[发明专利]基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备

权利要求书

1.一种基于机器学习的涡轮叶片反问题设计方法，其特征在于，包括：

以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量，建立由叶片几何参数到叶片气动参数的数据集；

创建涡轮叶片反问题设计的训练模型；

利用所述数据集对所述训练模型进行训练和损失评估以确定所述反问题设计模型；

将第二叶片气动参数代入所述反问题设计模型以反向预测第二叶片几何参数。

2.根据权利要求1所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量，建立由叶片几何参数到叶片气动参数的数据集，包括：

基于叶片几何参数的取值范围，采用抽样算法对取值范围进行抽样，获得由所述第一叶片几何参数组成的叶形文件；

对叶形文件进行计算，得到所述第一叶片气动参数；

归一化处理所述第一叶片几何参数与所述第一叶片几何参数对应的所述第一叶片气动参数，得到所述数据集。

3.根据权利要求2所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述创建涡轮叶片反问题设计的训练模型，包括：

创建由输入层、第一隐含层、第二隐含层和输出层构成的4层神经网络模型；

设置输入层和第一隐含层为RBF层；

设置第二隐含层和输出层为全连接层。

4.根据权利要求3所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述利用所述数据集对所述训练模型进行训练和损失评估以确定所述反问题设计模型，包括：

将所述数据集分为训练数据和测试数据，其中，所述测试数据包括所述第三叶片气动参数和与所述第三叶片气动参数对应的第三叶片几何参数；

利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设计模型；

利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题设计模型。

5.根据权利要求4所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设计模型，包括：

用损失函数对训练模型进行损失评估；

用优化算法对损失函数进行迭代优化；

评估损失评估的计算结果得到所述反问题设计模型。

6.根据权利要求5所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题设计模型，包括：

将测试数据的第三叶片气动参数代入所述反问题设计模型，得到第四叶片几何参数；

将第四叶片几何参数进行反归一化处理，得到第五叶片几何参数；

基于所述第五叶片几何参数，建立预测几何模型；

将测试数据的第三叶片几何参数反归一化处理，得到第六几何参数；

基于第六叶片几何参数，建立真值几何模型；

对比评估所述预测几何模型和真值几何模型在同一叶高上的叶型以确定所述反问题设计模型。

7.根据权利要求6所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述将测试数据的第三气动参数代入所述反问题设计模型，得到第六叶片几何参数步骤之后，还包括：

对第六叶片几何参数进行计算，得到第四气动参数；

基于第三气动参数与第四气动参数，计算平均误差。

8.根据权利要求7所述的基于机器学习的涡轮叶片反问题设计方法，其特征在于，所述输入层和所述第一隐含层的激活函数均为径向基函数；所述第二隐含层的激活函数包括ReLU函数；所述输出层的激活函数包括sigmoid函数。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至8中任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至8中任一项所述的方法。