JP7208269B2 - ターボ機械翼の設計及び製造 - Google Patents

Description

本発明は、ターボ機械翼を設計するための方法に関する。更に、本発明は、ターボ機械翼を製造するための方法に関する。更に本発明は、演算ユニット並びに機械可読性の記憶媒体に関する。

ターボ機械翼の設計は、複雑なプロセスである。これは、とりわけ、一方では、ターボ機械翼の特徴付けのためには通常複数の翼パラメータが必要とされまた設計されるターボ機械翼は（特に、流体力学、強度、熱工学等の異なる専門分野からの）複数の異なる境界条件を満たすべきであること、に起因し得て、また他方では、往々にして、要求される境界条件と境界条件が保たれ得る翼パラメータの間の、大抵複雑な関係／依存性に関する明示的な知識がほとんどないこと、に起因し得る。

人工ニューラルネットワークは、多くの技術分野において、異なるパラメータ間の複雑な関係／依存性を（トレーニングデータに基づいて）独立して学習することを実証した。特に、（トレーニングされた）人工ニューラルネットワークは、所望の境界条件を満たすことが出来るターボ機械翼の翼パラメータを予測するために、使用することが出来る。

ターボ機械翼、特にタービンブレードを設計するための方法は、例えばJose M. Sanzによる非特許文献１並びにFan-zhen Zhou等による非特許文献２で、開示されている。

会議報告「A Neural Network Aero Design System for Advanced Turbo-Engines」（https://ntrs.nasa.gov/search.jsp?R=19990019840から入手可能） 論文「The Development of Highly Loaded Turbine Rotating Blades by Using 3D Optimization Design Method of Turbomachinery Blades Based on Artificial Neural Network & Genetic Algorithm」（Chinese Journal of Aeronautics Vol. 16 No. 4で公表）

本発明の課題は、本発明の１つの目的は、ニューラルネットワークの使用に基づくターボ機械翼の設計、並びに、特に、そのような設計プロセスに基づくターボ機械翼の製造を改善することである。

この課題は本発明に従い、この目的は、本発明によれば、請求項１に記載の方法によって、請求項１３に記載の方法によって、請求項１４に記載の演算ユニットによって、並びに、請求項１５に記載の機械可読の記憶媒体によって、解決される。

本発明の有利な実施形態は、その他の請求項並びに以下の明細書の対象である。

ターボ機械翼を設計するための本発明に従う方法では、設定された入力パラメータがニューラルネットワークシステムに送信される。ニューラルネットワークシステムによって、翼パラメータは、送信された入力パラメータを用いて算出及び出力される。本発明に従い、ニューラルネットワークシステムは、それぞれ１つの出力層を有する複数の別個のニューラルネットワークを有し、それらの各ニューラルネットワークは、１つ又は複数の翼パラメータを算出しまたその出力層を介して出力することが、企図されている。ニューラルネットワークシステムの別個のニューラルネットワークには、第１のニューラルネットワーク及び第２のニューラルネットワークが属している。更に、本発明に従い、第１のニューラルネットワークによって算出されその出力層を介して出力される１つ又は複数の翼パラメータが、第２のニューラルネットワークによって算出されその出力層を介して出力される１つ又は複数の翼パラメータとは異なっていること、が企図されている。

言い換えれば、本発明は、算出される翼パラメータが別個のニューラルネットワークによって算出されること（即ち、算出される全ての翼パラメータが同一のニューラルネットワークによって算出されるわけではないこと）を企図している。それにより、ニューラルネットワークシステムのそれぞれのニューラルネットワークは、全ての翼パラメータが同一のニューラルネットワークによって算出される場合と比較して、より少ない（異なる）翼パラメータを算出すればよく、また、ニューラルネットワークシステムによって算出される翼パラメータの予測精度の改善、或いは、ニューラルネットワークシステムによって算出される翼パラメータの（予測）誤差の低減、が達成され得る。

ニューラルネットワークシステムによって算出される翼パラメータの「予測精度」は、この場合、ニューラルネットワークシステムによって算出される翼パラメータの値が、要求される入力パラメータを最も良く実現される最適な翼パラメータ値にどれだけ近いか、に関係している。ニューラルネットワークシステムによって算出される翼パラメータの値が最適な翼パラメータ値に近いほど、この翼パラメータの予測精度は高くなる（また、その（予測）誤差は小さくなる）。

更に、別個のニューラルネットワークに分配された翼パラメータの算出は、物理的に関連する翼パラメータ（例えば異なる厚さパラメータなど）を同一のニューラルネットワークを使用して算出することを可能にし、他方で、互いに関連する他の翼パラメータ（例えば異なる曲率パラメータなど）は、ニューラルネットワークシステムの別個のニューラルネットワークを使用して算出される。即ち、異なるニューラルネットワークへの翼パラメータの算出の分配は、問題固有の方法で物理的関係を考慮に入れて、行われる。このような場合、別個のニューラルネットワークに分配された翼パラメータ決定は、翼パラメータの予測精度に対して格別に有利な作用を及ぼす。

ニューラルネットワークシステムのニューラルネットは、人工ニューラルネットワーク（英:artificial neural network）である。より良い読みやすくするため、「人工的」なる用語は、本明細書及び特許請求の範囲においては省略される。

設計されるべきターボ機械翼は例えば、特にガスタービンシステム用の、タービン翼又は圧縮機翼であってもよい。

上述のように、ニューラルネットワークシステム或いはそのニューラルネットワークによって、翼パラメータが出力される。即ち、翼パラメータは、ニューラルネットワークシステム或いはそのニューラルネットワークの出力パラメータである。

本発明の意味では、翼パラメータは、ターボ機械翼自体を特徴付けるパラメータ、及び／又は翼環におけるその配置／向きを特徴付けるパラメータである。

合目的には、ニューラルネットワークシステムのそれぞれのニューラルネットワークは、その出力層に加えて入力層を有している。

ニューラルネットワークシステムへ送信される入力パラメータは、特に、ターボ機械翼に対する所望の境界条件、複数のそのようなターボ機械翼を有する翼環に対する所望の境界条件、及び／又は（翼又は翼環を用いて実現される）流体流れに対する所望の境界条件に関係している。

