CN113468824A - 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 - Google Patents

计算叶轮机械叶片的损失系数的模型训练方法及计算方法 Download PDF

Info

Publication number
CN113468824A
CN113468824A CN202110867482.0A CN202110867482A CN113468824A CN 113468824 A CN113468824 A CN 113468824A CN 202110867482 A CN202110867482 A CN 202110867482A CN 113468824 A CN113468824 A CN 113468824A
Authority
CN
China
Prior art keywords
neural network
training
loss coefficient
blade
model
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.)
Pending
Application number
CN202110867482.0A
Other languages
English (en)
Inventor
高增珣
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.)
Full Dimension Power Technology Co ltd
Original Assignee
Full Dimension Power Technology Co ltd
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 Full Dimension Power Technology Co ltd filed Critical Full Dimension Power Technology Co ltd
Priority to CN202110867482.0A priority Critical patent/CN113468824A/zh
Publication of CN113468824A publication Critical patent/CN113468824A/zh
Pending legal-status Critical Current

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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本公开提供一种计算叶轮机械叶片的损失系数的模型训练方法，包括：获取用于训练神经网络的训练数据集，其中，所述训练数据集包括多条样本，每条所述样本包括叶轮机械叶片的几何参数和/或气动热力参数，以及所述叶轮机械叶片的损失系数，其中，所述叶轮机械叶片的损失系数作为样本标签；利用所述训练数据集中的样本对未经训练的多层神经网络模型进行训练，得到训练完成的多层神经网络模型。根据本公开另一方面，还提供一种利用上述中任一项所述的模型计算损失系数的方法。

