CN114004170A - 基于有限测点的叶栅流场的重构方法 - Google Patents

基于有限测点的叶栅流场的重构方法 Download PDF

Info

Publication number
CN114004170A
CN114004170A CN202111216924.1A CN202111216924A CN114004170A CN 114004170 A CN114004170 A CN 114004170A CN 202111216924 A CN202111216924 A CN 202111216924A CN 114004170 A CN114004170 A CN 114004170A
Authority
CN
China
Prior art keywords
flow field
data
grid
network
field
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
CN202111216924.1A
Other languages
English (en)
Inventor
温风波
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.)
Suzhou Turbulence Digital Technology Co ltd
Original Assignee
Suzhou Turbulence Digital 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 Suzhou Turbulence Digital Technology Co ltd filed Critical Suzhou Turbulence Digital Technology Co ltd
Priority to CN202111216924.1A priority Critical patent/CN114004170A/zh
Publication of CN114004170A publication Critical patent/CN114004170A/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
    • G06F30/28—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
    • 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
    • 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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于有限测点的叶栅流场的重构方法，包括以下步骤：S1、获取叶栅流场模型：高压涡轮第一级静叶作为几何样本，使用CFD计算得到叶片表面的压力分布，改变叶片进口攻角和出口背压，获得不同工况下的数据，以CFD数据作为基础数据库训练深度神经网络。本发明中，通过获取叶栅流场模型、获取数据、数据化处理等步骤使机器解析数据、提取特征、学习规律，实现人工智能方法，进而对叶栅流场进行重构，操作简单，不需要实验设备，使用成本低，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化，增强数据准确性。

