[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

说明书

本发明涉及涡轮叶片优化设计技术领域，具体涉及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，基于机器学习的涡轮叶片反问题设计方法包括以下步骤：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。本发明能够根据叶片的气动参数计算得到叶片的几何参数，同时，该基于机器学习的涡轮叶片反问题设计方法还具有计算精度高的优点。

技术领域

本发明涉及涡轮叶片优化设计技术领域，具体涉及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。

背景技术

高效率的涡轮气动设计可以有效降低发动机质量，提升发动机效率，增强发动机性能。反问题是涡轮气动设计的一部分，又被称作叶片几何优化改型设计问题，即在给定流场中的一些气动性能目标参数的条件下，如速度分布、压力分布、载荷分布、环量分布等二维参数，以及效率、功率、流量等一维总参数，通过气动参数与叶型几何造型的物理关系，不停的迭代计算得到叶片几何参数。

相关技术中，在给定涡轮叶片目标气动参数后，通常采用传统的高精度数值模拟方法，不断改变叶片几何，进行仿真计算，其计算精度高，但计算量大，计算时间长；低精度仿真虽然能快速获得计算结果，但无法用于准确流场分析；实验测量能反映流场实际情况，但人力物力时间成本高，且会收到测量与制造技术误差的影响。

机器学习为涡轮叶片反问题设计研究提供了新的切入点。作为当前人工智能技术的子领域，机器学习算法是一种依赖于模式与统计推断的算法，不需要专门编程即可使计算机系统能完成特定任务，即软编程。研究人员利用机器学习算法，可指导计算机利用已知数据训练出适当的机器学习模型，并利用训练完成的模型在新的情境下，对新的数据给出预测。神经网络作为机器学习中的一种算法模型，具有较强的非线性映射能力。它具有多层网络结构，每层由多个神经元构成，神经元之间采用权重连接。将数据分为训练数据与测试数据，用训练数据对模型进行训练学习，改变神经元的权重，使其获得回归预测能力，生成具有泛化能力的模型。测试数据作为神经网络没有见过的数据，输入训练完的模型，用于测试其预测准确度。在涡轮叶片反问题设计上运用机器学习方法，给定叶片气动参数，能快速精准地预测出几何参数，减少计算量，提高设计效率，是传统数值模拟仿真计算方法外的一种新的尝试，因此，本领域便产生以下需求：能否设计一种叶片反问题设计方法，这种设计方法能够利用机器学习的回归预测能力，基于需要设计的叶片气动参数较为准确地预测出叶片的几何参数。

发明内容

本发明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，本发明实施例提出一种基于机器学习的涡轮叶片反问题设计方法，该涡轮叶片反问题设计方法能够根据叶片的气动参数计算得到叶片的几何参数，同时，该涡轮叶片反问题设计方法还具有计算精度高的优点。

根据本发明实施例的基于机器学习的涡轮叶片反问题设计方法包括以下步骤：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。

根据本发明实施例的基于机器学习的涡轮叶片反问题设计方法能够根据叶片的气动参数计算得到叶片的几何参数，同时，该涡轮叶片反问题设计方法还具有计算精度高的优点。

在一些实施例中，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；