CN115983137A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115983137A CN115983137A CN202310070935.6A CN202310070935A CN115983137A CN 115983137 A CN115983137 A CN 115983137A CN 202310070935 A CN202310070935 A CN 202310070935A CN 115983137 A CN115983137 A CN 115983137A
- Authority
- CN
- China
- Prior art keywords
- turbine
- flow field
- parameter
- blade profile
- dimensional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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，包括选取涡轮叶栅的几何特征及气动参数特征；根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；将初始样本数据集划分训练集、验证集和测试集，训练神经网络模型；根据已训练好的模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。本发明所构建的深度学习预测模型的泛化能力显著增强，可对归一化尺寸相似而实际尺寸迥异的大范围涡轮样本进行精确快速预测，从而为高效快速的涡轮设计奠定基础。
Description
技术领域
本发明属于涡轮叶栅二维流场预测技术领域，特别涉及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。
背景技术
高效、准确的流场评估是开展快速涡轮设计优化的基础。目前，CFD方法(Computational Fluid Dynamics,简称CFD)是涡轮流场评估的主要手段。然而，CFD方法通常比较耗时，有必要引入基于代理模型的性能预测方法，以提高涡轮性能评估及设计优化的效率。传统的代理模型如Kriging模型和径向基函数等在涡轮总体性能预测中取得了一系列成功，但其通常仅能对标量形式的点数据进行预测，而对于以矩阵等表示的线数据以及面数据等多元数据预测则无能为力。与之不同，深度学习为以矩阵表示的流场预测提供有效途径。近年来，基于多层感知机、卷积神经网络等的深度学习模型被广泛应用于流场预测。然而，需要指出的是，上述基于深度学习的流场预测模型通常是纯数据驱动模型，由于纯数据驱动模型仅针对目标对象在特定的几何区间和工况参数区间获取训练样本，其泛化能力通常较弱，往往只能对与目标对象类似几何尺寸、类似工况参数的小范围样本进行预测，这严重限制了基于深度学习的性能预测模型的适用范围。
发明内容
本发明的目的在于提供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，以解决现有技术泛化能力通常较弱，往往只能对与目标对象类似几何尺寸、类似工况参数的小范围样本进行预测的问题。
为实现上述目的，本发明采用以下技术方案：
基于相似性原理和深度学习的涡轮流场预测方法，包括：
选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；
构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；
将初始样本数据集划分为训练集、验证集和测试集，训练神经网络模型；
根据已训练好的模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。
进一步的，选取涡轮叶栅的几何特征：
基于几何相似原理，将叶型型线和栅距均沿轴向弦长进行了归一化处理，确定预测模型几何参数的输入变量为二维叶栅型线沿轴向弦长归一化后的离散点坐标[X1,X2,......,Xn,Y1,Y2,......,Yn]，其中X为轴向坐标，Y为周向坐标，n为二维叶栅吸力面和压力面离散点个数之和；将相对栅距t作为模型几何参数的输入变量；将相对尾缘半径r作为几何参数的输入变量；将进口几何角β1和有效出气角β2作为额外几何信息输入模型。
进一步的，气动参数特征的选取：
根据出口等熵马赫数的定义式等物理知识，确定气动参数无量纲化的方法，将进口气流角和出口等熵马赫数作为预测模型的气动输入变量。
进一步的，生成归一化的涡轮叶型数据库：
选取公开的某四级低压涡轮动叶的不同截面叶型作为基准叶型，基于11参数法对叶型进行拟合并对参数空间进行统计，然后，选取入口几何角、有效出气角、上楔角、出口偏转角、圆心连接角和关联系数6个叶型参数，结合拉丁超立方采样LHS生成涡轮二维叶型；进一步，以吸力面的光滑度和流道满足收缩喷管的形式为准则，筛选初始样本中合格的叶栅型线，建立原始叶型数据库，将原始叶型数据库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库。
进一步的，确定二维叶型表面等熵马赫数分布为预测模型的输出参数，采用CFD求解器，采集初始叶栅数据库中二维叶栅型线的流场分布数据，构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；将初始样本数据库按照训练集：验证集：测试集＝8：1：1的比例划分训练集为{[X]i*0.8，j}train，验证集为{[X]i*0.1，j}valid，测试集为{[X]i*0.1，j}test，其中i为初始二维叶栅数据库中的叶型总数，j为二维叶型吸力面和压力面的总点数，验证集中部分叶型或者工况参数在训练集中被学习，测试集中部分叶型或工况参数未在训练集中被学习；随机打乱训练集中的样本数据，作为神经网络模型的输入数据。
进一步的，训练神经网络模型，在线性层和激活函数之间加入正则化层，进而对数据进行归一化处理。
进一步的，确定神经网络结构，其中该神经网络模型共有五层网络层，包含1层输入层，1层输出层以及3层隐藏层；模型训练过程中，超参数优化过程首先采用Adam优化器，初始学习率设置为0.001，设置训练迭代次数为4000步。
进一步的，基于相似性原理和深度学习的涡轮流场预测系统，包括：
参数选取模块，用于选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
