(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110997128.X (22)申请日 2021.08.27 (65)同一申请的已公布的文献号 申请公布号 CN 113743029 A (43)申请公布日 2021.12.0 3 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 谢永慧　李金星　施东波　王雨琦　 刘天源　张荻　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 闵岳峰 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01)G06F 30/23(2020.01) G06F 30/17(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 111898212 A,2020.1 1.06 CN 111859746 A,2020.10.3 0 王邦祥等.神经网络在风力机翼型气动性能 优化中的应用. 《机 械设计与制造》 .2020,(第0 3 期), 审查员 慈丽雁 (54)发明名称 基于机器学习的透平机械气动性能-叶片载 荷优化方法 (57)摘要 本发明公开了基于机器学习的透平机械气 动性能‑叶片载荷优化方法， 包括： 确定透平机械 工作流体， 对透平机械进行参数化获得优化过程 输入变量及优化目标， 同时确定输入变量的经验 设计空间； 根据优化目标对透平机械在输入变量 的经验设计空间内进行贝叶斯优化采样， 优化采 样过程中选定工作流体， 计算获得优化目标值， 保存所有贝叶斯优 化采样数据； 构建U net‑CNN神 经网络， 并进行网络训练； 对优化过程输入变量 在经验设计空间随机采样， 构建 几何模型进行非 定常CFD计算， 后处理获得Unet ‑CNN神经网络高 性能测试集及低性能测试集， 对U net‑CNN神经网 络进行测试； 将通过测试的U net‑CNN神经网络用 于透平机械优化， 获得最优透平机械结构。 本发 明能够大 大降低构建代理模型的成本及耗时。 权利要求书4页 说明书9页 附图5页 CN 113743029 B 2022.12.09 CN 113743029 B 1.基于机器学习的透平机械气动性能 ‑叶片载荷优化方法， 其特征在于， 包括以下步 骤： S1： 确定透平机械工作流体， 对透平机械进行参数化获得优化过程输入变量x及优化目 标y＝f(x)， 同时确定 输入变量x的经验设计空间； S2： 根据优化目标y＝f(x)对透平机械在输入变量x的经验设计空间内进行贝叶斯优化 采样， 优化采样过程中选定S1确定的工作流体， 通过非定常CFD计算获得优化目标y＝f(x) 值， 保存所有 贝叶斯优化采样数据D； S3： 构建Unet ‑CNN神经网络， 包含两层深度卷积网络； 将贝叶斯优化采样数据D进行预 处理， 获得Unet ‑CNN神经网络输入数据 真实中截面流场及动叶表面流场数据fn,i,j,m 及真实透平性能数据y ′， 随后构建输入数据 到预测中截面流场及动叶表面流场数据 的Unet网络以及预测中截面流场及动叶表面流场数据 到预测透平性能数据 的 CNN网络并进行网络训练； S4： 对优化过程输入变量x在经验设计空间随机采样， 构建几何模型进行非定常CFD计 算， 后处理获得Unet ‑CNN神经网络高性能测试集 及低性能测试 集 对Unet‑CNN神经网络进行测试； S5： 将通过测试的Unet ‑CNN神经网络用于 透平机械优化， 获得最优透平机 械结构。 2.根据权利要求1所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 步骤S1 中， 输入变量x包括叶片沿程气流角 α、 子午面型线控制点z、 叶片厚度沿程分 布d透平机 械几何参数； 优化目标y为效率、 功率、 叶片载荷或任意气动参数。 3.