Description

基于有限测点的叶栅流场的重构方法
技术领域
本发明涉及流场重构方法技术领域，尤其涉及基于有限测点的叶栅流场的重构方法。
背景技术
随着航空发动机技术的不断发展，对发动机内部流场的精细化测量的要求也越来越高，传统的航空发动机流场分析的方式通常有两种，第一种是实验测量，实验测量虽然可以较为准确的测量流场，但是实验成本较大，耗费时间长，且准确度对设备的依赖性较高，第二种是数值模拟，数值模拟成本较低，但是数值模拟的精确度较低。
近年来，随着计算科学的迅猛发展，让机器拥有智能似乎不再那么遥不可及，机器学习是一种基于大数据，通过特定算法让机器解析数据，提取特征，学习规律，实现人工智能的方法，因此，本发明提出了一种基于有限测点的叶栅流场的重构方法。
发明内容
为了解决上述背景技术中所提到的技术问题，而提出的基于有限测点的叶栅流场的重构方法。
为了实现上述目的，本发明采用了如下技术方案：
基于有限测点的叶栅流场的重构方法，包括以下步骤：
S1、获取叶栅流场模型：
以高压涡轮第一级静叶作为几何样本，使用CFD计算得到叶片表面的压力分布，通过改变叶片进口攻角和出口背压的数值，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化；
S2、获取数据：
输入数据为若干叶高截面位置处的压力测点数据，输出数据为整个叶片表面的无量纲压力分布，通过金字塔结构获取数据；设置数据接口一～四，不同的接口为不同数量的截面数据输入口，通过损失一～三用于匹配接口二～四的预测值和实际值，损失四用于匹配神经网络预测流场和实际流场；神经网络训练完成后，当输入数据满足预先设定的多个截面数之一时，神经网络将自动匹配接口，获得对应流场数据；
S3、数据预处理：
对原始数据进行标准化处理，在不改变原始数据概率密度的情况下，缩放为均值为0，方差为1的新分布，计算公式如下：
Figure BDA0003311109550000021
S4、叶栅流场数据化处理：
叶栅流场模型的结构化网格总能够表示为规则的矩阵形式，将初始流场数据Fieldn,j,g根据位置信息Gridn,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h，对应位置信息做相同的变换得到为Gridn,m,k,l,h；其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若模型为二维模型，则H＝1，处理后的流场数据Fieldn,j,k,l,h退化为四维数组；对所有的已知信息数据Inputn,i与处理后的流场数据eldn,j,k,l,h进行归一化处理；
S5、划分训练集与验证集
S6、搭建流场重构网络
采用二维反卷积/三维反卷积构建一个生成器G Net，建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程；其次，采用二维卷积/三维卷积构建一个判别器DNet，用于分辨真实原始流场与使用生成器G Net生成的重构流场；
S7、训练基于GAN的流场重构网络；
S8、流动换热模型流场重构。
作为上述技术方案的进一步描述：
在步骤S1中：使用有限数量离散采样点描述流场，展向沿叶高线均匀布置X个采样点，相当于X个叶高截面；流向沿各叶高截面从前缘点到尾缘点的曲线均匀布置Y个采样点，相当于Y个叶型线弧长截面。形成尺寸为X×Y无量纲均匀网格，以满足神经网络的计算要求。
作为上述技术方案的进一步描述：
在步骤S2中，还包括；获取初始流场数据Fieldn,j,g以及结构化网格节点位置信息Gridn,m,g，Inputn,i和Fieldn,j,g，Gridn,m,g一一对应；
其中n＝1,2,3...,N，N为测量流体通道模型总数，i＝1,2,3...,I，I为已知参数总数，j＝1,2,3...,J，分别表示网格节点温度场，压力场与速度场，J为记录流场参数总数，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标。
作为上述技术方案的进一步描述：
在步骤S5中还包括以下步骤：输入为Inputn,i，将输入Inputn,i随机打乱，按照5：1的比例分为训练集(In putn×0.8,i)train与验证集(Inputn×0.2,i)validate，对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate，对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate。
作为上述技术方案的进一步描述：
在步骤S6中，流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：
BCE_loss＝minGmaxDV(D,G)＝
EField[logD(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中，D(·)表示对样本采用判别器DNet进行判别，G(·)表示对样本采用生成器GNet生成重构流场，EField[·]与EInput[·]表示对括号内变量求期望值；加权平均损失函数如下：
Figure BDA0003311109550000041
其中，Wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值，该权值在边界层网格处可适当增加以提高在边界层处的准确度；K×H×L为网格节点总数；Field′n,j,k,l,h为生成网络GNet生成的重构流场数据，Fieldn,j,k,l,h为原始真实的流场数据；
流场重构GAN网络的总损失函数如下：Loss＝W1×BCE_loss+W2×WMSE_loss其中W1是二分类损失函数BCE_loss的权值，而W2是加权平均损失函数MSE_loss的权值。
作为上述技术方案的进一步描述：
在步骤S7中，还包括以下步骤：从DNet网络开始训练，DNet希望能提高对真实流场与重构流场的分辨能力；紧随D Net网络的一次训练，进行G Net网络训练，此时希望重构流场能欺骗D Net网络，使得分辨网络分辨不出重构流场；经过G Net生成网络与D Net分辨网络之间的相互博弈获得成功的生成网络用于重构流场。
作为上述技术方案的进一步描述：
在步骤S8中，还包括以下步骤：根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器GNet，获得重构流场(Fieldn,j,k,l,h)test，根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算叶栅流场相关热力学与流体力学参数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过获取叶栅流场模型、获取数据、数据化处理等步骤使机器解析数据、提取特征、学习规律，实现人工智能方法，进而对叶栅流场进行重构，操作简单，不需要实验设备，使用成本低，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化，增强数据准确性。
2、本发明中，设计金字塔式神经网络的初衷是，拓展神经网络模型的可用数据，不同截面数的数据可使用同一套神经网络模型重构出准确的流场，从结果来看，金字塔式神经网络实现了这一功能，不同截面数的数据经由代理模型可以重构出精度相近的流场。