数据库建立模块，用于根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；
初始样本数据集构建模块，用于构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；
模型划分模块，用于将初始样本数据集划分训练集、验证集和测试集，训练神经网络模型；
预测模块，用于根据已训练好的模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。
进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于相似性原理和深度学习的涡轮流场预测方法的步骤。
进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于相似性原理和深度学习的涡轮流场预测方法的步骤。
与现有技术相比，本发明有以下技术效果：
本发明基于相似性原理，分别对预测模型几何输入参数和气动参数归一化。对于几何参数而言，以涡轮轴向弦长为特征长度对叶栅型线和栅距等进行归一化；对于气动参数而言，基于等熵马赫数公式将进口总温、出口静压等进行归一化。通过上述基于相似性原理的归一化处理，本发明所构建的深度学习预测模型的泛化能力显著增强，可对归一化尺寸相似而实际尺寸迥异的大范围涡轮样本进行精确快速预测，从而为高效快速的涡轮设计奠定基础，具有重要的工程实用价值。
本发明将相似性原理引入到深度学习预测模型的构建中，相较于纯数据驱动的深度学习流场预测模型泛化能力得到显著增强。首先，本发明基于几何相似性原理对几何输入参数进行特征选择，基于轴向弦长将涡轮叶型、栅距等关键几何参数归一化，使得所构建的深度学习模型可对归一化尺寸类似但实际尺寸迥异的大范围叶栅进行流场性能预测。其次，基于等熵马赫数对涡轮进出口边界条件进行归一化处理，使得所构建的深度学习模型所能预测的工况范围显著提高。综合以上两个方面，本发明所构建的基于相似性原理的深度预测模型可实现在较大的几何和气动设计空间涡轮流场快速预测，为高效快速的涡轮设计奠定基础，具有重要的工程实用价值。
附图说明
图1为涡轮叶栅型线流场分布预测流程图。
图2为基于物理知识的特征选择流程图。
图3为涡轮叶型数据库示意图。
图4为基于相似性原理的深度学习预测模型典型叶型及工况预测结果。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1，一种基于相似性原理和深度学习方法的涡轮二维叶栅流场参数分布预测方法，包括以下步骤：
1.基于物理知识几何输入参数的特征选择，如图2所示。基于几何相似原理，将叶型型线和栅距均沿轴向弦长进行了归一化处理。因此，确定预测模型几何参数的输入变量为二维叶栅型线沿轴向弦长归一化后的离散点坐标[X1,X2,......,Xn,Y1,Y2,......,Yn]，其中X为轴向坐标，Y为周向坐标，n为二维叶栅吸力面和压力面离散点个数之和；考虑到叶栅流道对流场分布的影响，将相对栅距[t](栅距与轴向弦长的比值)作为模型几何参数的输入变量；考虑到尾缘半径对流场分布的影响，将相对尾缘半径[r](尾缘半径与轴向弦长的比值)作为几何参数的输入变量；同时由于进口几何角和有效出气角对流场参数分布的影响较为显著，将进口几何角[β1]和有效出气角[β2]也作为额外几何信息输入模型。
2.基于物理知识气动输入参数的特征选择，如图2所示。根据出口等熵马赫数的定义式等物理知识，确定气动参数无量纲化的方法，将进口气流角和出口等熵马赫数[AoA,Ma]作为预测模型的气动输入变量。
3.建立高质量的初始涡轮叶型数据库，如图3所示。选取公开的某四级低压涡轮动叶的不同截面叶型作为基准叶型，基于11参数法对叶型进行拟合并对参数空间进行统计。然后，为了简化叶型采样空间，选取入口几何角、有效出气角、上楔角、出口偏转角、圆心连接角和关联系数等6个重要叶型参数，结合拉丁超立方采样(LHS)生成涡轮二维叶型。进一步，以吸力面的光滑度和流道满足收缩喷管的形式为准则，筛选初始样本中合格的叶栅型线，建立高质量的原始叶型数据库。
4.建立高质量的归一化涡轮叶型数据库。将原始叶型沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库。
5.建立输入参数与流场特征的映射数据集。确定二维叶型表面等熵马赫数分布为预测模型的输出参数。采用CFD求解器，采集初始叶栅数据库中二维叶栅型线的流场分布数据，从而构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集。
6.将初始样本数据库按照训练集：验证集：测试集＝8：1：1的比例划分训练集为{[X]i*0.8，j}train，验证集为{[X]i*0.1，j}valid，测试集为{[X]i*0.1，j}test，其中i为初始二维叶栅数据库中的叶型总数，j为二维叶型吸力面和压力面的总点数，验证集中部分叶型或者工况参数在训练集中被学习，测试集中部分叶型或工况参数未在训练集中被学习。随机打乱训练集中的样本数据，作为神经网络模型的输入数据。
7.训练神经网络模型，其中为了避免使每层隐藏层的输入数据过大而导致网络性能不稳定，在线性层和激活函数之间加入正则化层，进而对数据进行归一化处理，从而提高神经网络模型的预测精度。
确定神经网络结构，其中该神经网络模型共有五层网络层，包含1层输入层，1层输出层以及3层隐藏层。模型训练过程中，超参数优化过程首先采用Adam优化器，初始学习率设置为0.001，设置训练迭代次数为4000步，获得最优的代理模型预测精度。
8.根据已训练好的代理模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性，从而可以快速准确地进行涡轮流场评估，使其应用于涡轮的优化设计过程中。
实施例：
如图1所示，本实施例提供了一种基于相似性原理和深度学习方法的低压涡轮二维叶栅流场分布预测方法，具体包括以下步骤：
1.预测模型输入变量中几何参数和气动参数的特征选择
本发明预测模型的输入变量基于几何相似性原理进行了验证，如图2所示，其中几何参数为二维叶栅型线沿轴向弦长进行归一化后的离散点坐标(404个输入变量)、相对栅距(0.8～1.2)、相对尾缘半径、进口几何角和有效出气角，气动参数为进口攻角(-5°～5°)和出口马赫数(0.4～0.7)。这样，除叶型散点坐标404个设计变量外，其他几何和气动参数共计有6个输入变量。