更に、翼パラメータの少なくともいくつかは、ターボ機械翼のハブ側の端部とハブから離れたターボ機械翼の端部の間の、１つの翼断面又は複数の異なる翼断面に関係することが出来る。

上述のように、ニューラルネットワークシステムには、第１のニューラルネットワーク及び第２のニューラルネットワークが属している。更に、ニューラルネットワークシステムは、少なくとも１つの更なるニューラルネットワークを含んでいてもよく、当該更なるニューラルネットワークは、第１のニューラルネットワーク及び第２のニューラルネットワークによって算出される翼パラメータとは異なる１つ又は複数の翼パラメータを、算出しまたその出力層を介してそれらを出力する。

合目的には、ニューラルネットワークシステムのそれぞれのニューラルネットワークは、翼パラメータを算出する前に、トレーニングデータを用いてトレーニングされる。

トレーニングデータは、特に基本トレーニングデータベースの真ではないサブセット（unechte Teilmenge）又は真のサブセット（echte Teilmenge）である。基本トレーニングデータベースは、例えば、ターボ機械翼の以前の設計時及び／又は翼設計の以前の最適化時に得られたデータを、含んでいてもよい。言い換えれば、基本トレーニングデータベースは、以前の設計及び／又は最適化プロジェクトからのデータを含んでいてもよい。これらのデータは、特に、測定及び／又はシミュレーションに基づいていてもよい。

基本トレーニングデータベースが冗長パラメータを含むかどうかがチェックされる場合が有利である。次に、場合によっては存在する冗長パラメータがフィルタリングされ得る。それにより、翼パラメータを算出するために必要とされる入力パラメータの数は低く保たれ得て、また、ニューラルネットワークシステムのトポロジーは簡潔に保たれ得る。更に、個々のニューラルネットワークのためのトレーニング時間は短く保たれ得る。

有利には、ニューラルネットワークをトレーニングするために使用されるトレーニングデータは、基本トレーニングデータベースに対応する、又は、基本トレーニングデータベースが冗長パラメータを含む場合には、冗長パラメータについて処理された基本トレーニングデータベースに対応する。

基本トレーニングデータベースが冗長パラメータを含むかどうかのチェックは、例えば、統計的方法を使用して、特にピアソン相関係数に基づいて、実行することが出来る。基本トレーニングデータベースからのパラメータがトレーニングデータ内へは入らないかどうかが決定される前に、特に、このパラメータが統計的観点だけでなく、物理的観点からも冗長であるかどうかがチェックされる。それにより、基本トレーニングデータベースからのパラメータと、基本トレーニングデータベースからの別個のパラメータとの間に偶然の統計的関係が確認されたという理由だけで、この基本トレーニングデータベースからのパラメータがトレーニングデータ内へ入らないことが避けられ得る。

本発明の意味では、基本トレーニングデータベースからのパラメータは、特に、このパラメータと基本トレーニングデータベースからの別個のパラメータとの間に、例えば線形関係などの相関がある場合には、冗長であってもよい。基本トレーニングデータベースからパラメータ間の相関を見つけるためには、例えば、「入力マージ（input merging）」又は「相互情報を使用した適応特徴選択（adaptive feature selection by using mutual Information）」などの方法が使用され得る。

好ましくは、ニューラルネットワークシステムによって算出される翼パラメータは、幾何学的翼パラメータを含む。

幾何学的翼パラメータの少なくともいくつかは、例えば、翼断面（即ち、ターボ機械翼の翼弦）を特徴付けることが出来る。更に、幾何学的翼パラメータのうちの少なくともいくつかは、ターボ機械翼のハブ側の端部とターボ機械翼のハブから離れた端部の間の異なる翼セクションに関係することが出来る。

幾何学的翼パラメータは、１つ又は複数の曲率パラメータ又は１つ又は複数の厚さパラメータを含むことが出来る。

本発明では、幾何学的翼パラメータは、１つ又は複数の曲率パラメータ及び１つ又は複数の厚さパラメータの両方を含む。更に、１つ又は複数の曲率パラメータが、ニューラルネットワークシステムの別個のニューラルネットワークによって算出され、また、１つ又は複数の厚さパラメータとしてその出力層を介して出力される。

上述の１つ又は複数の厚さパラメータは、とりわけ、後方の翼部分の半分における翼弦厚さ、前縁半径（ノーズ半径とも称される）、最大翼厚、前縁と最大キャンバー地点間の距離、及び／又は、後縁角であるか、或いは、これらのパラメータのうちの少なくとも１つを含むことが出来る。

本発明の文脈において、「後方の翼部分」は、翼断面／翼弦の一部分であって、最大翼厚が存在する（翼弦線上の）位置からターボ機械翼の後縁まで延びている部分を意味している。後方の翼部分の「半分」は、最大翼厚の位置からターボ機械翼の後縁までの（翼弦線に沿った）経路の半分を指す。

上述の１つ又は複数の曲率パラメータは、とりわけ、最大キャンバー、前縁と最大キャンバー地点間の距離、後縁における翼弦線と中心線の間の角度、及び／又は、食違い角であるか、或いは、これらのパラメータのうちの少なくとも１つを含むことが出来る。

本発明の別の好ましい実施バリエーションでは、幾何学的翼パラメータは、１つ又は複数の翼表面を特徴付ける自由曲線をパラメータ化する。前記自由曲線は、特にベジェ曲線であってもよい。

本発明では、ニューラルネットワークシステムに送信される入力パラメータは、２次元パラメータである。これらはそれぞれ、値ペアによって（即ち、互いに関連する２つの値によって）、決定される／決定可能なパラメータである。入力パラメータは、例えば少なくとも１つのマッハ数分布、特に引圧側マッハ数分布及び／又は押圧側マッハ数分布、を表すことが出来る。代替的に又は追加的に、入力パラメータは、少なくとも１つの圧力分布、特に引圧側圧力分布及び／又は押圧側圧力分布を表すことが出来る。

