型进行批量CFD计算，获取气动性能参数集
使用步骤4)所搭建的自动化框架计算样本叶型{Airfoilid,i}case，在给定进口压力、进口温度、出口压力和转速下，计算获得叶片表面各截面上压力分布{Fieldim,m}case及性能指标{Outputp}case，以此气动性能参数集{Para}case-{Fieldim,m}case-{Outputp}case作为卷积神经网络CNN的训练数据集；
6)各叶高截面叶型表面压力分布数据预处理
对步骤5)求解得到的{Para}case-{Fieldim,m}case-{Outputp}case气动性能参数集中的各叶高截面叶型表面压力分布数据{Fieldim,m}case，调整其数据排列使数据离散点沿各叶高截面叶型顺时针排列，起始点为叶型前缘点，绕叶型表面一周后回到前缘点；随后根据坐标对各叶高截面叶型表面压力分布进行线性插值，使离散数据点在叶型表面均匀分布，从中取出压力数据，得到格式统一的叶型表面压力分布{Presic}case，其中ic＝1,2,3…512为插值点序号；对整理后的叶型表面压力分布{Presic}case进一步进行标准化处理，得到无量纲的压力分布{Pic}case；
7)构建叶型气动性能预测的卷积神经网络CNN
叶型气动性能预测的卷积神经网络CNN包括叶型表面压力分布预测网络Predict Net及叶型气动性能评估网络Score Net两个子网络；
8)训练叶型气动性能预测的卷积神经网络CNN
根据计算设备内存大小情况从步骤5)所求解的气动性能参数集中抽取NBatch个设计参数{Para}num输入叶型表面压力分布预测网络Predict Net进行叶型表面压力分布预测获得{Mockic}num，其中num＝1,2,3…NBatch，根据预测结果{Mockic}num与CFD计算获得的叶型表面无量纲压力分布{Pic}num间的Smooth L1 Loss损失，更新Predict Net参数；将该参数更新过程循环进行Nepoch次，使Predict Net逐渐学习到设计参数Para与叶型表面无量纲压力分布间的非线性关系，实现由叶型设计参数直接预测得到给定设计工况下的叶型表面无量纲压力分布；
类似地，将NBatch个预处理得到的叶型表面无量纲压力分布{Pid}num输入Score Net中计算功率{Powernet}num及效率{Efficientnet}num；根据其与CFD求解得到的Outputp间的SmoothL1 Loss损失，更新Score Net参数，将该参数更新过程循环进行Nepoch次，使Score Net学习到叶型表面无量纲压力分布与叶型功率及效率间的计算关系，实现根据叶型表面无量纲压力分布计算叶型功率及效率；
9)使用Generator、Predict Net和Score Net进行叶型设计及性能预测
使用生成器Generator将叶型设计参数Para变换为叶型Airfoilid,i，在确保该叶型特征参数位于推荐取值范围内后，针对该设计叶型及给定进口压力、进口温度、出口压力及转速，使用Predict Net根据Para直接计算得到叶型表面无量纲压力分布Mockic，使用ScoreNet根据Mockic计算得到叶型的功率和效率。
2.根据权利要求1所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，步骤1)中，生成器Generator中包括两个线性模块、两个反卷积模块、一个卷积模块和一个MRATD计算层；其中线性模块LinearG1和LinearG2将叶型设计参数Para变换为高维特征参数；反卷积模块UnConvG1和UnConvG2对高维特征参数进行压缩；卷积模块ConvG1通过两个全连接层及卷积层将高维特征变换为叶型离散点横坐标并给出其所属的叶型表面，通过卷积操作将高维特征参数变换为十七维叶型特征参数；MRATD计算层采用改进快速轴流透平设计方法计算设计叶型的表面离散点Wingid,i；
判别器Discriminator中包括七个卷积模块、一个判别模块和一个全连接层；其中卷积模块ConvD1、ConvD2、ConvD3、ConvD4、ConvD5、ConvD6、ConvD7提取叶型的高维特征；判别模块使用全连接网络根据叶型高维特征给出真实性判断结果；全连接层根据高维特征估计叶型设计参数值ParaGuess。
3.根据权利要求2所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，步骤1)中，搭建设计叶型的生成对抗神经网络GAN中，生成器Generator首先通过卷积神经网络将叶型设计参数Para变换为叶片入口角、出口角、叶片厚度的叶型特征参数，以及叶型各曲线段上离散点的横坐标，随后采用改进快速轴流透平设计方法根据特征参数对叶型的约束以及离散点的横坐标间接生成叶型型线。
4.根据权利要求1所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，在步骤6)各叶高截面叶型表面压力分布数据预处理中，对叶型表面压力分布{Presic}nd进行标准化的计算方式为节点压力减去所有压力数据中的最小压力值后除以压力数据中压力值的变化幅值：
Figure FDA0003806465180000041
5.根据权利要求1所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，步骤7)中，叶型表面压力分布预测网络Predict Net包括一个线性层LinearP1、六个卷积残差模块Res1、Res2、Res3、Res4、Res5、Res6以及一个卷积层ConvP1；线性层LinearP1将叶型设计参数Para变换为128个长度为16的高维特征向量，随后通过卷积残差模块Res1、Res2、Res3、Res4、Res5、Res6将128个高维特征向量的长度逐步增加至512，最后在卷积层ConvP1将全部高维特征向量变换为1×512的叶型表面无量纲压力分布Mockic；
叶型表面压力分布预测网络Predict Net采用预测得到的无量纲压力分布Mockic与CFD计算并预处理得到的无量纲压力分布Pic间的Smooth L1 Loss损失作为损失函数LossP；
叶型气动性能评估网络Score Net包括七个卷积模块ConvS1、ConvS2、ConvS3、ConvS4、ConvS5、ConvS6、ConvS7，一个均匀池化层Pooling1及一个线性层LienarS1；卷积模块ConvS1、ConvS2、ConvS3、ConvS4、ConvS5、ConvS6、ConvS7将叶型表面无量纲压力分布Pic变换为512维，长度为4的高维特征向量；均匀池化层Pooling1对高维特征向量取平均得到维度为512，长度为1的高维特征；最后采用线性层LinearS1根据高维特征变换得到功率Powernet及效率Efficientnet；
叶型气动性能评估网络Score Net采用叶型功率及效率预测结果Powernet、Efficientnet与CFD求解得到的结果Outputp间的Smooth L1 Loss损失作为损失函数LossS。
6.根据权利要求1所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，在步骤8)训练叶型气动性能预测的卷积神经网络CNN中，对训练过程作如下设置以提高收敛能力，使用Adam优化器，学习率取为0.003，在第150次参数更新时降低学习率为0.0003，在第200次参数更新时降低学习率为0.00003，在第251次参数更新时降低学习率为0.000003。
7.根据权利要求1所述的基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，在步骤9)使用Generator、Predict Net和Score Net进行叶型设计及性能预测中，对表面无量纲压力分布Mockic进行步骤6)各叶高截面叶型表面压力分布数据预处理中数据标准化的反操作，即可得到真实的叶型表面压力分布PressureFieldic。
CN202011626975.7A 2020-12-30 2020-12-30 基于深度学习的透平机械叶型设计及性能预测方法 Active CN112632728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011626975.7A CN112632728B (zh) 2020-12-30 2020-12-30 基于深度学习的透平机械叶型设计及性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011626975.7A CN112632728B (zh) 2020-12-30 2020-12-30 基于深度学习的透平机械叶型设计及性能预测方法

