CN117473890A - 基于机械学习微涡轮流场预测方法和装置 - Google Patents
基于机械学习微涡轮流场预测方法和装置 Download PDFInfo
- Publication number
- CN117473890A CN117473890A CN202311416923.0A CN202311416923A CN117473890A CN 117473890 A CN117473890 A CN 117473890A CN 202311416923 A CN202311416923 A CN 202311416923A CN 117473890 A CN117473890 A CN 117473890A
- Authority
- CN
- China
- Prior art keywords
- blade
- turbine
- database
- initial
- flow field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Turbine Rotor Nozzle Sealing (AREA)
Abstract
本申请提出了一种基于机械学习微涡轮流场预测方法,涉及微涡轮流场预测技术领域,其中,该方法包括: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;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。采用上述方案的本发明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。
Description
技术领域
本申请涉及微涡轮流场预测技术领域,尤其涉及基于机械学习微涡轮流场预测方法和装置。
背景技术
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。
发明内容
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。
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。
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。
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;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。
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。
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:
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。
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:
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;
选取涡轮气流入口马赫数、来流攻角作为气动参数特征。
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:
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库;
其中,基于输入数据建立叶片几何特征数据库,包括:
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;
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库,包括:
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;
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。
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:
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。
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。
为达上述目的,本发明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:
处理模块,用于基于模化准则对预测模型进行模化处理;
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;
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;
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。
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:
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。
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:
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;
选取涡轮气流入口马赫数、来流攻角作为气动参数特征。
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:
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库;
其中,基于输入数据建立叶片几何特征数据库,包括:
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;
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库,包括:
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;
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。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种基于机械学习微涡轮流场预测方法的流程示意图;
图2为本申请实施例的基于机械学习微涡轮流场预测流程示例图;
图3为本申请实施例的涡轮叶片几何特征数据库。
图4为本申请实施例提供的一种基于机械学习微涡轮流场预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于机械学习微涡轮流场预测方法和装置。
图1为本申请实施例一所提供的一种基于机械学习微涡轮流场预测方法的流程示意图。
如图1所示,该基于机械学习微涡轮流场预测方法包括以下步骤:
步骤101,基于模化准则对预测模型进行模化处理;
步骤102,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;
步骤103,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;
步骤104,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。
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。
可选地,在本申请的一个实施例中,首先,由于涡轮叶片轮廓数据等几何特征取值范围较大,可能导致模型过度依赖这些几何特征,首先对模型进行几何特征数据进行控制,基于气动力学的知识先对涡轮模型进行模化处理,选用合适的缩比大小,将数据特征控制在0~1范围内,模化准则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。
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:
选取涡轮叶片轮廓线、叶片厚度h、叶片弦长、栅距t作为几何特征;
涡轮气流入口马赫数、来流攻角作为模型的气动输入量。
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:
根据某微涡轮不同叶片模型作为本次预测的基准叶型,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;