この場合、マッハ数分布は、ターボ機械翼の正規化された翼弦深さ（英：normalized chord）の関数としてのマッハ数、或いは、この関数の延び具合、として理解されるべきである。同様に、この場合の圧力分布は、流れ機械ブレードの正規化されたプロフィール深さの関数としての圧力、或いは、この関数の延び具合、として理解されるべきである。

更に、ニューラルネットワークシステムのニューラルネットワークをトレーニングした後でありまた翼パラメータを算出する前に、複数のニューラルネットワークの少なくとも１つにおいて、例えば「optimal brain damage（最適な脳損傷）」、「early brain damage（早期脳損傷）」、又は「inverse kurtosis（逆尖度）」などの枝刈り方法を使用して、１つ又は複数の存在しているニューロン接続が切断される場合が、有利である。この方法では、所謂オーバーフィットを防止することが出来る。加えて、ニューラルネットワークシステムの一般化能力が向上され得る。即ち、ニューラルネットワークがトレーニングされなかった出力の品質が改善され得て、場合によっては生じ得る後続の最適化のための残りの最適化空間は低減され得る。

更に、ニューラルネットワークシステムによって算出される翼パラメータは、ターボ機械翼の翼効率を含んでいてもよい。代替的に又は追加的に、ニューラルネットワークシステムによって算出される翼パラメータは、ターボ機械翼の対数減衰率を含んでいてもよい。ターボ機械翼の対数減衰率は、ターボ機械翼の減衰挙動の尺度である。

更に、ニューラルネットワークシステムによって算出される翼パラメータが、一方では、幾何学的翼パラメータを含み、また他方では、例えばターボ機械翼の翼効率及び／又は対数減衰率などの少なくとも１つの追加の翼パラメータを含む場合が、好ましい。この様態では、特に、流体力学、強度、熱工学などの異なる複数の専門分野の設計／レイアウトプロセスを、それらを従来のように漸次的に実行する代わりに、１つの共通の設計／レイアウトプロセスにまとめることが可能である。そのような多くの専門分野に渡る１つ設計／レイアウトプロセスは、より短い設計／レイアウト時間を可能にする。加えて、そのような多くの専門分野に渡る設計／レイアウプロセスは、場合によっては起こりえる個々の専門分野での後続の最適化に対する最適化の余地を、既に非常に限定することが出来る。

ニューラルネットワークシステムの別個のニューラルネットワークは、（第１及び第２のニューラルネットワークに加えて）有利には第３のニューラルネットワークを含む。例えば以下のことが企図されていてもよい、即ち、第１のニューラルネットワークによって幾何学的翼パラメータが算出されまたその出力層を介して出力され、第２のニューラルネットワークによって翼効率が算出されまたその出力層を介して出力され、そして、第３のニューラルネットワークによってターボ機械翼の対数減衰率が算出されまたその出力層を介して出力されること、が企図されていてもよい。このような場合、ニューラルネットワークシステムは、翼パラメータとして多分野に渡るパラメータを供給する。

本発明によれば、ターボ機械翼のいわゆる逆設計を達成することが出来る。即ち、所定の入力パラメータに基づいて、この入力パラメータを実現可能な翼パラメータ、特に幾何学的翼パラメータ、が算出及び出力され得る。

本発明の別の好ましい実施形態では、ニューラルネットワークシステムに送信される入力パラメータは、１次元パラメータである。これらは、それぞれ単一の値によって決定されている／決定可能なパラメータである。入力パラメータは、例えば、１つ又は複数の流れ変数、１つ又は複数の熱力学変数、及び／又は、１つ又は複数の幾何学変数、であってもよく、或いは、これらのパラメータのうちの少なくとも１つを含んでもよい。

上述の１つ又は複数の流れ変数は、例えば、流入マッハ数、流出マッハ数、流入角、偏向角、及び／又は翼環回転数であってもよく、或いは、これらのパラメータのうちの少なくとも１つを含んでもよい。

上述の１つ又は複数の幾何学的変数は、例えば、後縁半径、及び／又は、分割比であってもよく、或いは、これらのパラメータの少なくとも１つを含んでもよい。

この場合、分割比としては、翼環のピッチ（即ち、翼環の円周線に沿った隣り合う２つの翼の間の距離）の、それぞれの翼の翼弦深さに対する比、が理解されるべきである。

更に、上述の１つ又は複数の熱力学的変数は、例えば、引圧側温度及び／又は押圧側温度であってもよく、或いは、これらのパラメータのうちの少なくとも１つを含んでもよい。

ニューラルネットワークの少なくとも１つが、その出力層に加えて、入力層並びに複数の中間層（「隠れ層」とも呼ばれる）を有する場合が、有利である。即ち、有利には、ニューラルネットワークの少なくとも１つは深いニューラルネットワーク（「ディープニューラルネットワーク」とも称される）である。合目的には、そのような複数の中間層を有するニューラルネットワークの個々の層は、互いに階層的にリンクされている。ディープニューラルネットワークは、予測が困難な（翼）パラメータを算出するのに格別に良好に適している。

好ましい様態では、このようなネットワークの層の少なくとも１つからパラメータが算出され、このパラメータは、このニューラルネットワークの他の層の１つに送信される。この様態で、例えば、より容易に予測可能なパラメータの算出時に得られた或いは学習された知識が、より困難に予測可能なパラメータを算出するために、用いられ得る。

更に、ニューラルネットワークのうちの少なくとも１つが、複数のニューラルサブネットワークのアンサンブルを含むことが企図され得る。アンサンブルのニューラルサブネットワークは、例えば、それらのネットワーク構造に関して互いに異なっていてもよい。好ましくは、このアンサンブルの各ニューラルサブネットワークへは、同じ入力パラメータが送信される。

有利には、このアンサンブルの各ニューラルサブネットワークにより、同一の翼パラメータに対し、それぞれ１つの翼パラメータ値が算出される。更に、アンサンブルのニューラルサブネットワークによって算出された翼パラメータ値が、重み付けされて又は重み付けされず、平均化される場合が有利であり、その際、この方法で得られた平均化された翼パラメータ値は、アンサンブルが属する上述のニューラルネットワークによって、その出力層を介して翼パラメータとして出力される。個々のサブネットワークの予測誤差が特定されるので、上述の平均化によって、出力される翼パラメータの予測誤差を低く保つことが出来る。

