【技术实现步骤摘要】
本申请涉及微涡轮流场预测，尤其涉及基于机械学习微涡轮流场预测方法和装置。
技术介绍
1、在微涡轮机械领域，对涡轮流场的解析是设计涡轮的重要环节，而采用快速、高效的解析方法预测涡轮流场优化涡轮设计的主要手段。目前，采用cfd数值计算方法是微涡轮流场评估的主要手段，然而，采用模拟仿真方法对微涡轮流场的计算模拟，耗时长且复杂，因此有必要引入新的可以实现模型流场高效快速预测的性能预测方法，为微涡轮的流场预测和设计优化提供有效途径。而基于数据驱动和学习的机械学习方法为流场预测提供了较为有效途径，近年来，基于机械学习来预测模型被广泛应用于流场预测，基于纯数据的机器学习预测方法其可解释性较差，对流场预测能力不足，面对样本数据较大，工况条件复杂多变的微涡轮流场，其预测精度尤显不足，这使得基于机械学习方式来预测涡轮流场的方法缺乏适用性。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种基于机械学习微涡轮流场预测方法，解决了现有技术可解释性较差以及传统cfd计算复杂性问题，实现了对微涡轮流场的快速有效的预测。
3、本申请的第二个目的在于提出一种基于机械学习微涡轮流场预测装置。
4、为达上述目的，本申请第一方面实施例提出了一种基于机械学习微涡轮流场预测方法，包括：基于模化准则对预测模型进行模化处理；选取微涡轮叶片的几何特征及气动参数特征作为预测模型的输入变量；根据所选的输入变量，构建拟合后的初始涡轮叶
5、本申请实施例的基于机械学习微涡轮流场预测方法，基于机械学习，首先对预测模型进行模化处理以控制参数范围，之后通过对模型几何特征输入参数和气动参数的采集，获得几何特征数据库。此外，适当采用气动模化相关的知识，减少了单个模型的数据处理以及模型对某些特征参数的依赖程度，从而增加了数据库的可靠性；对于气动参数而言，基于气动理论，基于马赫数公式将进口总温、出口静压等进行联系起来。通过上述的统一化处理，使得所构建的机械学习预测模型的可解释性以及预测数据样本的多样性有所增强，从而实现了对微涡轮流场的快速有效的预测，在微涡轮的设计中极大具有实用价值。
6、可选地，在本申请的一个实施例中，基于模化准则对预测模型进行模化处理，包括：
7、设定缩放比例对预测模型的输入数据进行等比缩放，根据模型入口马赫数相等原则对模型进行同比缩放，并建立模型缩比前后气动参数之间的关系式。
8、可选地，在本申请的一个实施例中，选取微涡轮叶片的几何特征及气动参数特征作为输入变量，包括：
9、选取涡轮叶片轮廓线、叶片厚度、叶片弦长、栅距作为几何特征；
10、选取涡轮气流入口马赫数、来流攻角作为气动参数特征。
11、可选地，在本申请的一个实施例中，根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，包括：
12、根据微涡轮不同叶片模型作为预测的基准叶型，根据所选的输入变量确定基准叶型的输入数据，并基于输入数据建立叶片几何特征数据库；
13、基于叶片几何特征数据库构建初始涡轮叶型数据库；
14、其中，基于输入数据建立叶片几何特征数据库，包括：
15、以叶片转动平面为xy坐标平面，对三维叶片进行降维处理，以获得三维叶片在二维坐标面的坐标参数；
16、选取模化后模型叶片轮廓线上的外轮廓点，将其向xy坐标平面进行投影，并把各点坐标记为(xi,yj)，并将各点坐标分组为吸力面坐标和压力面坐标，构建叶片几何特征数据库；
17、基于叶片几何特征数据库构建初始涡轮叶型数据库，包括：
18、根据选取的几何特征，采用最小二乘拟合逼近的方法，对叶片几何特征数据库中的几何特征数据的压力面曲线和吸力面曲线分开拟合，并通过坐标点调整，生成涡轮叶片外型轮廓曲线数据库；
19、采用拉丁超采样法，以轮廓曲线闭合和外型曲线光滑为准则，筛选符合预测模型的叶型，生成初始涡轮叶型数据库。
20、可选地，在本申请的一个实施例中，基于初始涡轮叶型数据库建立初始样本数据集，包括：
21、通过建立的初始微涡轮叶型数据库，采用cfd求解器，根据不同初始几何叶型和气动参数，获得初始数据库中叶型的流场分布数据，对流场参数分布数据进行插值和拟合，建立涡轮流场随入口参数的变化规律，将其作为流场预测的初始样本集。