根据微涡轮气动主要参数,选取涡轮气流入口马赫数、来流攻角作为模型的气动输入量;
其中,基于输入数据建立叶片几何特征数据库,包括:
以垂直涡轮轴即叶片转动平面为XY坐标平面,之后对三维叶片进行降维处理,以获得较为三维叶片在二维坐标面的坐标参数,选取模化后模型叶片轮廓线上包括叶片顶点等可以表示叶片构型的外轮廓点,并将其向XY坐标平面进行投影,并把各点坐标记为(Xi,Yj),分组为吸力面和压力面坐标,构建涡轮叶片几何特征数据库;
基于叶片几何特征数据库构建初始涡轮叶型数据库,包括:
根据选取的几何特征参数,采用最小二乘拟合逼近的方法,压力面曲线和吸力面曲线分开拟合,并通过坐标点调整,最终生成涡轮叶片外型轮廓曲线数据库。之后采用拉丁超采样法,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,最终生成叶片外型数据库。
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:
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。
可选地,在本申请的一个实施例中,确定神经网络模型的输出参数为表征微涡轮出口气动参数特性,将叶片表面压力大小分布和涡轮出口马赫数作为预测模型的输出量。
开始训练神经网络模型,确定神经网络结构,将神经网络结构分为6层,第1层为数据输入层,中间4层和最后1层分别为隐藏层和数据输出层。
模型预测:根据已经训练好的神经网络,对未知涡轮进行流场预测,获得基于机器学习的流场预测参数,并和采用数值求解器的计算结果相比较,用于评估预测结果的可靠性。
预测过程反馈:根据模型计算结果和基于机器学习的预测结果之间的误差,判断神经网络训练数据是否采用参数优化。若误差较大,对数据进行超参数优化,否则输出结果。
图2为本实施例的基于机械学习微涡轮流场预测流程示例图,如图2所示,本实施例包括:
模型缩比处理:基于气动力学的知识先对涡轮模型进行模化处理,根据涡轮叶片几何尺寸,选用合适的缩比参数为t=8,数据特征控制在0~1范围内,模化准则是根据模型入口马赫数相等原则对模型进行,根据可压缩气体动力学知识建立缩比前后模型气动参数α关系式,(α,α')=f(t)。
几何特征和气动参数选择:选取涡轮叶片轮廓线、叶片厚度h、叶片弦长、栅距t作为几何特征,以垂直涡轮轴即叶片转动平面为XY坐标平面,之后对三维叶片进行降维处理,以获得较为三维叶片在二维坐标面的坐标参数,选取模化后模型叶片轮廓线上包括叶片顶点等可以表示叶片构型的外轮廓点,并将其向XY坐标平面进行投影,并把各点坐标记为(Xi,Yj),分组为吸力面和压力面坐标,构建涡轮叶片几何特征数据库,如图3,每个叶型轮廓坐标选用100组,除叶型轮廓坐标点之外,共有几何和气动参数(入口马赫数和气流攻角)5个。
建立叶片轮廓坐标数据库;依据吸力面和压力面曲线拟合方法,调整坐标数值获得大量不同叶型轮廓数据库,最终获得300个二维叶型轮廓曲线。
建立输入参数样本集:将获得的叶轮廓坐标参数CFD求解,获得各叶型下的气动输出参数值,样本数量为2100。
确定并开始训练神经网络:将神经网络结构分为6层,第1层为几何特征数据和气动参数数据输入层,中间4层和最后1层分别为隐藏层和数据输出层,分别用来传输数据和输出相应的气动参数。
模型预测:根据已经训练好的神经网络,对未知涡轮进行流场预测,获得基于机器学习的流场预测参数,并和采用数值求解器的计算结果相比较,用于评估预测结果的可靠性。
预测过程反馈:根据模型计算结果和基于机器学习的预测结果之间的误差,判断神经网络训练数据是否采用参数优化。若误差较大,对数据进行超参数优化,参数优化可采用自适应的Adma优化器,学习率设置0.002,迭代步长设置3000,误差较小则输出结果。
为了实现上述实施例,本申请还提出一种基于机械学习微涡轮流场预测装置。
图4为本申请实施例提供的一种基于机械学习微涡轮流场预测装置的结构示意图。
如图4所示,该基于机械学习微涡轮流场预测装置包括:
处理模块,用于基于模化准则对预测模型进行模化处理;
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;
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;
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。
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:
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。
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:
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;
选取涡轮气流入口马赫数、来流攻角作为气动参数特征。
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:
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库;
其中,基于输入数据建立叶片几何特征数据库,包括:
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;
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;
基于叶片几何特征数据库构建初始涡轮叶型数据库,包括:
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;
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。
需要说明的是,前述对基于机械学习微涡轮流场预测方法实施例的解释说明也适用于该实施例的基于机械学习微涡轮流场预测装置,此处不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
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:
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所述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型数据库,并基于所述初始涡轮叶型数据库建立初始样本数据集;
基于所述初始样本数据集对所述预测模型进行训练,并使用训练后的预测模型对微涡轮流场进行预测。
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:
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。
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:
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;
选取涡轮气流入口马赫数、来流攻角作为所述气动参数特征。
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:
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,并基于所述输入数据建立叶片几何特征数据库;
基于所述叶片几何特征数据库构建所述初始涡轮叶型数据库;
其中,所述基于所述输入数据建立叶片几何特征数据库,包括:
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;
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;
所述基于所述叶片几何特征数据库构建所述初始涡轮叶型数据库,包括:
根据选取的几何特征,采用最小二乘拟合逼近的方法,对所述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;
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。
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:
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。
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:
处理模块,用于基于模化准则对预测模型进行模化处理;
