一种基于机器学习的叶轮机二维叶型优化方法技术

本发明专利技术公开了一种基于机器学习的叶轮机二维叶型优化方法，包括：叶型参数化、网格划分、构建数据库、数据降维、搭建神经网络、遗传算法寻优。通过在原始的叶轮机二维叶型网格基础上，保持H型网格不变，仅替换O型网格拓扑内网格，并保持网格点总数不变，实现对于任意造型参数的改型叶轮机二维叶型可以快速提取流场中指定位置物理量参数，具有更好的几何适应性，有效提高数据处理效率。通过结合主成分分析方法和人工神经网络方法实现叶轮机二维叶型流场的重构，在能保证精度要求的前提下，缩减维度，压缩计算量，进而降低耗时，节省计算资源，实现叶轮机二维叶型气动性能快速评估环绕快速寻优，为高性能叶轮机二维叶型的高效设计提供新思路。提供新思路。提供新思路。

【技术实现步骤摘要】
一种基于机器学习的叶轮机二维叶型优化方法


[0001]本专利技术涉及叶轮机气动优化设计领域，尤其涉及一种基于机器学习的叶轮机二维叶型优化方法。

技术介绍

[0002]压气机、涡轮等叶轮机是航空发动机的重要组成部分，叶轮机叶片气动优化设计对提升航空发动机气动性能具有重要的意义。然而，航空发动机内部流动条件十分恶劣，其多级、非定常等复杂流动特性，使得压气机、涡轮等航空发动机叶轮机组件的气动设计过程尤为复杂，面临多级匹配等问题。传统的压气机气动设计基于实验或数值模拟技术开展，需经过设计
‑
评估
‑
再设计来进行反复迭代，在面对多目标优化问题时，反复迭代耗费巨大，无法满足新一代航空发动机气动设计的高性能需求。
[0003]作为叶轮机叶片造型的基础单元，二维叶型设计对叶轮机性能具有至关重要的影响。现有叶轮机二维叶型设计多采用中弧线叠加厚度的思路，具有很强的经验依赖性，在工程应用时需结合实验或数值结果，调整叶型设计参数反复进行迭代优化，需要大量的实验和计算消耗，时间成本大。针对新一代航空发动机气动设计的高气动性能需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的叶轮机二维叶型优化方法，其特征在于，包括如下步骤：步骤一，叶型参数化；步骤二，网格划分；步骤三，构建数据库；步骤四，数据降维；步骤五，搭建神经网络；步骤六，遗传算法寻优；
①
所述叶型参数化包括：对叶轮机二维叶型进行参数化拟合，所述参数化拟合采用中弧线造型叠加厚度分布的方法，所述中弧线及所述厚度分布均采用采用四次Bezier曲线构造，对参数化拟合后的叶轮机二维叶型的前缘、尾缘采用圆弧形进行修整；
②
所述网格划分包括：对原始的叶轮机二维叶型，采用O
‑
4H型网格拓扑进行网格划分，网格点总数为m；对步骤三中构建数据库所产生的叶轮机二维叶型，在原始的叶轮机二维叶型的网格基础上，保持H型网格不变，仅替换O型网格拓扑内的网格，并保持所述网格点总数为m；
③
所述构建数据库包括：以步骤一中所述中弧线的造型参数的
±
20％作为样本空间的上下界，生成改型的叶轮机二维叶型构成样本空间，采用拉丁超立方分布方法从样本空间中选取n个叶轮机二维叶型作为数据库，所述n≥100；使用计算流体力学方法对所述数据库包含的n个叶轮机二维叶型进行数值模拟，得到叶轮机二维叶型的数值模拟流场，所得到的数值模拟流场组成数据库X＝{A1,A2,
…
,A
n
}，其中，A表示一个叶轮机二维叶型数值模拟算例，脚标n表示算例编号，A＝{a1,a2,
…
,a
m
}
T
，其中a表示一个网格点上的数值模拟数据，脚标m对应所述网格点总数；
④
所述数据降维包括：采用下式对步骤三中所述的数据库X进行中性化处理，得到差值场X
*
：采用下式对所述差值场X
*
的协方差矩阵C进行求解：式中，Var(A)为方差，其表达式为...

【专利技术属性】
技术研发人员：柳阳威，赵天铭，冀国锋，唐雨萌，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：