アンサンブルが属する上述のニューラルネットワークは、特に複数のそのようなアンサンブルを含んでもよい。これらは、互いに階層的にリンクされていてもよい。アンサンブルのうちの少なくとも１つは、例えば入力パラメータとしてこのニューラルネットワークの他のアンサンブルのうちの１つに送信されるパラメータを、算出することが出来る。この方法で、例えば、より容易に予測可能なパラメータの算出時に得られた或いは学習された知識を、より困難な予測パラメータを算出するために、使用することが出来る。

アンサンブルの１つからこのニューラルネットワークの他のアンサンブルの１つに送信されるパラメータは、好ましくは、アンサンブルが属している上述のニューラルネットワークによってその出力層を介して出力される翼パラメータである。

更に、それぞれのアンサンブルのサブネットワークのうちの少なくとも１つは、所謂「ディープニューラルネットワーク（英：deep neural network）」として形成されていてもよい。

冒頭で述べたように、本発明は、ターボ機械翼を製造する方法に関する。

ターボ機械翼を製造するための本発明に従う方法は、以下の工程を有している、即ち、
- ターボ機械翼を設計するための本発明に従う方法によりターボ機械翼を設計する工程であり、翼パラメータが算出される工程、
- 場合によっては、少なくとも１つの最適化基準を考慮して翼パラメータのうちの１つ又は複数を変更する工程、
- 算出され場合によっては変更された翼パラメータに応じてターボ機械翼を製造する工程、
を有している。

製造方法の第２の工程は任意である。即ち、算出された翼パラメータが少なくとも１つの最適化基準を考慮して変更されることなしに、ターボ機械翼が、ニューラルネットワークシステムを用いて算出された翼パラメータに従って、製造されてもよい。

ターボ機械翼を製造する際には、特に、例えば選択的レーザ溶融、選択的レーザ焼結等のような、生成的製造プロセスを使用することが出来る。

本発明は、更に、冒頭で述べたように、演算ユニット並びに機械可読記憶媒体にも関する。

更にターボ機械翼を設計するための本発明に従う方法に関連して上述した、実施形態、実施の詳細、及び、利点は、本発明に従う演算ユニット及び本発明に従う記憶媒体にも関連し得る。

本発明に従う演算ユニットは、ターボ機械翼を設計するための本発明に従う方法を実行するように調整されている。演算ユニットはニューラルネットワークシステムを含み、当該ニューラルネットワークシステムは、所定の入力パラメータを受け取り、受け取った入力パラメータに基づいて翼パラメータを算出及び出力するように、調整されている。本発明に従い、演算ユニットのニューラルネットワークシステムは、各々が１つの出力層を有する複数の別個のニューラルネットワークを含み、それらの各々は、翼パラメータのうちの１つ又は複数を算出しまたその出力層を介して出力するように、調整されている。別個のニューラルネットワークには、第１のニューラルネットワーク並びに第２のニューラルネットワークが属している。第１のニューラルネットワークは、翼パラメータのうちの１つ又は複数を算出しまたその出力層を介して出力するように調整されている。更に、第２のニューラルネットワークは、第１のニューラルネットワークによって算出及び出力される１つ又は複数の翼パラメータとは異なる翼パラメータのうちの、１つ又は複数を、算出しまた出力層を介して出力するように調整されている。

記載された方法工程を実行するための演算ユニットの調整は、演算ユニットが方法工程を実行することを可能にする対応するコンピュータプログラムを演算ユニットに備えさせることによって、行われ得る。

本発明に従う機械可読性の記憶媒体はプログラムコードを有し、当該プログラムコードによって、プログラムコードが演算ユニットによって実行される場合、演算ユニットは、ターボ機械翼を設計するための本発明に従う方法を実施する。

機械可読性の記憶媒体は、本発明に従う演算ユニットの構成要素であってもよい、又は、本発明に従う演算ユニットに接続されていてもよい。

本発明の好ましい構成のこれまでに与えられた説明は、個々の従属請求項で一部複数にまとめられている多数の特徴を含んでいる。しかしながら、これらの特徴は、個々に見られてもよいし、有用なさらなる組み合わせにまとめられてもよい。特に、これらの特徴は、別個に及び任意の適切な組み合わせで、本発明に従う方法、本発明に従う演算ユニット、並びに、本発明に従う記憶媒体と、組み合わせることが出来る。更に、方法の特徴は、対応する装置ユニットの特性として見なすことも出来る。

本発明の上記の特性、特徴及び利点、並びに、それらがどのように達成されるかの方法は、図面に関連してより詳細に説明される本発明の実施例の以下の説明に関連して、より明確でより理解しやすくなるであろう。実施例は、本発明の説明に用いられるが、本発明を、そこで述べられた特徴の組み合わせに限定するものではなく、機能的な特徴に関して限定するものでもない。更に、それぞれの実施例の適切な特徴は、明確に分離して着目され得て、１つの実施例から切り離して、別の実施例へそれを補足するために導入され得て、そして任意の請求項と組み合わされ得る。

ターボ機械翼を設計するための本発明に従う第１の演算ユニットの実施例を示す。 ターボ機械翼の翼弦を示す。 ニューラルネットワークのニューロンの種々の層がマッピングされているニューラルネットワークの概略図を示す。 押圧側並びに引圧側のマッハ数分布が表されているグラフを示す。 複数のサブネットワークのアンサンブルを含むニューラルネットワークの概略図を示す。 ターボ機械翼を設計するための本発明に従う第２の演算ユニットの実施例を示す。

図１は、ターボ機械翼を設計するための第１の演算ユニット２を概略的に示している。

この演算ユニット２は、ニューラルネットワークシステム４を含み、当該ニューラルネットワークシステム４は、所定の入力パラメータ６を受け取るように、並びに、設計されるターボ機械翼及び翼環でのその意図された配置／配向を特徴付ける複数の翼パラメータ８を、受け取った入力パラメータ６に基づいて、算出及び出力するように、調整されている。

ニューラルネットワークシステム４は複数の別個のニューラルネットワーク１０を含み、それらはそれぞれ出力層を有している（図３参照）。図１の実施例では、ニューラルネットワークシステム４は、第１のニューラルネットワーク１２、第２のニューラルネットワーク１４、第３のニューラルネットワーク１６、並びに、第４のニューラルネットワーク１８を含んでいる。

入力パラメータ６であって、それらに基づいてニューラルネットワークシステム４が翼パラメータ８を算出及び出力する入力パラメータ６は、４つのニューラルネットワーク１２～１８の各々に送信される。この実施例では、入力パラメータ６は、翼断面の周りの引圧側のマッハ数分布Мａ_ＳＳを表すｎ個の２次元パラメータ、並びに、上述の翼断面の周りの押力側のマッハ数分布Мａ_ＰＳを表すｍ個の２次元パラメータを含み（図４参照）、その際、ｎ及びｍは１より大きい自然数である。言い換えれば、入力パラメータ６は、引圧側マッハ数分布Мａ_ＳＳのｎ個の点及び押圧側マッハ数分布Мａ_ＰＳのｍ個の点である。入力パラメータ６の各々は、第１の値として、正規化された翼弦深さｘ_ｉを含み、また、第２の値として、関連する引圧側のマッハ数Мａ_ＳＳ（ｘ_ｉ）或いは押圧側のマッハ数Мａ_ＰＳ（ｘ_ｉ）を含む。

翼パラメータ８の算出は、４つのニューラルネットワーク１２～１８へ分けられ、４つのニューラルネットワーク１２～１８の各々が、翼パラメータ８の１つ又は複数を算出またその出力層を介して出力し、その場合、それぞれのニューラルネットワーク１２～１８によって算出されまたその出力層を介して出力される１つ又は複数の翼パラメータは、別個のニューラルネットワーク１２～１８によって算出されまた出力される翼パラメータとは、異なっている。

第１及び第２のニューラルネットワーク１２、１４によって算出される翼パラメータは、幾何学的翼パラメータ２０である。本実施例では、第１のニューラルネットワーク１２により、翼の曲率パラメータ２２（ここでは、一例として、最大キャンバーＦ、前縁と最大キャンバー地点間の距離Ｍ、後縁における翼弦線と翼中心線の間の角度γ_ｉ（図２参照）、並びに、食違い角λ）が算出されまたその出力層を介して出力される。他方、第２のニューラルネットワーク１４により、この翼の厚さパラメータ２４（ここでは、一例として、後方の翼部分の半分における翼厚ｙ_１/２、前縁半径Ｒ_０、最大翼厚Ｄ、前縁と最大翼厚地点間の距離Ｎ、並びに、後縁角ｗ_１）が算出されまたその出力層を介して出力される。

更に、第３のニューラルネットワーク１６は、ターボ機械翼の対数減衰率Ξを翼パラメータとして算出し、それをその出力層を介して出力する。第４のニューラルネットワーク１８によって、翼効率ηは、翼パラメータとして算出され、その出力層を介して出力される。

基本的に、ニューラルネットワークシステム４は、異なる数のニューラルネットワーク１０、１２～１８を有していてもよい。更に、翼パラメータ８の算出は、原則として、個々のニューラルネットワーク１０、１２～１８の間で異なって分配されていてもよい。

翼パラメータ８がニューラルネットワークシステム４を用いて算出される前に、４つのニューラルネットワーク１２～１８の各々は、トレーニングデータを用いてトレーニングされ、当該トレーニングデータは、以前の設計及び／又は最適化プロジェクトからのデータを含む基本トレーニングデータベースに基づいている。ニューラルネットワーク１２～１８を訓練する前に、最初に、基本トレーニングデータベースが冗長パラメータを含むかどうかが、チェックされる。基本トレーニングデータベースが冗長パラメータを含む場合、トレーニングデータとしては、冗長パラメータを処理された基本トレーニングデータベースのデータが利用される。ほかの場合では、基本トレーニングデータベースのすべてのデータが、トレーニングデータとして使用される。

ニューラルネットワーク１２～１８のトレーニングの後そして翼パラメータ８の算出の前に、場合によっては、１つ又は複数のニューラルネットワーク１２～１８において、枝刈り法を用いて、１つ又は複数の存在しているニューロン接続（図３参照）が切断される。

ターボ機械翼の上述の設計に続いて、ターボ機械翼の製造が行われる。

ターボ機械翼の製造前に、場合によっては、ニューラルネットワークシステム４によって算出され出力された翼パラメータ８のうちの少なくとも１つは、少なくとも１つの最適化基準を考慮に入れて、変更されてもよい。

ターボ機械翼の製造は、ニューラルネットワークシステム４によって算出され、場合によっては、例えば生成製造プロセスを用いて、変更された翼パラメータに従って、行われる。

図２は、ターボ機械翼２６の例示的な翼型を示す。

ターボ機械翼２６は、前縁２８（英：leading edge）及び後縁３０（英：trailing edge）を含む。更に、ターボ機械翼２６は、翼上面３２及び翼下面３４を有する。

図２には、ターボ機械翼２６の翼弦線３６と中心線３８の両方が示されている。更に、図２には、前述の翼パラメータ８のいくつかが見分けがつくようにされている。

図２で識別される翼パラメータ８には、とりわけ、ターボ機械翼２６の翼弦深さｔ（即ち、翼弦線３６の長さ）、前縁半径Ｒ_０、最大翼厚Ｄ、最大キャンバーＦ（即ち、翼弦線３６からの中心線３８の最大偏差）、後縁角ｗ_１（即ち、後縁３０における翼上面３２及び翼下面３４の間の角度）、及び、後縁３０における翼弦線３６と中心線３８の間の角度γ_１が属している。更に、図２で識別される翼パラメータ８には、前縁と最大キャンバー地点間の距離Ｍ（即ち、前縁２８に対する最大キャンバーＦの地点の翼弦線３６に沿った距離）、前縁と最大翼厚地点間の距離Ｎ（即ち、前縁２８に対する最大翼厚Ｄの地点の翼弦線３６に沿った距離）、並びに、後方の翼部分の半分における翼厚ｙ_１／２が属している。