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所述预测模型的输入变量;
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,并基于所述初始涡轮叶型数据库建立初始样本数据集;
预测模块,用于基于所述初始样本数据集对所述预测模型进行训练,并使用训练后的预测模型对微涡轮流场进行预测。
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:
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。
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:
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;
选取涡轮气流入口马赫数、来流攻角作为所述气动参数特征。
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:
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,并基于所述输入数据建立叶片几何特征数据库;
基于所述叶片几何特征数据库构建所述初始涡轮叶型数据库;
其中,所述基于所述输入数据建立叶片几何特征数据库,包括:
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;
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;
所述基于所述叶片几何特征数据库构建所述初始涡轮叶型数据库,包括:
根据选取的几何特征,采用最小二乘拟合逼近的方法,对所述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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311416923.0A CN117473890A (zh) | 2023-10-27 | 2023-10-27 | 基于机械学习微涡轮流场预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311416923.0A CN117473890A (zh) | 2023-10-27 | 2023-10-27 | 基于机械学习微涡轮流场预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473890A true CN117473890A (zh) | 2024-01-30 |
Family
ID=89626775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311416923.0A Pending CN117473890A (zh) | 2023-10-27 | 2023-10-27 | 基于机械学习微涡轮流场预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118133690A (zh) * | 2024-05-07 | 2024-06-04 | 深圳市安保医疗科技股份有限公司 | 样本构建方法、涡轮性能预测方法、装置、设备及介质 |
-
2023
- 2023-10-27 CN CN202311416923.0A patent/CN117473890A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118133690A (zh) * | 2024-05-07 | 2024-06-04 | 深圳市安保医疗科技股份有限公司 | 样本构建方法、涡轮性能预测方法、装置、设备及介质 |
CN118133690B (zh) * | 2024-05-07 | 2024-07-26 | 深圳市安保医疗科技股份有限公司 | 样本构建方法、涡轮性能预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Review of design optimization methods for turbomachinery aerodynamics | |
Ekradi et al. | Performance improvement of a transonic centrifugal compressor impeller with splitter blade by three-dimensional optimization | |
RU2670330C2 (ru) | Способ моделирования лопасти некапотированного винта | |
CN117473890A (zh) | 基于机械学习微涡轮流场预测方法和装置 | |
CN110750855B (zh) | 一种外形定尺寸限制下的蜗壳型线设计方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
Giassi et al. | Multidisciplinary design optimisation and robust design approaches applied to concurrent design | |
CN106777482A (zh) | 一种基于网格参数化的结构多学科设计优化方法 | |
Hu et al. | The application of support vector regression and mesh deformation technique in the optimization of transonic compressor design | |
De Donno et al. | Shape optimization of the ERCOFTAC centrifugal pump impeller using open-source software | |
CN115983137B (zh) | 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 | |
CN114861315B (zh) | 一种基于机器学习的叶轮机二维叶型优化方法 | |
Wilkinson et al. | Approximating computational fluid dynamics for generative tall building design | |
Anders et al. | A parametric blade design system (Part I+ II) | |
US9087165B2 (en) | Automatic extremum detection on a surface mesh of a component | |
CN112182794A (zh) | 一种基于样条曲线的拓扑优化后几何模型建模方法 | |
Zhu et al. | Hydrodynamic design of a circulating water channel based on a fractional-step multi-objective optimization | |
Luers et al. | Adjoint-based volumetric shape optimization of turbine blades | |
Wilkinson et al. | Approximating urban wind interference | |
US20230014067A1 (en) | Method for numerical simulation by machine learning | |
CN109241585B (zh) | 一种高低压涡轮过渡流道型面反问题设计方法 | |
Anderson | Shape optimization in adaptive search spaces | |
Balu | Recent trends in geometry parameterization strategies for aerodynamic shape optimization | |
Skarka et al. | Design automation of electric vehicle's aerodynamic parts | |
CN115270361B (zh) | 高效求解约束问题的离心压气机叶轮优化设计方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |