【技术实现步骤摘要】
本专利技术涉及汽轮机中叶片构型设计方法，特别是涉及一种适用巨量参数叶片构型的神经网络优化设计方法。
技术介绍
1、汽轮机也称蒸汽透平发动机，是一种旋转式蒸汽动力装置，高温高压蒸汽穿过固定喷嘴成为加速的气流后喷射到叶片上，使装有叶片排的转子旋转，同时对外做功。汽轮机是现代火力发电厂的主要设备，也用于冶金工业、化学工业、舰船动力装置中。叶片构型决定了汽轮机的气动、效率等性能。因此，合理的叶片构型设计不但可提高结构整体刚度，预防叶片的提前破坏失效，还可以有效提升汽轮机效率等性能指标。
2、现有的将神经网络作为代理模型的构型优化方法，往往需要大量的样本数据进行训练以保证代理模型的预测精度，每个变量至少需要考虑“大－均值－小”三种变化趋势。
3、例如现有技术中，一个三维叶片模型是由十个二维叶片模型按重心对齐的方式堆叠二次，其中每个二维叶片模型包括十四个参数变量，分别是：叶高半径、进口几何角、出口几何角、斜切段转折角、进口楔角、出口楔角、前缘半径、尾缘半径、出口通道宽度、弦长、安装角、吸力面上游段控制参数、吸力面斜切段控制参数和叶型面积。因此，一个三维叶片共有140个参数，每个参数又至少需要考虑“大－均值－小”三种变化趋势，因此若要对上述三维叶片进行优化设计需准备3140＝6e66个海量样本，会造成维度灾难，使得问题不可描述，数据处理量大，处理过程缓慢，处理效率低下。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种适用巨量参数叶片构型的神经网
2、为实现上述目的及其他相关目的，本专利技术提供一种适用巨量参数叶片构型的神经网络优化设计方法，包括如下步骤：
3、s1：以初始叶片样本参数为中心点生成采样空间，并生成叶片样本数据集；
4、s2：在s1的采样空间及叶片样本数据集中通过自动寻优和神经网络反向传播获取当前采样空间内的最优叶片参数组合；
5、s3：判断s2步骤中相邻两次最优叶片参数组合的光滑度值差值是否小于阈值或超出循环次数；若是，当前最优叶片参数组合为最终叶片优化结果；若否，进行下一步骤；
6、s4：用s3中的当前最优叶片参数组合代替初始叶片样本生成新的采样空间、且对采样空间缩小范围，重复s1-s4的步骤，对最优叶片参数组合进行迭代更新求解，直到相邻叶片参数组合的光滑度值差值小于阈值或超出循环次数，得到神经网络的最终叶片参数组合。
7、优选的，s1的具体步骤为：首先确定叶片样本各参数初始取值范围大小，按照初始取值范围大小以叶片样本各参数为中心点生成采样空间，运用拉丁超立方采样法生成叶片样本数据集；叶片样本数据集包括初始叶片参数组合及对应的光滑度值。
8、优选的，s1中初始叶片参数组合中的各参数对应的光滑度值，是通过能量法依据叶片整体曲率及剪力跃度计算。
9、优选的，s2中还包括如下步骤：
10、s2.1：获取神经网络的网络拓扑：叶片样本数据集包括训练数据集和测试数据集，训练数据集用于训练各个超参数，测试数据集用于测试寻优的各个超参数能否使神经网络模型中的叶片参数与光滑度值映射关系准确；设置神经网络模型中各个超参数的取值范围，在训练数据集中对各个超参数进行寻优训练，训练完成后的各个超参数作为优化后的神经网络模型的超参数，用于提高计算效率及叶片样本参数与光滑度值之间关系的拟合精度；
11、s2.2：优化叶片参数组合与光滑度值的映射关系：依据s2.1中获取的网络拓扑及训练数据集，训练神经网络模型拟合叶片参数与光滑度值之间的映射关系；
12、s2.3：优化叶片参数组合：训练后的神经网络模型通过反向传播计算得到当前训练数据集中最优的叶片参数组合所对应的光滑度值的下降梯度，结合固定步长计算得到进一步优化的叶片参数组合；
13、s2.4：判断叶片参数组合是否为最优：将s2.3中每一次优化后的叶片参数组合对应的光滑度值与上一次优化的叶片参数组合对应的光滑度值进行对比，判断两者差值是否小于预设阈值或超出最大循环次数；若否，将该次优化后的叶片参数组合添加到s2.1中的训练数据集中，返回s2.2，重新训练神经网络模型拟合叶片参数与光滑度值之间的映射关系、以及反向传播得到优化的叶片参数组合；若是，将该次优化后的叶片参数组合作为当前采样空间的最优叶片参数组合，并进行s3步骤。
14、优选的，s2.1中对神经网络中的各个超参数进行训练采用贝叶斯优化方法，神经网络中的超参数包括神经网络层数、每层节点数、优化器的选择、学习速率、以及随机丢弃率。
15、优选的，s3的具体步骤为：将s2.4中得到的每一次优化后的叶片参数组合对应的光滑度值与上一次优化的叶片参数组合对应的光滑度值进行对比，判断两者差值是否小于预设阈值或超出最大循环次数；若是，输出当前最优叶片参数组合作为神经网络最终优化结果；若否，进行s4步骤。
16、优选的，s4中每次采样空间以上一次采样空间中各参数取值范围的90％进行缩小。
17、优选的，包括自适应差分法，自适应差分法设置在步骤s4之后，具体如下：
18、s5：对s4获得的最终叶片参数组合进行差分，获取最终叶片参数组合对应光滑度值的下降方向；
19、s6：根据s5获得的下降方向，利用一维搜索方法获得下降方向对应的搜索步长，根据下降方向与搜索步长求解优化最终叶片参数组合；
20、s7：判断s6中求解优化的最终叶片参数组合对应光滑度值的下降梯度范数是否小于阈值或超出循环次数；若是，输出最终叶片参数组合；若否，进行下一步骤；
21、s8：将s7中获得的最终叶片参数组合返回到s5中并更新替换，重复s5-s8的步骤，直到最终叶片参数组合对应光滑度值的下降梯度范数是否小于阈值或超出循环次数，得到最终叶片参数组合。
22、优选的，s5的具体步骤为：将s4中得到的最终叶片参数组合的各个参数利用差分法进行差分，计算差分后叶片各参数对应光滑度值的下降梯度，并将差分后各个参数的下降梯度进行组合，从而得到最终叶片参数组合对应光滑度值的下降方向。
23、优选的，s6中一维搜索的方法为黄金分割法或斐波那契法。
24、如上所述，本专利技术的适用巨量参数叶片构型的神经网络优化设计方法，具有以下有益效果：
25、本专利技术涉及的适用巨量参数叶片构型的神经网络优化设计方法，先以初始叶片样本为中心点生成采样空间，并生成叶片样本数据集，再在当前叶片参数的采样空间内通过自动寻优和神经网络反向传播获取当前采样空间内的最优叶片参数组合，然后以上叶片参数采样空间内的最优叶片参数组合为中心重新生成采样空间，通过叶片参数采样空间的自移动和缩减进行迭代更新求解，有效降低了神经网络代理模型对训练数据数量的要求，减少了光滑度值计算的时间。此外，本专利技术结合自本文档来自技高网...
【技术保护点】
1.一种适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S1的具体步骤为：首先确定叶片样本各参数初始取值范围大小，按照初始取值范围大小以叶片样本各参数为中心点生成采样空间，运用拉丁超立方采样法生成叶片样本数据集；叶片样本数据集包括初始叶片参数组合及对应的光滑度值。
3.根据权利要求2所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S1中初始叶片参数组合中的各参数对应的光滑度值，是通过能量法依据叶片整体曲率及剪力跃度计算。
4.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S2中还包括如下步骤：
5.根据权利要求4所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S2.1中对神经网络中的各个超参数进行训练采用贝叶斯优化方法，神经网络中的超参数包括神经网络层数、每层节点数、优化器的选择、学习速率、以及随机丢弃率。
6.根据权利要求1所述的适用巨量参数叶片构型的神经网络
7.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S4中每次采样空间以上一次采样空间中各参数取值范围的90％进行缩小。
8.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：包括自适应差分法，自适应差分法设置在步骤S4之后，具体如下：
9.根据权利要求8所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S5的具体步骤为：将S4中得到的最终叶片参数组合的各个参数利用差分法进行差分，计算差分后叶片各参数对应光滑度值的下降梯度，并将差分后各个参数的下降梯度进行组合，从而得到最终叶片参数组合对应光滑度值的下降方向。
10.根据权利要求8所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：S6中一维搜索的方法为黄金分割法或斐波那契法。
...【技术特征摘要】
1.一种适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：s1的具体步骤为：首先确定叶片样本各参数初始取值范围大小，按照初始取值范围大小以叶片样本各参数为中心点生成采样空间，运用拉丁超立方采样法生成叶片样本数据集；叶片样本数据集包括初始叶片参数组合及对应的光滑度值。
3.根据权利要求2所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：s1中初始叶片参数组合中的各参数对应的光滑度值，是通过能量法依据叶片整体曲率及剪力跃度计算。
4.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：s2中还包括如下步骤：
5.根据权利要求4所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在于：s2.1中对神经网络中的各个超参数进行训练采用贝叶斯优化方法，神经网络中的超参数包括神经网络层数、每层节点数、优化器的选择、学习速率、以及随机丢弃率。
6.根据权利要求1所述的适用巨量参数叶片构型的神经网络优化设计方法，其特征在...
【专利技术属性】
技术研发人员：吕凯，孙肇优，王恭义，赵庆，王威涛，高珩，李明，舒伟林，杨锐，
申请(专利权)人：上海汽轮机厂有限公司，
类型：发明
国别省市：
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。