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

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。模型计算损失系数的方法。模型计算损失系数的方法。

【技术实现步骤摘要】
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


[0001]本公开涉及叶轮机械叶片
，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。

技术介绍

[0002]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。

技术实现思路

[0003](一)要解决的技术问题
[0004]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。
[0005](二)技术方案
[0006]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：
[0007]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；
[0008]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。
[0009]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。
[0010]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。
[0011]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：
[0012]获得所述样本的均值和标准差；
[0013]在所述样本减去所述均值后再除以所述标准差。
[0014]在本公开实施例中，所述多层神经网络包括：
[0015]输入层，神经元数量与所述输入变量个数一致；
[0016]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；
[0017]输出层，神经元数量与所述输出变量个数一致。
[0018]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：
[0019]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；
[0020]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。
[0021]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：
[0022]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。
[0023]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：
[0024]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。
[0025]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：
[0026]采用随机梯度下降算法使代价函数逐渐收敛至最小值；
[0027]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。
[0028]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：
[0029]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；
[0030]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；
[0031]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。
[0032](三)有益效果
[0033]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：
[0034](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；
[0035](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
[0036](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
[0037]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。
[0038]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。
[0039]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。
[0040]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。
[0041]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
[0042]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。
[0043]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。
[0044]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：
[0045]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；
[0046]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。
[0047]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。
[0048]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、气道高度本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：高增珣，
申请(专利权)人：北京全四维动力科技有限公司，
类型：发明
国别省市：