[发明专利]基于深度学习的透平机械叶片型线自动参数化生成方法

说明书

本发明公开了一种基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤。采用生成式对抗神经网络生成翼型型线具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤。透平机械叶片型线变换具体包括翼型型线轴向拉伸、生成叶型中弧线、生成叶型上下表面曲线、叶片型线前缘尾缘光滑化和叶片型线旋转五个子步骤。本发明基于生成方便、性能优良的翼型型线数据，构建生成式对抗神经网络学习其造型特征并迁移应用至透平机械领域，使用较少的造型参数和变换参数即可自动参数化生成新的透平机械叶片型线。

技术领域

本发明属于透平机械技术领域，具体涉及基于深度学习的透平机械叶片型线自动参数化生成方法。

背景技术

透平机械是在能源、舰船、化工等现代工业领域得到广泛应用的一类动力机械。典型应用如发电用蒸汽涡轮、航空发动机中的压气机和燃气涡轮、船舶推进的螺旋桨等，规模从直径数米的水轮机到直径只有几厘米的CPU风扇等。该类设备以流体为工质，依赖旋转叶轮与工质间的力学作用完成能量转换过程。其中，叶片气动性能的好坏对透平机械的运行性能具有决定性的影响。

现阶段在对透平机械叶片进行研究、设计及开发的过程中，主要通过参数化方法生成叶片型线，并根据计算流体动力学评估结果对叶片型线设计方案进行优化来实现设计目标。叶片型线造型参数的增加将使得设计优化过程中计算流体动力学评估的数量和资源消耗呈指数级增加。

传统的叶片型线参数化生成方法如特征参数法(PARSEC)、正交基函数法(OBF)等普遍有造型参数数量多、造型参数取值范围不确定不连续等缺陷。如特征参数法(PARSEC)通过叶片的结构参数如叶片轴向弦长、周向弦长等来生成叶片型线，虽然注重造型参数在结构上的可解释性，但造型参数数量普遍多达十数个；每个造型参数的取值范围各异并且依赖设计人员的工程经验；各造型参数在取值上的配合也有限制，即使各个造型参数均取值于各自的最佳范围内，不当的参数组合也会产生异常的叶片，并且现阶段针对各造型参数之间的约束也没有规范化的处理；这些缺陷导致叶型的设计以及优化耗费大量人力、物力，周期冗长，且性能难以保证，严重制约了设计时效性。

近年来随着计算机计算能力的提升和人工智能相关技术的发展，越来越多传统工业问题通过采用人工智能算法得到了新的解决方案。本发明提出基于深度学习的透平机械叶片型线参数化生成方法，通过生成式对抗神经网络挖掘翼型的造型特征并迁移应用至透平机械领域，通过较少的造型参数和变换参数即可生成新的具备良好气动性能的叶片型线。

发明内容

本发明的目的在于提供一种基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤。本发明基于工程实践中具有优良气动性能的飞行器翼型数据，构建生成式对抗神经网络学习其造型特征并迁移应用至透平机械领域，采用较少的造型及变换参数即可生成具有良好气动性能的新叶片型线，并保证造型参数对生成的叶片型线具有较好的解释能力；能够有效减少参数数量，减少设计优化的计算量和时间成本；统一造型参数的取值范围，减小工程经验影响；消除造型参数匹配不当导致的叶片造型异常现象，提高设计优化过程的全局优化能力和计算稳定性；通过变换参数能够方便地控制叶片型线的轴向弦长、周向弦长、厚度和进出口角度，满足设计要求；充分利用飞行器研究领域的翼型数据资源，解决透平机械领域叶片型线数据缺乏的问题；利用深度学习强大的拟合以及泛化能力，可以生成超出经验范围的、气动性能更加优良的叶型。

本发明采用以下技术方案来实现：

基于深度学习的透平机械叶片型线自动参数化生成方法，包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤；

1)采用生成式对抗神经网络生成翼型型线的过程具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤；

a)获取翼型型线数据；