図３は、ニューラルネットワーク１０の原理的な構造を表す概略図を示している。

図３に図示されているニューラルネットワーク１０は、複数の層を形成する複数の人工ニューロン４０を含んでいる。この場合、ニューロン４０は、入力パラメータを受け取るための入力層４２、出力層４４、並びに、第１の中間層４６及び第２の中間層４８、を形成している。ニューラルネットワーク１０の出力層４４を介して、１つ又は複数の出力パラメータが出力され、当該１つ又は複数の出力パラメータは、入力パラメータに基づいてニューラルネットワーク１０によって算出される。

図３のニューラルネットワーク１０では、入力層４２及び第２の中間層４８は３つのニューロン４０を含んでおり、それに対し、第１の中間層４６は５つのニューロン４０を含んでおり、また、出力層４４は１つのニューロン４０を含んでいるが、それぞれの層４２～４８のニューロン４０の数は単に一例として選択されたものである。

ニューラルネットワーク１０の個々の層４２～４８は、複数のニューロン接続５０によって、互いにリンクされており、当該ニューロン接続５０のそれぞれは、複数のニューロン４０のうちの２つを互いに接続している。この場合、入力層４２の各ニューロン４０は、第１中間層４６の各ニューロン４０に接続されている。更に、第１中間層４６のニューロン４０は、それぞれ、第２中間層４８の各ニューロン４０に接続されている。第２中間層４８の各ニューロン４０は、第２中間層側では出力層４４のニューロン４０に接続されている。

図１のニューラルネットワークシステム４の前述の４つのニューラルネットワーク１２～１８は、それぞれ、そのような構造又は類似の構造を有していてもよい。特に、ニューラルネットワークシステム４のそれぞれのニューラルネットワーク１２～１８は、異なる数の中間層４６、４８、異なる数のニューロン４０、並びに、異なる数のニューロン接続５０を有していてもよい。

図４は、縦軸がマッハ数Ｍａを表しまた横軸がターボ機械翼の正規化された翼弦長ｘを表す軸図を示しており、値０がターボ機械翼の前縁位置の正規化された翼弦長ｘに対応し、また、値１がターボ機械翼の後縁位置の翼弦長ｘに対応する、

この図では、翼断面の周りの例示的な引圧側マッハ数分布Мａ_ＳＳ並びにこの翼断面の周りの例示的な押圧側マッハ数分布Мａ_ＰＳが示されている。

更に、図４には、引圧側マッハ数分布Мａ_ＳＳのいくつかの点、並びに、押圧側マッハ数分布Мａ_ＰＳのいくつかの点が記入されており、それらの点は例えば入力パラメータとして図１のニューラルネットワークシステム４へ送信され得る。

具体的には、引圧側マッハ数分布Мａ_ＳＳは、（０．２｜Мａ_ＳＳ（０．２））、（０．４|Мａ_ＳＳ(０．４））、（０．６｜Мａ_ＳＳ（０．６））、（０．８｜Мａ_ＳＳ（０．８））及び（ｘ_ｍaｘ|Мａ_ＳＳ(ｘ_ｍａｘ））の点からなる。押圧側マッハ数分布Мａ_ＰＳは、（０．２｜Мａ_ＰＳ（０．２））、（０．４|Мａ_ＰＳ(０．４））、（０．６｜Мａ_ＰＳ（０．６））、（０．８｜Мａ_ＰＳ（０．８））の点からなる。代替的に又は追加的に、引圧側マッハ数分布Мａ_ＳＳの別の点、及び／又は、押圧側マッハ数分布Мａ_ＰＳの別の点が、入力パラメータとして図１のニューラルネットワークシステム４へ送信され得る。

図５は、１つ又は複数の翼パラメータを算出するためのニューラルネットワーク１０の概略図を示している。

図５のニューラルネットワーク１０は、複数の人工ニューロン４０を含む１つの入力層４２を有する。更に、このニューラルネットワーク１０は、複数のニューラルサブネットワーク５４のアンサンブル５２を含み、複数のニューラルサブネットワーク５４のそれぞれは入力層４２にリンクされている。ニューラルサブネットワーク５４のアンサンブル５２は、好ましくは、ニューラルネットワーク１０の１つ又は複数の（図５には図示されていない）中間層のニューロンによって、形成される。

入力層４２或いはそのニューロン４０から、複数の入力パラメータが受信され、当該入力パラメータはアンサンブル５２の各ニューラルサブネットワーク５４へ送信される。アンサンブル５２の各ニューラルサブネットワーク５４により、入力パラメータに基づいて、それぞれ、同一のパラメータ（例えば、最大翼厚Ｄ）に対する１つの翼パラメータ値５６が算出される。個々の翼パラメータ値５６は（重み付けされて又は重み付けさずに）平均化され、その結果、平均化された翼パラメータ値５８が得られる。平均化された翼パラメータ値５８は、ニューラルネットワーク１０によってその（図５には示されていない）出力層を介して翼パラメータとして出力される。

場合によりニューラルネットワーク１０は、更に別の翼パラメータを算出するために使用される、ニューラルサブネットワークの少なくとも１つの他のアンサンブルを、有していてもよい。そのような場合、平均化された翼パラメータ値５８は、上述の入力パラメータに加えて、追加のパラメータとして、更なるアンサンブル或いはそのニューラルサブネットワークへ、送信され得て、その結果、平均化された翼パラメータ５８は、別の翼パラメータの算出へ入り込むことが出来る。

図１のニューラルネットワークシステム４の４つのニューラルネットワーク１２～１８のうちの１つ又は複数が、図５のニューラルネットワーク１０と同じ構造及び同じ動作モードを有していてもよい。

以下の実施例の説明は、主として、同じ特徴及び機能に関して参照される先の実施例との相違に限定される。同一の及び／又は相互に対応する要素は、目的にかなう限り、同じ参照番号で示され、言及されていない特徴は、以下の実施例でも、再度説明されることなく引き継がれる。