2.低压涡轮二维叶栅型线数据库的建立
本实施例选择低压涡轮二维叶栅型线作为研究对象。根据叶轮机械的设计需求，基于11参数法进行叶片造型，在选定几何参数的设计空间范围内，通过拉丁超立方抽样方法进行采样，自动化生成大量初始的二维叶栅型线；以吸力面的光滑度和流道满足收缩喷管的形式为准则，筛选初始样本中合格的二维叶栅型线，建立高质量的初始二维叶栅数据库，其中包含有450个二维叶型，二维叶栅数据库中部分叶型如图3所示；
3.二维叶栅型线流场评估模块的建立
采用CFD求解器对所获得的二维几何模型进行性能评估，输出结果为二维叶型表面的等熵马赫数分布。
4.低压涡轮输入参数和流场特征的样本数据集的建立
以上述步骤1中选择的几何参数和气动参数作为预测模型的输入变量，选择二维叶型表面的等熵马赫数分布作为预测模型的输出变量，建立样本数据集，为预测模型的训练和验证提供数据基础。由于初始二维叶型数据库包含450个不同叶型，工况参数有20组，因此初始样本数据集的数量为9000个。
5.神经网络预测模型的建立
5a.将上述所建立的初始样本数据库按照训练集：验证集：测试集＝8：1：1的比例划分训练集为{[X]i*0.8，j}train，验证集为{[X]i*0.1，j}valid，测试集为{[X]i*0.1，j}test，其中i为初始二维叶栅数据库中的叶型总数，j为二维叶型吸力面和压力面的总点数，选取上述样本数据集中19组工况中已学习的部分叶型或者工况参数作为验证集，选取上述样本数据集中额外1组工况的数据作为测试集。随机打乱训练集中的样本数据，作为神经网络模型的输入数据。
5b.训练神经网络模型，其中为了避免使每层隐藏层的输入数据过大而导致网络性能不稳定，在线性层和激活函数之间加入正则化层，进而对数据进行归一化处理，从而提高神经网络模型的预测精度。
5c.确定神经网络结构，其中该神经网络模型共有五层网络层，包含1层输入层，1层输出层以及3层隐藏层。模型训练过程中，超参数优化过程首先采用Adam优化器，初始学习率设置为0.001，设置训练迭代次数为4000步，获得预测精度最优的代理模型。
6.预测模型的结果
基于上述已训练好的神经网络模型，将低压涡轮二维叶栅型线新的工况参数输入预测模型，预测模型的预测结果如图4所示。易见，在不同的几何尺寸和工况参数下，所建立的深度学习模型预测结果良好，由此验证了所提出的方法的正确性和有效性。
本发明在一实施例中，提供一种基于相似性原理和深度学习的涡轮流场预测系统，能够用于实现上述的基于相似性原理和深度学习的涡轮流场预测方法，具体的，该系统包括：
参数选取模块，用于选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
数据库建立模块，用于根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；
始样本数据集构建模块，用于构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；
模型划分模块，用于将初始样本数据集划分训练集、验证集和测试集，训练神经网络模型；
预测模块，用于根据已训练好的模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于相似性原理和深度学习的涡轮流场预测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于相似性原理和深度学习的涡轮流场预测方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，包括：
选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；
构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；
将初始样本数据集划分训练集、验证集和测试集，训练神经网络模型；
根据已训练好的模型预测二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。
2.根据权利要求1所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，选取涡轮叶栅的几何特征：
基于几何相似原理，将叶栅型线和栅距均沿轴向弦长进行了归一化处理，确定预测模型几何参数的输入变量为二维叶栅型线沿轴向弦长归一化后的离散点坐标[X1,X2,......,Xn,Y1,Y2,......,Yn]，其中X为轴向坐标，Y为周向坐标，n为二维叶栅吸力面和压力面离散点个数之和；将相对栅距t作为模型几何参数的输入变量；将相对尾缘半径r作为几何参数的输入变量；将进口几何角β1和有效出气角β2作为额外几何信息输入模型。
3.根据权利要求1所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，气动参数特征的选取：
根据出口等熵马赫数的定义式等物理知识，确定气动参数无量纲化的方法，将进口气流角和出口等熵马赫数作为预测模型的气动输入变量。
4.根据权利要求1所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，生成归一化的涡轮叶型数据库：
选取公开的某四级低压涡轮动叶的不同截面叶型作为基准叶型，基于11参数法对叶型进行拟合并对参数空间进行统计，然后，选取入口几何角、有效出气角、上楔角、出口偏转角、圆心连接角和关联系数6个叶型参数，结合拉丁超立方采样LHS生成涡轮二维叶型；进一步，以吸力面的光滑度和流道满足收缩喷管的形式为准则，筛选初始样本中合格的叶栅型线，建立原始叶型数据库，将原始叶型数据库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库。
5.根据权利要求1所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，确定二维叶型表面等熵马赫数分布为预测模型的输出参数，采用CFD求解器，采集初始叶栅数据库中二维叶栅型线的流场分布数据，构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；将初始样本数据库按照训练集：验证集：测试集＝8：1：1的比例划分训练集为{[X]i*0.8，j}train，验证集为{[X]i*0.1，j}valid，测试集为{[X]i*0.1，j}test，其中i为初始二维叶栅数据库中的叶型总数，j为二维叶型吸力面和压力面的总点数，验证集中部分叶型或者工况参数在训练集中被学习，测试集中部分叶型或工况参数未在训练集中被学习；随机打乱训练集中的样本数据，作为神经网络模型的输入数据。