Description

计算叶轮机械叶片的损失系数的模型训练方法及计算方法
技术领域
本公开涉及叶轮机械叶片技术领域，尤其涉及一种计算叶轮机械叶片的损失系数的模型训练方法及计算方法。
背景技术
在叶轮机械叶片中，工质的实际流动过程是有损失的，损失系数指实际流动终态能量与理想流动终态能量之差值与理想流动能量的比值，用以量化流动损失的历史影响。然而真实的叶片损失系数需要通过流动实验或获取流体力学全三维数值模拟得到，在方案初始阶段并不具备准确获取的条件。对此，常规处理办法是基于一定数量的叶片流动实验结果，构造损失系数曲线或经验/半经验公式。随着叶轮机械叶片设计方法和理念的不断发展，基于早期特定叶片的流动实验所得到的传统损失系数曲线和经验/半经验公式，其准确性已难以适应当前设计的需要。
发明内容
(一)要解决的技术问题
基于上述问题，本公开提供了一种计算叶轮机械叶片的损失系数的模型训练方法及计算方法，以缓解现有技术中损失系数获取不准确等技术问题。
(二)技术方案
本公开提供了一种计算叶轮机械叶片的损失系数的模型训练方法，包括：
获取用于训练神经网络的训练数据集，其中，所述训练数据集包括多条样本，每条所述样本包括叶轮机械叶片的几何参数和/或气动热力参数，以及所述叶轮机械叶片的损失系数，其中，所述叶轮机械叶片的损失系数作为样本标签；
利用所述训练数据集中的样本对未经训练的多层神经网络模型进行训练，得到训练完成的多层神经网络模型。
在本公开实施例中，所述几何参数包括叶片节距、叶片弦长、叶片尾缘厚度、叶片几何进口角、气道高度、气道喉宽中一种或其组合。
在本公开实施例中，所述气动热力参数包括雷诺数、出口马赫数、气流折转角、气流进口攻角中一种或其组合。
在本公开实施例中，所述每条所述样本均进行标准化处理，进而消除所述样本数值量级差异对神经网络训练过程的影响，所述标准化处理包括：
获得所述样本的均值和标准差；
在所述样本减去所述均值后再除以所述标准差。
在本公开实施例中，所述多层神经网络包括：
输入层，神经元数量与所述输入变量个数一致；
隐藏层，是标准神经元层或卷积神经网络层，所述隐藏层的数量不少于一层，且各所述隐藏层的神经元数量不少于所述输入变量个数；
输出层，神经元数量与所述输出变量个数一致。
在本公开实施例中，所述对所述多层神经网络进行训练包括：
所述多层神经网络中神经元的激活函数采用Sigmoid函数或Tanh函数；
通过高斯分布对所有神经元的权重和偏置进行随机初始化。
在本公开实施例中，所述对所述多层神经网络进行训练还包括：
通过所述神经网络训练数据集多次对所述多层神经网络进行多次训练，进而消除所述权重和偏置随机初识化产生的离散性。
在本公开实施例中，所述对所述多层神经网络进行训练还包括：
通过二次代价函数或交叉熵代价函数作为量化预测输出值与目标输出值偏差的指标，并引入规范化项以减轻过度拟合。
在本公开实施例中，所述对所述多层神经网络进行训练还包括：
采用随机梯度下降算法使代价函数逐渐收敛至最小值；
迭代过程中采用反向传播算法根据随机选取的小批量样本数据计算代价函数的梯度值。
根据本公开另一方面，还提供一种利用上述中任一项所述的模型计算损失系数的方法，包括：
获取待测量的叶轮机械叶片的几何参数和/或气动热力参数；
将所述待测量的叶轮机械叶片的几何参数和/或气动热力参数输入所述训练完成的多层神经网络模型中；
通过所述训练完成的多层神经网络模型输出所述待测量的叶轮机械叶片的损失系数。
(三)有益效果
从上述技术方案可以看出，本公开计算叶轮机械叶片的损失系数的模型训练方法及计算方法至少具有以下有益效果其中之一或其中一部分：
(1)实现了人工智能前沿技术在传统叶轮机械领域的有效应用；
(2)突破传统经验公式中基于分离变量思想构建方程所造成的局限性，能够更加贴近真实的物理模型；以及
(3)提供的方法自身具有成长性，可以根据实验数据、计算流体力学数值模拟数据的增加，不断扩充训练数据集，实现损失系数计算准确性的不断完善。
附图说明
图1为本公开实施例计算叶轮机械叶片的损失系数的模型训练方法的方法流程图。
图2为本公开实施例计算叶轮机械叶片的损失系数的模型训练方法的多层神经网络示意图。
图3为本公开实施例计算叶轮机械叶片的损失系数的模型训练方法的训练神经网络迭代过程中代价函数的变化曲线示意图。
图4为本公开实施例计算叶轮机械叶片的损失系数的模型训练方法的预测叶片损失系数与原样本值对比。
图5为本公开实施例计算叶轮机械叶片的损失系数的模型计算方法的方法流程图。
具体实施方式
本公开提供了一种计算叶轮机械叶片的损失系数的模型训练方法及计算方法，所述方法实现了人工智能前沿技术在传统叶轮机械领域的有效应用；突破传统经验公式中基于分离变量思想构建方程所造成的局限性，能够更加贴近真实的物理模型；提供的方法自身具有成长性，可以根据实验数据、计算流体力学数值模拟数据的增加，不断扩充训练数据集，实现损失系数计算准确性的不断完善，可克服现有的损失系数获取方法的主要缺点和不足之处。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
在本公开实施例中，提供一种计算叶轮机械叶片的损失系数的模型训练方法，如图1所示，所述损失系数的模型训练方法，包括：
获取用于训练神经网络的训练数据集，其中，所述训练数据集包括多条样本，每条所述样本包括叶轮机械叶片的几何参数和/或气动热力参数，以及所述叶轮机械叶片的损失系数，其中，所述叶轮机械叶片的损失系数作为样本标签；
利用所述训练数据集中的样本对未经训练的多层神经网络模型进行训练，得到训练完成的多层神经网络模型。
在本公开实施例中，基于叶轮机械叶片流动的实验结果和/或计算流体力学模拟叶轮机械叶片流动的数值计算结果，以叶片几何参数和气动热力参数作为样本、以叶片损失系数作为样本标签，构建神经网络训练数据集。
在本公开实施例中，叶片几何参数包括叶片节距、叶片弦长、叶片尾缘厚度、叶片几何进口角、气道高度、气道喉宽，也可以是由几何参数组成的无量纲数，如展弦比、相对节距、尾缘喉宽比。
在本公开实施例中，气动热力参数包括雷诺数、出口马赫数、气流折转角、气流进口攻角。
在本公开实施例中，样本可以包括上述全部叶片几何参数和气动热力参数，也可以是部分几何参数与气动热力参数的组合。
在本公开实施例中，在构建训练数据集时，所有样本均需进行标准化处理，以消除样本数值量级差异对神经网络训练过程的影响。即对于某一样本xi，计算所有样本的均值x_mean和标准差x_std，则该样本各样本点经标准化处理的值
Figure BDA0003186039870000041
为
Figure BDA0003186039870000042
在本公开实施例中，基于样本、样本标签的维度来构建包含输入层、隐藏层、输出层的多层神经网络，如图2所示，其中，输入层神经元数量与样本个数一致；隐藏层可以是标准神经元层，也可以是卷积神经网络层，隐藏层的数量不少于一层，且各隐藏层的神经元数量不少于样本维度数；输出层神经元数量与样本标签维度数一致。
在本公开实施例中，神经网络中神经元的激活函数采用Sigmoid函数或Tanh函数：
在本公开实施例中，基于上述训练数据集和多层神经网络进行神经网络训练，其方法包括：
采用均值为0、标准差为1的Gauss分布对所有神经元的权重w和偏置b进行随机初始化。
以二次代价函数或交叉熵代价函数作为量化预测输出值与目标输出值偏差的指标，并引入L2规范化项以减轻过度拟合。
在本公开实施例中，神经网络训练采用随机梯度下降(SGD)算法使代价函数逐渐收敛至最小值，且迭代过程中采用反向传播(BP)算法根据随机选取的小批量样本数据计算代价函数的梯度值。
在本公开实施例中，在训练神经网络的迭代过程中，代价函数逐渐减小直至达到最小值，如图3所示。
在本公开实施例中，对于一组训练数据集和一个多层神经网络，通过多次训练可以消除权重和偏置随机初识化产生的离散性。
在本公开实施例中，神经网络训练得到各神经元的权重和偏置值，与多层神经网络一起构成计算叶轮机械叶片损失系数的模型，用于叶轮机械方案设计阶段叶片损失系数的准确计算，如图4所示。
具体的，在本公开实施例中，提供计算叶轮机械叶片的损失系数的模型训练方法，如图1至4所示，是基于计算流体力学模拟叶轮机械叶片流动的数值计算结果来构建神经网络数据训练集，对照输入变量、输出变量的维度来构建包含输入层、隐藏层、输出层的多层神经网络，通过随机梯度下降算法和反向传播算法确定使代价函数最小的神经元权重w和偏置b的取值，由此构建用于准确计算叶片损失系数的多层神经网络模型的方法，具体包括：
步骤一、构建神经网络训练数据集：
基于计算流体力学模拟叶轮机械叶片流动的数值计算结果，选取叶片展弦比、尾缘喉宽比、气流折转角、雷诺数、出口马赫数作为样本，叶片损失系数作为样本标签，构建样本数一定的训练数据集。
所有样本均按照各自样本的平均值和标准差进行标准化处理，以消除样本数值量级差异对神经网络训练过程的影响。
步骤二、构建多层神经网络：
如图2所示，基于样本、样本标签的维度来，构建三层神经网络。其中，输入层有5个神经元，与样本的维度一致；隐藏层共一层，有20个标准神经元；输出层有1个神经元，与样本标签个数一致。
所有神经元的激活函数均采用Sigmoid函数。
步骤三、训练多层神经网络：
采用均值为0、标准差为1的Gauss分布对所有神经元的权重w和偏置b进行随机初始化。
以交叉熵代价函数作为量化预测输出值与目标输出值偏差的指标，并引入L2规范化项以减轻过度拟合。
采用随机梯度下降(SGD)算法使代价函数逐渐收敛至最小值，且迭代过程中采用反向传播(BP)算法根据随机选取的小批量样本数据计算代价函数的梯度值。
通过多次训练可以消除权重和偏置随机初识化产生的离散性。
神经网络经过5000步训练的代价函数收敛曲线，如图3所示，所得的神经元的权重和偏置值，可使134个样本计算的叶片损失系数偏差值小于0.3％，合格率为97.8％，结果如图4所示。
由上述方法构建的多层神经网络模型，可用于叶轮机械方案设计阶段叶片损失系数的准确计算。
根据本公开另一方面，如图5所示，还提供一种利用上述中任一项所述的模型计算损失系数的方法，包括：
获取待测量的叶轮机械叶片的几何参数和/或气动热力参数；
将所述待测量的叶轮机械叶片的几何参数和/或气动热力参数输入所述训练完成的多层神经网络模型中；
通过所述训练完成的多层神经网络模型输出所述待测量的叶轮机械叶片的损失系数。
至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述，本领域技术人员应当对本公开计算叶轮机械叶片的损失系数的模型训练方法及计算方法有了清楚的认识。
综上所述，本公开提供了一种计算叶轮机械叶片的损失系数的模型训练方法及计算方法，该方法首先，训练神经网络的数据集，是基于最新的叶轮机械叶片流动的实验结果和/或计算流体力学模拟叶轮机械叶片流动的数值计算结果，与当前的叶片设计发展相匹配。其次，采用神经网络技术来建立叶轮机械叶片损失系数的计算模型，实现了人工智能前沿技术在传统叶轮机械领域的有效应用。再次，神经网络建立的数学模型，可以突破传统经验公式中基于分离变量思想构建方程所造成的局限性，能够更加贴近真实的物理模型。最后，本发明提供的方法自身具有成长性，可以根据实验数据、计算流体力学数值模拟数据的增加，不断扩充训练数据集，实现损失系数计算准确性的不断完善。本发明所提供的方法还可用于除叶片外其它部件的损失系数的计算。
还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本公开的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种计算叶轮机械叶片的损失系数的模型训练方法，包括：
获取用于训练神经网络的训练数据集，其中，所述训练数据集包括多条样本，每条所述样本包括叶轮机械叶片的几何参数和/或气动热力参数，以及所述叶轮机械叶片的损失系数，其中，所述叶轮机械叶片的损失系数作为样本标签；
利用所述训练数据集中的样本对未经训练的多层神经网络模型进行训练，得到训练完成的多层神经网络模型。
2.根据权利要求1所述的损失系数的模型训练方法，其中，所述几何参数包括叶片节距、叶片弦长、叶片尾缘厚度、叶片几何进口角、气道高度、气道喉宽中一种或其组合。
3.根据权利要求1所述的损失系数的模型训练方法，其中，所述气动热力参数包括雷诺数、出口马赫数、气流折转角、气流进口攻角中一种或其组合。
4.根据权利要求1所述的损失系数的模型训练方法，其中，所述每条所述样本均进行标准化处理，进而消除所述样本数值量级差异对神经网络训练过程的影响，所述标准化处理包括：
获得所述样本的均值和标准差；
在所述样本减去所述均值后再除以所述标准差。
5.根据权利要求1所述的损失系数获取方法，其中，所述多层神经网络包括：
输入层，神经元数量与所述输入变量个数一致；
隐藏层，是标准神经元层或卷积神经网络层，所述隐藏层的数量不少于一层，且各所述隐藏层的神经元数量不少于所述输入变量个数；
输出层，神经元数量与所述输出变量个数一致。
6.根据权利要求1所述的损失系数获取方法，其中，所述对所述多层神经网络进行训练包括：
所述多层神经网络中神经元的激活函数采用Sigmoid函数或Tanh函数；
通过高斯分布对所有神经元的权重和偏置进行随机初始化。
7.根据权利要求6所述的损失系数获取方法，其中，所述对所述多层神经网络进行训练还包括：
通过所述神经网络训练数据集多次对所述多层神经网络进行多次训练，进而消除所述权重和偏置随机初识化产生的离散性。
8.根据权利要求1所述的损失系数获取方法，其中，所述对所述多层神经网络进行训练还包括：
通过二次代价函数或交叉熵代价函数作为量化预测输出值与目标输出值偏差的指标，并引入规范化项以减轻过度拟合。
9.根据权利要求1所述的损失系数获取方法，其中，所述对所述多层神经网络进行训练还包括：
采用随机梯度下降算法使代价函数逐渐收敛至最小值；
迭代过程中采用反向传播算法根据随机选取的小批量样本数据计算代价函数的梯度值。
10.一种利用权利要求1～9中任一项所述的模型计算损失系数的方法，包括：
获取待测量的叶轮机械叶片的几何参数和/或气动热力参数；
将所述待测量的叶轮机械叶片的几何参数和/或气动热力参数输入所述训练完成的多层神经网络模型中；
通过所述训练完成的多层神经网络模型输出所述待测量的叶轮机械叶片的损失系数。
CN202110867482.0A 2021-07-29 2021-07-29 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 Pending CN113468824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110867482.0A CN113468824A (zh) 2021-07-29 2021-07-29 计算叶轮机械叶片的损失系数的模型训练方法及计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110867482.0A CN113468824A (zh) 2021-07-29 2021-07-29 计算叶轮机械叶片的损失系数的模型训练方法及计算方法

Publications (1)

Publication Number Publication Date
CN113468824A true CN113468824A (zh) 2021-10-01

Family

ID=77883244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110867482.0A Pending CN113468824A (zh) 2021-07-29 2021-07-29 计算叶轮机械叶片的损失系数的模型训练方法及计算方法

Country Status (1)

Country Link
CN (1) CN113468824A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648780A (zh) * 2024-01-30 2024-03-05 陕西空天信息技术有限公司 一种叶轮机械的参数优化方法、装置及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
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
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
CN111444643A (zh) * 2020-03-02 2020-07-24 北京理工大学 一种基于神经网络的复合材料螺旋桨铺层角优化方法
CN111460708A (zh) * 2020-03-27 2020-07-28 河海大学 基于优化神经网络的大坝力学参数预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
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
CN111444643A (zh) * 2020-03-02 2020-07-24 北京理工大学 一种基于神经网络的复合材料螺旋桨铺层角优化方法
CN111460708A (zh) * 2020-03-27 2020-07-28 河海大学 基于优化神经网络的大坝力学参数预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648780A (zh) * 2024-01-30 2024-03-05 陕西空天信息技术有限公司 一种叶轮机械的参数优化方法、装置及计算机存储介质
CN117648780B (zh) * 2024-01-30 2024-05-07 陕西空天信息技术有限公司 一种叶轮机械的参数优化方法、装置及计算机存储介质

Similar Documents

Publication Publication Date Title
Ribeiro et al. An airfoil optimization technique for wind turbines
CN111079228B (zh) 一种基于流场预测的气动外形优化方法
Wei et al. Research on parameterization and optimization procedure of low-Reynolds-number airfoils based on genetic algorithm and Bezier curve
JP2002070504A (ja) 翼形状設計方法および情報媒体
Koushan et al. Experimental and numerical study of pre-swirl stators PSS
CN106897545A (zh) 一种基于深度置信网络的肿瘤预后预测系统
Du et al. Optimum aerodynamic shape design under uncertainty by utility theory and metamodeling
Chen et al. Optimization of flatback airfoils for wind-turbine blades using a genetic algorithm
Patri et al. Random forest and stochastic gradient tree boosting based approach for the prediction of airfoil self-noise
Weber et al. Lift and drag performance of odontocete cetacean flippers
CN113468824A (zh) 计算叶轮机械叶片的损失系数的模型训练方法及计算方法
Kou et al. Aeroacoustic airfoil shape optimization enhanced by autoencoders
Lu et al. An aerodynamic optimization design study on the bio-inspired airfoil with leading-edge tubercles
You et al. Shape optimization approach for cambered otter board using neural network and multi-objective genetic algorithm
Krog Kruse et al. A two‐dimensional quantitative parametric investigation of simplified surface imperfections on the aerodynamic characteristics of a NACA 63 3‐418 airfoil
Ding et al. Multi-objective optimization for the radial bending and twisting law of axial fan blades
Svorcan et al. Design of optimal flow concentrator for vertical-axis wind turbines using computational fluid dynamics, artificial neural networks and genetic algorithm
CN110223342A (zh) 一种基于深度神经网络的空间目标尺寸估计方法
Angelini et al. Identification of losses in turbomachinery with machine learning
Kim et al. Geometric modification for the enhancement of an airfoil performance using deep CNN
Kim et al. A B-spline based higher order panel method for analysis of steady flow around marine propellers
Ouyang et al. Design optimization of a two-dimensional hydrofoil by applying a genetic algorithm
Wong et al. Physics-Informed Machine Learning for Inverse Airfoil Shape Design
CN111177909A (zh) 一种复合材料层合板铺层优化设计方法
Chen et al. Optimization of flatback airfoils for wind turbine blades using a genetic algorithm with an artificial neural network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001

RJ01 Rejection of invention patent application after publication