22、可选地，在本申请的一个实施例中，预测模型的输入为几何特征数据和气动参数数据，预测模型的输出为叶片表面压力大小分布和涡轮出口马赫数，预测模型包括输入层、隐藏层、输出层。
23、为达上述目的，本专利技术第二方面实施例提出了一种基于机械学习微涡轮流场预测装置，包括：
24、处理模块，用于基于模化准则对预测模型进行模化处理；
25、选取模块，用于选取微涡轮叶片的几何特征及气动参数特征作为预测模型的输入变量；
26、数据集构建模块，用于根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，并基于初始涡轮叶型数据库建立初始样本数据集；
27、预测模块，用于基于初始样本数据集对预测模型进行训练，并使用训练后的预测模型对微涡轮流场进行预测。
28、可选地，在本申请的一个实施例中，基于模化准则对预测模型进行模化处理，包括：
29、设定缩放比例对预测模型的输入数据进行等比缩放，根据模型入口马赫数相等原则对模型进行同比缩放，并建立模型缩比前后气动参数之间的关系式。
30、可选地，在本申请的一个实施例中，选取微涡轮叶片的几何特征及气动参数特征作为输入变量，包括：
31、选取涡轮叶片轮廓线、叶片厚度、叶片弦长、栅距作为几何特征；
32、选取涡轮气流入口马赫数、来流攻角作为气动参数特征。
33、可选地，在本申请的一个实施例中，根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，包括：
34、根据微涡轮不同叶片模型作为预测的基准叶型，根据所选的输入变量确定基准叶型的输入数据，并基于输入数据建立叶片几何特征数据库；
35、基于叶片几何特征数据库构建初始涡轮叶型数据库；
36、其中，基于输入数据建立叶片几何特征数据库，包括：
37、以叶片转动平面为xy坐标平面，对三维叶片进行降维处理，以获得三维叶片在二维坐标面的坐标参数；
38、选取模化后模型叶片轮廓线上的外轮廓点，将其向xy坐标平面进行投影，并把各点坐标记为(xi,yj)，并将各点坐标分组为吸力面坐标和压力面坐标，构建叶片几何特征数据库；
39、基于叶片几何特征数据库构建初始涡轮叶型数据库，包括：
40、根据选取的几何特征，采用最小二乘拟合逼近的方法本文档来自技高网...
【技术保护点】
1.一种基于机械学习微涡轮流场预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于模化准则对预测模型进行模化处理，包括：
3.如权利要求2所述的方法，其特征在于，所述选取微涡轮叶片的几何特征及气动参数特征作为输入变量，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，包括：
5.如权利要求4所述的方法，其特征在于，所述基于所述初始涡轮叶型数据库建立初始样本数据集，包括：
6.如权利要求5所述的方法，其特征在于，所述预测模型的输入为几何特征数据和气动参数数据，所述预测模型的输出为叶片表面压力大小分布和涡轮出口马赫数，所述预测模型包括输入层、隐藏层、输出层。
7.一种基于机械学习微涡轮流场预测装置，其特征在于，包括：
8.如权利要求7所述的装置，其特征在于，所述基于模化准则对预测模型进行模化处理，包括：
9.如权利要求8所述的装置，其特征在于，所述选取微涡轮叶片的几何特征及气动参数特征作为输入变量，包括：>
10.如权利要求9所述的装置，其特征在于，所述根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，包括：
...【技术特征摘要】
1.一种基于机械学习微涡轮流场预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于模化准则对预测模型进行模化处理，包括：
3.如权利要求2所述的方法，其特征在于，所述选取微涡轮叶片的几何特征及气动参数特征作为输入变量，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所选的输入变量，构建拟合后的初始涡轮叶型数据库，包括：
5.如权利要求4所述的方法，其特征在于，所述基于所述初始涡轮叶型数据库建立初始样本数据集，包括：
6.如权利要求5所述的方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。