6.根据权利要求1所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，训练神经网络模型，在线性层和激活函数之间加入正则化层，进而对数据进行归一化处理。
7.根据权利要求6所述的基于相似性原理和深度学习的涡轮流场预测方法，其特征在于，确定神经网络结构，其中该神经网络模型共有五层网络层，包含1层输入层，1层输出层以及3层隐藏层；模型训练过程中，超参数优化过程首先采用Adam优化器，初始学习率设置为0.001，设置训练迭代次数为4000步。
8.基于相似性原理和深度学习的涡轮流场预测系统，其特征在于，包括：
参数选取模块，用于选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
数据库建立模块，用于根据选取的输入变量，构建原始叶型库，同时将原始叶型库沿轴向弦长进行归一化，生成归一化的涡轮叶型数据库；
初始样本数据集构建模块，用于构建二维叶型归一化的离散点坐标数据等几何参数以及气动参数与等熵马赫数分布的初始样本数据集；
模型划分模块，用于将初始样本数据集划分训练集、验证集和测试集，训练神经网络模型；
预测模块，用于根据已训练好的模型预测新二维叶栅型线新气动参数下的流场参数分布，验证预测模型的准确度和泛化性。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于相似性原理和深度学习的涡轮流场预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于相似性原理和深度学习的涡轮流场预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310070935.6A CN115983137B (zh) | 2023-01-31 | 2023-01-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310070935.6A CN115983137B (zh) | 2023-01-31 | 2023-01-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115983137A true CN115983137A (zh) | 2023-04-18 |
| CN115983137B CN115983137B (zh) | 2024-05-31 |
Family
ID=85976078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310070935.6A Active CN115983137B (zh) | 2023-01-31 | 2023-01-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983137B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313579A (zh) * | 2023-10-07 | 2023-12-29 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158538A (zh) * | 2021-01-19 | 2021-07-23 | 中山大学 | 一种复杂结构沸腾表面的热流密度软测量方法 |
| WO2021200249A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for wind flow turbulence measurement by lidar in a complex terrain |
| CN113705077A (zh) * | 2021-07-13 | 2021-11-26 | 哈尔滨工业大学 | 基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备 |
| CN114004170A (zh) * | 2021-10-19 | 2022-02-01 | 苏州湍流数字科技有限公司 | 基于有限测点的叶栅流场的重构方法 |
| CN114154275A (zh) * | 2022-02-10 | 2022-03-08 | 北京航空航天大学 | 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法 |
| CN114254460A (zh) * | 2021-12-28 | 2022-03-29 | 西安交通大学 | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 |
| CN115114868A (zh) * | 2022-07-13 | 2022-09-27 | 哈尔滨工业大学 | 基于深度学习与损失权重分析的涡轮损失模型构建方法 |
-
2023
- 2023-01-31 CN CN202310070935.6A patent/CN115983137B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021200249A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for wind flow turbulence measurement by lidar in a complex terrain |
| CN113158538A (zh) * | 2021-01-19 | 2021-07-23 | 中山大学 | 一种复杂结构沸腾表面的热流密度软测量方法 |
| CN113705077A (zh) * | 2021-07-13 | 2021-11-26 | 哈尔滨工业大学 | 基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备 |
| CN114004170A (zh) * | 2021-10-19 | 2022-02-01 | 苏州湍流数字科技有限公司 | 基于有限测点的叶栅流场的重构方法 |