根据权利要求2所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 采用4阶贝塞尔曲线表 示叶片气流角 α 沿程分布、 叶根子午面型线zhub及叶顶子午面 型线zshroud， 采用3阶贝 塞尔曲线表示厚度d的沿程分布， 其控制方程分别如下： α(t)＝α0(1‑t)4+4α1t(1‑t)3+6α2t2(1‑t)2+3α3t3(1‑t)+α4t4， t∈[0,1] zhub(t)＝Z0(1‑t)4+4Z1t(1‑t)3+6Z2t2(1‑t)2+3Z3t3(1‑t)+Z4t4， t∈[0,1] zshroud(t)＝Z5(1‑t)4+4Z6t(1‑t)3+6Z7t2(1‑t)2+3Z8t3(1‑t)+Z9t4， t∈[0,1] d(t)＝D0(1‑t)3+3D1t(1‑t)2+3D2t2(1‑t)+D3t3， t∈[0,1]。 4.根据权利要求3所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 将叶片气流角α 沿程分布首个控制点固定以保持进口气流角不变， 其余控制点的y 坐标记为[xay1,xay2,xay3,xay4]， 将叶根子午面型线zhub及叶顶子午面型线zshroud首个控制点 及最后一个控制点固定以保持叶片进出口叶高不变， 其余控制点二维坐标记为[xZx1,xZy1, xZx2,xZy2,xZx3,xZy3,xZx6,xZy6,xZx7,xZy7,xZx8,xZy8]， 将厚度d控制点y坐标记为[xDy0,xDy1,xDy2, xDy3]， 将上述坐标作为优化过程输入变量x， 输入变量x的取值范围为设计值的 ±10％～± 40％。 5.根据权利要求4所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 步骤S2具体包括： S21： 初始给定最大采样点数N； 选择n0个初始采样点；权　利　要　求　书 1/4 页 2 CN 113743029 B 2S22： 针对当前采样点输入变量xi， 调用三维造 型软件生成叶轮机械三维模型， 将获得的 几何模型导入网格划分软件进 行流体域网格划分， 随后进 行非定常CFD计算， 计算中选定S1 中确定的工作流体， 随后对CFD结果进行预处理， 获得当前采样点的优化目标yi＝f(xi)的 值， 将当前采样点数据(xi,f(xi))添加到贝叶斯优化采样数据D中； 当采用效率作为优化目标时， 涡轮机效率通过 计算获得， 压缩机效率通过 计算获得， 其中， Δhis为涡轮机和压缩机进出口等熵 焓差， Δhact为涡轮机和压缩机 进出口实际焓差； 当采用叶片载荷作为优化目标时， 瞬态的叶片载荷由以下公式获得： 动叶轴向载荷： Pz＝G(c1z‑c2z)+(p1‑p2)A 动叶切向载荷： 式中： Pz为单只动叶轴向载荷， Pu为单只动叶切向载荷， p1及p2分别为动叶进口压力及动 叶出口压力， G为单通道动叶流量， A为单通道动叶进汽面积， c1z与c2z分别为动叶进口轴向 速度及动叶出口轴向速度， pps与pss分别是动叶压力面压力与动叶吸力面压力， s为动叶叶 型周长， l 为动叶叶高， β 为动叶周向与动叶基元表面ds的法向夹角； S23： 对贝叶斯优化采样数据D＝{(xi,f(xi))， i＝1,...,n}进行高斯过程回归， 更新p(f (x)|D)的均值和方差， 随后根据采样函数u(x)的极大值确定下一个采样点xn+1＝argmax  u (x)； S24： 判断是否到达最大采样点数N： 没有到达最大采样点数N时， 返回执行S22， 当数据 到达最大采样点数N时， 进入下一 步执行S3。 6.根据权利要求5所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 步骤S23中， 采样函数u(x)采用probabi lity of improvement， 其形式如下： 其中Φ为累计概率分布， μt(x)为根据后验模型得到的期望， σt(x)为根据后验模型得到 的方差， ε为 一个小正数， 7.根据权利要求6所述的基于机器学习的透平机械气动 性能‑叶片载荷优化方法， 其特 征在于， 步骤S3具体包括： S31： 对N个贝叶斯优化采样数据D进行预处理， 以轴向为x方向、 周向为y方向， 将透平机 械中截面型线及中截面来流速度场在二维平面调整至指定样本大小I ×J； 其中， 对于中截 面型线， 0表示在透平机械型线外部， 1表 示在透平机械型线内部； 对于来流参数进 行归一化 处理： 权　利　要　求　书 2/4 页 3 CN 113743029 B 3