図６はターボ機械翼を設計するための第２の演算ユニット６０を概略的に示している。

図１の演算ユニット２と同様に、図６の演算ユニット６０も、第１、第２、第３及び第４のニューラルネットワーク１２～１８を有するニューラルネットワークシステム４を含む。

この実施例では、１次元的なパラメータが、入力パラメータ６として、ニューラルネットワークシステム４の４つのニューラルネットワーク１２～１８へ送信される。入力パラメータ６は、この場合、いくつかの流れ変数（ここでは、例えば、流入マッハ数Мａ_iｎ、流出マッハ数Мａ_оｕｔ、流入角β_１、偏向角Δβ、及び、設定された翼環回転数ｎ_１）を含む。更に、入力パラメータは、６つの幾何学的パラメータ（ここでは、一例として、予定される後縁半径Ｒ_ＴＥ及び予定される分割比ｔ／ｓ)を含む。

先の実施例と同様に、この実施例でも、幾何学的翼パラメータ２０も第１及び第２のニューラルネットワーク１２、１４によって、幾何学的翼パラメータ２０は平均化されそして出力される。

第１のニューラルネットワーク１２により、この場合、曲率パラメータ２２（ここでは例えば、食違い角λ、並びに、ターボ機械翼のハブ側の端部とハブから離れた端部の間の異なる翼断面に対する、それぞれの、後縁における翼弦線と翼中心線の間の角度γ_ｉ）が、算出され、また、その出力層を介して出力される。それに対し、第２のニューラルネットワーク１４により、厚さパラメータ２４（ここでは例えば、ターボ機械翼のハブ側の端部とハブから離れた端部の間の異なる翼断面に対する、それぞれの、最大翼厚Ｄ及び前縁と最大翼厚地点間の距離Ｎ）が、算出され、また、その出力層を介して出力される。

図６内で翼パラメータ８のいくつかについてパーセントで指定された指数は、それぞれ、それぞれの翼パラメータが関係する翼断面の位置を表している。これらの（パーセントで指定された）指数の意味は、この場合次のように定義される、つまり、０％の指数は、ターボ機械翼のハブ側の端部に対応しているのに対し、１００％の指数は、ハブから離れたターボ機械翼のハブから離れた端部に対応している、と定義される。従って、インデックス５０％には、ターボ機械翼のハブ側の端部とハブから離れた端部の間の中間の位置が対応する。

本発明は、詳細に関して、好ましい実施例によって、より詳細に図解及び説明されてきたが、本発明は、開示された例によって限定されてはおらず、本発明の保護の範囲から逸脱することなく、そこから他のバリエーションを導出することが出来る。

２ 演算ユニット
４ ニューラルネットワークシステム
６ 入力パラメータ
８ 翼パラメータ
１０ ニューラルネットワーク
２０ 幾何学的翼パラメータ
２２ 曲率パラメータ
２４ 厚さパラメータ
２６ ターボ機械翼
４４ 出力層
４６ 中間層
４８ 中間層
５０ ニューロン接続
５２ アンサンブル
５６ 翼パラメータ値
５８ 翼パラメータ値
６０ 演算ユニット
Ξ 対数減衰率
η 翼効率
Мａ_ＳＳ 引圧側マッハ数分布
Мａ_ＰＳ 押圧側マッハ数分布
Мａ_iｎ 流入マッハ数
Мａ_оｕｔ 流出マッハ数
β_１ 流入角
Δβ 偏向角
Ｒ_ＴＥ 後縁半径
ｔ／ｓ 予定される分割比

Claims (11)