Publications (2)

Publication Number Publication Date
CN112632728A CN112632728A (zh) 2021-04-09
CN112632728B true CN112632728B (zh) 2022-10-25

Family

ID=75290098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011626975.7A Active CN112632728B (zh) 2020-12-30 2020-12-30 基于深度学习的透平机械叶型设计及性能预测方法

Country Status (1)

Country Link
CN (1) CN112632728B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962035B (zh) * 2021-09-23 2024-04-05 西安交通大学 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN110580396A (zh) * 2019-09-17 2019-12-17 上海理工大学 一种叶轮机械叶片的三维反设计方法
CN110851929A (zh) * 2019-11-15 2020-02-28 中国科学院工程热物理研究所 基于自适应网格的二维叶型优化设计方法及装置
CN111898212A (zh) * 2020-06-17 2020-11-06 西安交通大学 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11003995B2 (en) * 2017-05-19 2021-05-11 Huawei Technologies Co., Ltd. Semi-supervised regression with generative adversarial networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN110580396A (zh) * 2019-09-17 2019-12-17 上海理工大学 一种叶轮机械叶片的三维反设计方法
CN110851929A (zh) * 2019-11-15 2020-02-28 中国科学院工程热物理研究所 基于自适应网格的二维叶型优化设计方法及装置
CN111898212A (zh) * 2020-06-17 2020-11-06 西安交通大学 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A novel method for Aero engine blade removed-material measurement based on the robotic 3D scanning system;Lizhe Qi 等;《IEEE Xplore》;20101025;第72-75页 *
基于深度学习的翼型气动系数预测;陈海等;《空气动力学学报》;20180430(第02期);第294-299页 *
基于自适应Kriging代理模型的叶型气动优化设计;余锐等;《动力工程学报》;20140228(第02期);第103-107、133页 *
透平机械叶轮叶片三维参数化造型及六面体网格生成方法研究;谢永慧 等;《机械强度》;20071031(第5期);第795-799页 *
长叶片透平级多学科多目标优化设计;李彬 等;《西安交通大学学报》;20140131;第48卷(第1期);第1-6页 *

Also Published As

Publication number Publication date
CN112632728A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN108564206B (zh) 一种基于分布式优化和空间相关性的风电功率预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN110705029B (zh) 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法
CN111859746B (zh) 一种基于流场重构的透平机械变工况性能预测方法
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN110263998B (zh) 多源数值天气预报集合双层修正方法
CN108549962B (zh) 基于历史分段序列搜索和时序稀疏化的风电功率预测方法
CN111353652A (zh) 一种风电出力短期区间预测方法
CN111709454B (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN113221467B (zh) 一种涡轮气热性能不确定性可视化分析方法与系统
CN112632794A (zh) 基于交叉熵参数子集模拟优化的电网可靠性评估方法
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法
Vinogradov et al. Robust multiphysics optimization for fan blade aerodynamic efficiency, structural properties and flutter sensitivity
CN114741961A (zh) 印刷电路板式换热器的翼型翅片排列结构优化方法和系统
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN111027250B (zh) 一种基于网格变形技术的异形曲面加筋壳建模方法
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
Abbaskhah et al. Optimization of horizontal axis wind turbine performance with the dimpled blades by using CNN and MLP models
CN112765746A (zh) 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统
Cheng et al. Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN115577563A (zh) 一种基于采样空间压缩技术的涡轮气热性能不确定性量化方法
Cobelli et al. Physics informed neural networks for wind field modeling in wind farms
Buccafusca et al. Maximizing power in wind turbine arrays with variable wind dynamics
CN114169605A (zh) 一种适用于泵和水力透平的物理场和性能协同预测方法

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