3、本发明中，由接口四输入的网络性能相较于前三个接口输入出现了明显的退化，这意味着后续网络与接口四数据的匹配较差，问题应出在中间模块三，可以针对性改进模块三，这也是金字塔式网络的优点，可以分块进行优化，再整体匹配。
附图说明
图1示出了根据本发明实施例提供的金字塔式神经网络的模块示意图；
图2示出了根据本发明实施例提供的神经网络卷积的示意图；
图3示出了根据本发明实施例提供的转置卷积示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1-3，本发明提供一种技术方案：基于有限测点的叶栅流场的重构方法，包括以下步骤：
S1、获取叶栅流场模型：
以高压涡轮第一级静叶作为几何样本，使用CFD计算得到叶片表面的压力分布，通过改变叶片进口攻角和出口背压的数值，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化；
S2、获取数据：
输入数据为若干叶高截面位置处的压力测点数据，输出数据为整个叶片表面的无量纲压力分布，通过金字塔结构获取数据，具体如下：
设置数据接口一～四，不同的接口为不同数量的截面数据输入口，通过损失一～三用于匹配接口二～四的预测值和实际值，损失四用于匹配神经网络预测流场和实际流场；神经网络训练完成后，当输入数据满足预先设定的多个截面数之一时，神经网络将自动匹配接口，获得对应流场数据；
设计金字塔式神经网络的初衷是，拓展神经网络模型的可用数据，不同截面数的数据可使用同一套神经网络模型重构出准确的流场。从结果来看，金字塔式神经网络实现了这一功能，不同截面数的数据经由代理模型可以重构出精度相近的流场；
S3、数据预处理：
对原始数据进行标准化处理，在不改变原始数据概率密度的情况下，缩放为均值为0，方差为1的新分布，计算公式如下：
Figure BDA0003311109550000071
S4、叶栅流场数据化处理：
叶栅流场模型的结构化网格总能够表示为规则的矩阵形式，将初始流场数据Fieldn,j,g根据位置信息Gridn,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h，对应位置信息做相同的变换得到为Gridn,m,k,l,h；其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若模型为二维模型，则H＝1，处理后的流场数据Fieldn,j,k,l,h退化为四维数组；对所有的已知信息数据Inputn,i与处理后的流场数据eldn,j,k,l,h进行归一化处理；
S5、划分训练集与验证集
S6、搭建流场重构网络
采用二维反卷积/三维反卷积构建一个生成器GNet，建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程；其次，采用二维卷积/三维卷积构建一个判别器DNet，用于分辨真实原始流场与使用生成器GNet生成的重构流场；
S7、训练基于GAN的流场重构网络；
S8、流动换热模型流场重构。
在步骤S1中：使用有限数量离散采样点描述流场，展向沿叶高线均匀布置X个采样点，相当于X个叶高截面；流向沿各叶高截面从前缘点到尾缘点的曲线均匀布置Y个采样点，相当于Y个叶型线弧长截面。形成尺寸为X×Y无量纲均匀网格，以满足神经网络的计算要求。
在步骤S2中，还包括；获取初始流场数据Fieldn,j,g以及结构化网格节点位置信息Gridn,m,g，Inputn,i和Fieldn,j,g，Gridn,m,g一一对应；
其中n＝1,2,3...,N，N为测量流体通道模型总数，i＝1,2,3...,I，I为已知参数总数，j＝1,2,3...,J，分别表示网格节点温度场，压力场与速度场，J为记录流场参数总数，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标。
在步骤S5中还包括以下步骤：输入为Inputn,i，将输入Inputn,i随机打乱，按照5：1的比例分为训练集(In putn×0.8,i)train与验证集(Inputn×0.2,i)validate，对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate，对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate。
在步骤S6中，流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：
BCE_loss＝minGmaxDV(D,G)＝
EField[logD(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中，D(·)表示对样本采用判别器DNet进行判别，G(·)表示对样本采用生成器GNet生成重构流场，EField[·]与EInput[·]表示对括号内变量求期望值；加权平均损失函数如下：
Figure BDA0003311109550000091
其中，Wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值，该权值在边界层网格处可适当增加以提高在边界层处的准确度；K×H×L为网格节点总数；Field′n,j,k,l,h为生成网络GNet生成的重构流场数据，Fieldn,j,k,l,h为原始真实的流场数据；
流场重构GAN网络的总损失函数如下：Loss＝W1×BCE_loss+W2×WMSE_loss其中W1是二分类损失函数BCE_loss的权值，而W2是加权平均损失函数MSE_loss的权值。
在步骤S7中，还包括以下步骤：从DNet网络开始训练，DNet希望能提高对真实流场与重构流场的分辨能力；紧随DNet网络的一次训练，进行GNet网络训练，此时希望重构流场能欺骗DNet网络，使得分辨网络分辨不出重构流场；经过GNet生成网络与DNet分辨网络之间的相互博弈获得成功的生成网络用于重构流场。
在步骤S8中，还包括以下步骤：根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器GNet，获得重构流场(Fieldn,j,k,l,h)test，根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算叶栅流场相关热力学与流体力学参数。
本发明，通过获取叶栅流场模型、获取数据、数据化处理等步骤使机器解析数据、提取特征、学习规律，实现人工智能方法，进而对叶栅流场进行重构，操作简单，不需要实验设备，使用成本低，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化，增强数据准确性。
基础模型的数据集由CFD结果提供，模型完成训练后，可输入实验数据，将原始实验数据和模型重构结果作为新的数据样本存入数据库中，或可同时利用该实验数据对应的CFD结果，对现有模型进行微调，实现持续更新。
由接口四输入的网络性能相较于前三个接口输入出现了明显的退化，这意味着后续网络与接口四数据的匹配较差，问题应出在中间模块三，可以针对性改进模块三，这也是金字塔式网络的优点，可以分块进行优化，再整体匹配。
使用深度神经网络，以CFD结果作为基础数据库进行训练，获得了由给定截面上少量测点数据到整个叶片表面流场的映射模型。模型较好地重构了流场的整体轮廓，但在局部上，以一个截面数据为输入的模型的重构结果出现较大范围的模糊和噪点，而以三个截面数据为输入的模型的重构结果表现更好。
对比同一神经网络不同接口输入的模型性能，发现随着数据接口不断靠近网络输出层，数据在进入神经网络后实际经过的神经元层数减少，精度有所提高。这说明，神经元层数越多，前部神经元产生的误差可能随着计算向后传递，导致最终输出的误差增大。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.基于有限测点的叶栅流场的重构方法，其特征在于，包括以下步骤：
S1、获取叶栅流场模型
以高压涡轮第一级静叶作为几何样本，使用CFD计算得到叶片表面的压力分布，通过改变叶片进口攻角和出口背压的数值，获得不同工况下的数据，以CFD数据作为基础数据库训练深度神经网络，对已完成训练的模型进行微调和优化；
S2、获取流场数据
输入数据为若干叶高截面位置处的压力测点数据，输出数据为整个叶片表面的无量纲压力分布，通过金字塔结构获取数据，具体如下：
设置数据接口一～四，不同的接口为不同数量的截面数据输入口，通过损失一～三用于匹配接口二～四的预测值和实际值，损失四用于匹配神经网络预测流场和实际流场；神经网络训练完成后，当输入数据满足预先设定的多个截面数之一时，神经网络将自动匹配接口，获得对应流场数据；
S3、数据预处理
对原始数据进行标准化处理，在不改变原始数据概率密度的情况下，缩放为均值为0，方差为1的新分布，计算公式如下：
Figure FDA0003311109540000011
S4、叶栅流场数据化处理
叶栅流场模型的结构化网格表示为规则的矩阵形式，将初始流场数据Fieldn,j,g根据位置信息Gridn,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h，对应位置信息做相同的变换得到为Gridn,m,k,l,h；
其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若模型为二维模型，则H＝1，处理后的流场数据Fieldn,j,k,l,h退化为四维数组；对所有的已知信息数据Inputn,i与处理后的流场数据eldn,j,k,l,h进行归一化处理；
S5、划分训练集与验证集
S6、搭建流场重构网络
采用二维反卷积/三维反卷积构建一个生成器G Net，建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程；其次，采用二维卷积/三维卷积构建一个判别器DNet，用于分辨真实原始流场与使用生成器G Net生成的重构流场；
S7、训练基于GAN的流场重构网络；
S8、流动换热模型流场重构。
2.根据权利要求1所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S1中，还包括以下步骤：使用有限数量离散采样点描述流场，展向沿叶高线均匀布置X个采样点，相当于X个叶高截面；流向沿各叶高截面从前缘点到尾缘点的曲线均匀布置Y个采样点，相当于Y个叶型线弧长截面；形成尺寸为X×Y无量纲均匀网格，以满足神经网络的计算要求。
3.根据权利要求2所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S2中，还包括以下步骤；获取初始流场数据Fieldn,j,g以及结构化网格节点位置信息Gridn,m,g，Inputn,i和Fieldn,j,g，Gridn,m,g一一对应；
其中n＝1,2,3...,N，N为测量流体通道模型总数，i＝1,2,3...,I，I为已知参数总数，j＝1,2,3...,J，分别表示网格节点温度场，压力场与速度场，J为记录流场参数总数，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标。
4.根据权利要求3所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S5中还包括以下步骤：输入为Inputn,i，将输入Inputn,i随机打乱，按照5：1的比例分为训练集(In putn×0.8,i)train与验证集(Inputn×0.2,i)validate，对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate，对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate。
5.根据权利要求4所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S6中，流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：
BCE_loss＝minGmaxDV(D,G)＝EField[logD(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中，D(·)表示对样本采用判别器DNet进行判别，G(·)表示对样本采用生成器GNet生成重构流场，EField[·]与EInput[·]表示对括号内变量求期望值，加权平均损失函数如下：
Figure FDA0003311109540000031
其中，Wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值，该权值在边界层网格处可适当增加以提高在边界层处的准确度；K×H×L为网格节点总数；Field′n,j,k,l,h为生成网络GNet生成的重构流场数据，Fieldn,j,k,l,h为原始真实的流场数据；
流场重构GAN网络的总损失函数如下：Loss＝W1×BCE_loss+W2×WMSE_loss其中W1是二分类损失函数BCE_loss的权值，而W2是加权平均损失函数MSE_loss的权值。
6.根据权利要求5所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S7中，还包括以下步骤：从DNet网络开始训练，DNet希望能提高对真实流场与重构流场的分辨能力；紧随DNet网络的一次训练，进行GNet网络训练，此时希望重构流场能欺骗DNet网络，使得分辨网络分辨不出重构流场；经过GNet生成网络与DNet分辨网络之间的相互博弈获得成功的生成网络用于重构流场。
7.根据权利要求6所述的基于有限测点的叶栅流场的重构方法，其特征在于，在步骤S8中，还包括以下步骤：根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器GNet，获得重构流场(F ieldn,j,k,l,h)test，根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算叶栅流场相关热力学与流体力学参数。
CN202111216924.1A 2021-10-19 2021-10-19 基于有限测点的叶栅流场的重构方法 Pending CN114004170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111216924.1A CN114004170A (zh) 2021-10-19 2021-10-19 基于有限测点的叶栅流场的重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111216924.1A CN114004170A (zh) 2021-10-19 2021-10-19 基于有限测点的叶栅流场的重构方法

Publications (1)

Publication Number Publication Date
CN114004170A true CN114004170A (zh) 2022-02-01

Family

ID=79923178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111216924.1A Pending CN114004170A (zh) 2021-10-19 2021-10-19 基于有限测点的叶栅流场的重构方法

Country Status (1)

Country Link
CN (1) CN114004170A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983137A (zh) * 2023-01-31 2023-04-18 西安交通大学 基于相似性原理和深度学习的涡轮流场预测方法及相关装置
CN115983137B (zh) * 2023-01-31 2024-05-31 西安交通大学 基于相似性原理和深度学习的涡轮流场预测方法及相关装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983137A (zh) * 2023-01-31 2023-04-18 西安交通大学 基于相似性原理和深度学习的涡轮流场预测方法及相关装置
CN115983137B (zh) * 2023-01-31 2024-05-31 西安交通大学 基于相似性原理和深度学习的涡轮流场预测方法及相关装置

Similar Documents

Publication Publication Date Title
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN110348059B (zh) 一种基于结构化网格的通道内流场重构方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112001270B (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN108709745A (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
CN108491925A (zh) 基于隐变量模型的深度学习特征泛化方法
CN112367130B (zh) 一种无线网络信号传输强度计算方法及计算机存储介质
CN112580588A (zh) 一种基于经验模态分解的颤振信号智能识别方法
CN108491931A (zh) 一种基于机器学习提高无损检测精度的方法
CN115311502A (zh) 基于多尺度双流架构的遥感图像小样本场景分类方法
CN104634265A (zh) 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法
CN116500611A (zh) 一种基于深度学习的雷达波面图像海浪参数反演方法
CN110619364A (zh) 一种基于云模型的小波神经网络三维模型分类方法
CN109116300B (zh) 一种基于非充分指纹信息的极限学习定位方法
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
CN112508183A (zh) 用于图像分类的单纯形神经网络的构建方法及装置
CN116910513A (zh) 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
CN114004170A (zh) 基于有限测点的叶栅流场的重构方法
Wang et al. Fuzzy c-means clustering for power system coherency
CN116259109A (zh) 基于生成式自监督学习和对比学习的人体行为识别方法
CN106845512A (zh) 基于分形参数的兽类形体识别方法及系统
CN115982566A (zh) 一种水电机组多通道故障诊断方法
CN115345192A (zh) 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法

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