1. ターボ機械翼を設計するための方法であって、設定された入力パラメータ（６）がニューラルネットワークシステム（４）に送信され、前記ニューラルネットワークシステム（４）によって、翼パラメータが、送信された前記入力パラメータ（６）を用いて算出され出力される、方法において、
   前記ニューラルネットワークシステム（４）は、それぞれ１つの出力層（４４）を有する複数の別個のニューラルネットワーク（１０、１２～１８）を有し、それらの各ニューラルネットワークは１つ又は複数の翼パラメータ（８）を算出し、前記ニューラルネットワークの各々の出力層（４４）を介して出力し、前記ニューラルネットワークシステム（４）の前記別個のニューラルネットワーク（１０、１２～１８）には、第１のニューラルネットワーク及び第２のニューラルネットワークが属しており、前記第１のニューラルネットワークによって算出され前記第１のニューラルネットワークの出力層（４４）を介して出力される１つ又は複数の翼パラメータが、前記第２のニューラルネットワークによって算出され、前記第２のニューラルネットワークの出力層（４４）を介して出力される１つ又は複数の翼パラメータとは、異なっており、また、
   前記翼パラメータの算出の前に、前記ニューラルネットワークシステムの前記ニューラルネットワークの各々が、トレーニングデータを用いてトレーニングされ、
   前記ニューラルネットワークシステム（４）によって算出される前記翼パラメータ（８）は、幾何学的翼パラメータ（２０）を含み、
   前記幾何学的翼パラメータ（２０）が、
   １つ又は複数の曲率パラメータ（２２）及び１つ又は複数の厚さパラメータ（２４）を含み、前記１つ又は複数の曲率パラメータ（２２）が、前記ニューラルネットワークシステム（４）の前記別個のニューラルネットワーク（１０、１２～１８）によって算出され、前記別個のニューラルネットワークの出力層を介して前記１つ又は複数の厚さパラメータ（２４）として出力されるか、又は、
   １つ又は複数の翼表面を特徴付ける自由曲線を、パラメータ化し、
   前記ニューラルネットワークシステム（４）へ送信される前記入力パラメータ（６）は、２次元パラメータであり、前記入力パラメータ（６）は、少なくとも１つのマッハ数分布（Мａ_ＳＳ、Мａ_ＰＳ）、及び／又は、少なくとも１つの圧力分布、を表す、
   ことを特徴とする方法。
2. 請求項１に記載の方法において、
   前記翼パラメータ（８）の算出の前に、前記ニューラルネットワークシステム（４）の前記ニューラルネットワーク（１０、１２～１８）の各々が、トレーニングデータを用いてトレーニングされ、前記トレーニングデータは、基本トレーニングデータベースの真ではないサブセット又は真のサブセットであり、前記基本トレーニングデータベースが冗長パラメータを含むかどうかがチェックされ、前記ニューラルネットワーク（１０、１２～１８）をトレーニングするために使用される前記トレーニングデータは、基本トレーニングデータベースに対応し、又は、前記基本トレーニングデータベースが冗長パラメータを含む場合には、冗長パラメータについて処理された基本トレーニングデータベースに対応する、
   ことを特徴とする方法。
3. 請求項１又は２に記載の方法において、
   前記翼パラメータ（８）の算出の前に、前記ニューラルネットワークシステム（４）の前記ニューラルネットワーク（１０、１２～１８）の各々が、トレーニングデータを用いてトレーニングされ、前記ニューラルネットワークシステム（４）の前記ニューラルネットワーク（１０、１２～１８）のトレーニングの後そして前記翼パラメータ（８）の算出の前に、少なくとも１つ前記ニューラルネットワーク（１０、１２～１８）において、枝刈り法を用いて、１つ又は複数の存在しているニューロン接続（５０）が切断される、
   ことを特徴とする方法。
4. 請求項１から３のいずれか１項に記載の方法において、
   前記ニューラルネットワークシステム（４）によって算出される前記翼パラメータ（８）が、前記ターボ機械翼（２６）の翼効率（η）、及び／又は、前記ターボ機械翼（２６）の対数減衰率（Ξ）を含んでいる、
   ことを特徴とする方法。
5. 請求項１から４のいずれか１項に記載の方法において、
   前記ニューラルネットワークシステム（４）の前記別個のニューラルネットワーク（１０、１２～１８）に、第３のニューラルネットワークが属しており、
   前記第１のニューラルネットワークによって幾何学的翼パラメータ（２０）が算出され、前記第１のニューラルネットワークの出力層を介して出力され、前記第２のニューラルネットワークによって翼効率（η）が算出され、前記第２のニューラルネットワークの出力層を介して出力され、前記第３のニューラルネットワークによってターボ機械翼の対数減衰率（Ξ）が算出され、前記第３のニューラルネットワークの出力層を介して出力される、
   ことを特徴とする方法。
6. 請求項１から５のいずれか１項に記載の方法において、
   前記ニューラルネットワークシステム（４）へ送信される入力パラメータ（６）は、１次元パラメータであり、前記入力パラメータ（６）は、１つ又は複数の流れ変数（Мａ_iｎ、Мａ_оｕｔ、β_１、Δβ、ｎ_１）、１つ又は複数の熱力学変数、及び／又は、１つ又は複数の幾何学変数（Ｒ_ＴＥ、ｔ／ｓ）、であるか又はそれらを含む、
   ことを特徴とする方法。
7. 請求項１から６のいずれか１項に記載の方法において、
   前記ニューラルネットワーク（１０、１２～１８）のうちの少なくとも１つが、複数の中間層（４６、４８）を有する、
   ことを特徴とする方法。
8. 請求項１から７のいずれか１項に記載の方法において、
   前記ニューラルネットワーク（１０、１２～１８）のうちの少なくとも１つが、複数のニューラルサブネットワーク（５４）のアンサンブル（５２）を含み、
   このアンサンブル（５２）の各ニューラルサブネットワーク（５４）により、同一の翼パラメータに対し、それぞれ１つの翼パラメータ値が算出され、
   前記アンサンブル（５２）の前記ニューラルサブネットワーク（５４）によって算出された前記翼パラメータ値（５６）が、重み付けされて又は重み付けされないで、平均化され、この方法で得られた平均化された翼パラメータ値（５８）は、前記アンサンブル（５２）が属している前記ニューラルネットワーク（１０、１２～１８）によって、翼パラメータとして出力される、
   ことを特徴とする方法。
9. ターボ機械翼を製造するための方法であって、
   請求項１から８のいずれか１項に記載の方法に従い前記ターボ機械翼（２６）を設計し、前記翼パラメータ（８）が算出される工程と、
   場合により、少なくとも１つの最適化基準を考慮して前記翼パラメータ（８）のうちの１つ又は複数を変更する工程と、
   算出され場合により変更された前記翼パラメータ（８）に応じて前記ターボ機械翼（２６）を製造する工程と、
   を有する方法。
10. 請求項１から８のいずれか１項に記載の方法を実行するための演算ユニット（２、６０）であって、前記演算ユニット（２、６０）はニューラルネットワークシステム（４）を含み、前記ニューラルネットワークシステム（４）は、所定の前記入力パラメータ（６）を受け取り、受け取った前記入力パラメータ（６）に基づいて前記翼パラメータ（８）を算出及び出力するように、調整されている、演算ユニット（２、６０）において、
    前記ニューラルネットワークシステム（４）は、各々が１つの出力層（４４）を有する複数の別個のニューラルネットワーク（１０、１２～１８）を含み、それらの各々は、前記翼パラメータ（８）のうちの１つ又は複数を算出しまた前記ニューラルネットワークの各々の出力層（４４）を介して出力するように、調整されており、前記別個のニューラルネットワーク（１０、１２～１８）には、第１のニューラルネットワーク並びに第２のニューラルネットワークが属しており、前記第１のニューラルネットワークは、前記翼パラメータ（８）のうちの１つ又は複数を算出しまた前記第１のニューラルネットワークの出力層を介して出力するように調整されており、また、前記第２のニューラルネットワークは、前記第１のニューラルネットワークによって算出及び出力される１つ又は複数の前記翼パラメータとは異なる翼パラメータ（８）のうちの１つ又は複数を、算出しまた前記第２のニューラルネットワークの出力層を介して出力するように調整されている、
    ことを特徴とする演算ユニット（２、６０）。
11. プログラムコードを有する機械可読性の記憶媒体であり、前記プログラムコードによって、前記プログラムコードが演算ユニット（２、６０）によって実行される場合、前記演算ユニット（２、６０）は、請求項１から８のいずれか１項に記載の方法を実施する、記憶媒体。

Images