| CN114254460A (zh) * | 2021-12-28 | 2022-03-29 | 西安交通大学 | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 |
| CN114154275A (zh) * | 2022-02-10 | 2022-03-08 | 北京航空航天大学 | 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法 |
| CN115114868A (zh) * | 2022-07-13 | 2022-09-27 | 哈尔滨工业大学 | 基于深度学习与损失权重分析的涡轮损失模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAIZHOU 等: "A generative deep learning framework for airfoil flow field prediction with sparse data", 《CHINESE JOURNAL OF AERONAUTICS》, vol. 35, no. 1, 15 January 2022 (2022-01-15), pages 470 - 484, XP086908936, DOI: 10.1016/j.cja.2021.02.012 * |
| 奕建苗 等: "快速预测跨声速流场的深度学习方法", 《航空学报》, vol. 43, no. 11, 1 March 2022 (2022-03-01), pages 526747 - 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313579A (zh) * | 2023-10-07 | 2023-12-29 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
| CN117313579B (zh) * | 2023-10-07 | 2024-04-05 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115983137B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115577275A (zh) | 一种基于lof和孤立森林的时序数据异常监测系统及方法 | |
| Nikiforov et al. | Vaneless diffusers characteristics simulating by means of neural networks | |
| CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
| CN114372318A (zh) | 设计参数确定方法、装置、电子设备及可读存储介质 | |
| CN114254460B (zh) | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 | |
| CN111027148B (zh) | 损失落后角模型自动标定及工业轴流压缩机性能计算方法 | |
| CN112925909B (zh) | 一种考虑局部不变性约束的图卷积文献分类方法及系统 | |
| CN114154275B (zh) | 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法 | |
| CN115983137A (zh) | 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 | |
| US9659122B2 (en) | Aerodynamic design optimization using information extracted from analysis of unstructured surface meshes | |
| CN112164426A (zh) | 基于TextCNN的药物小分子靶点活性预测方法和装置 | |
| CN107203364B (zh) | 一种用于压气机全工况特性的预测和辨识方法 | |
| 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 | |
| CN113705077A (zh) | 基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备 | |
| CN113343390B (zh) | 基于神经网络非线性模型的发动机线性化建模方法 | |
| CN110837853A (zh) | 一种快速分类模型构建方法 | |
| Marx et al. | A machine learning based approach of performance estimation for high-pressure compressor airfoils | |
| Wang et al. | Transfer optimization in accelerating the design of turbomachinery cascades | |
| CN114970698A (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
| Wang et al. | Performance dispersion control of a multistage compressor based on precise identification of critical features | |
| Guo et al. | An efficient surrogate-assisted differential evolution algorithm for turbomachinery cascades optimization with more than 100 variables | |
| CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 | |
| CN117454721B (zh) | 基于数字仿真实验的风电场尾流叠加效应评估方法和介质 |
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 |