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制造方法及图纸

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。本发明专利技术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。涡轮设计奠定基础。涡轮设计奠定基础。

【技术实现步骤摘要】
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


[0001]本专利技术属于涡轮叶栅二维流场预测
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]基于相似性原理和深度学习的涡轮流场预测方法，包括：
[0006]选取涡轮叶栅的几何特征及气动参数特征，作为输入变量；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步的，选取涡轮叶栅的几何特征：
[0012]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,......,X
n
,Y1,Y2,......,Y
n
]，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。
[0013]进一步的，气动参数特征的选取：
[0014]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。
[0015]进一步的，生成归一化的涡轮叶型数据库：
[0016]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。
[0017]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。
[0018]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。
[0019]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。
[0020]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：
[0021]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；
[0022]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；
[0023]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；
[0024]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；
[0025]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。
[0026]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。
[0027]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。
[0028]与现有技术相比，本专利技术有以下技术效果：
[0029]本专利技术基于相似性原理，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，本专利技术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。
[0030]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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,......,X
n
,Y1,Y2,......,Y
n
]，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...

【专利技术属性】
技术研发人员：郭振东，成辉，宋立明，李军，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：