(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110634336.3 (22)申请日 2021.06.07 (71)申请人 中国科学院工程热物理研究所 地址 100190 北京市海淀区北四环西路1 1 号 (72)发明人 金芸　耿少娟　刘帅鹏　张小玉　 张宏武　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 代理人 孙蕾 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 设计参数确定方法、 装置、 电子设备及可读 存储介质 (57)摘要 本公开实施例提供了设计参数确定方法、 装 置、 电子设备及可读存储介质。 该方法包括： 获取 多个原始设计参数集合， 其中， 每个原始设计参 数集合包括压气机出口级扩张通道的机匣扩张 角、 通道扩张长度、 叶片尾缘角变化量和叶片数 量中的至少一种； 将多个原始设计参数集合分别 输入设计参数确定模型， 输出与每个原始设计参 数集合对应的第一预测气动性能指标， 其中， 设 计参数确定模型是利用第一训练样本对BP神经 网络模型进行训练得到的； 以及根据多个第一预 测气动性能指标， 从多个原始设计参数集合中确 定目标设计参数集 合。 权利要求书4页 说明书23页 附图9页 CN 114372318 A 2022.04.19 CN 114372318 A 1.一种设计参数确定方法， 包括： 获取多个原始设计参数集合， 其中， 每个所述原始设计参数集合包括压气机出口级扩 张通道的机匣扩张角、 通道扩张长度、 叶片尾缘角变化 量和叶片数量中的至少一种； 将所述多个原始设计参数集合分别 输入设计参数确定模型， 输出与每个原始设计参数 集合对应的第一预测气动性能指标， 其中， 所述设计参数确定模型是利用第一训练样本对 代理模型进 行训练得到的， 其中， 所述代理模型包括神经网络模型、 响应面模型或克里金模 型； 以及 根据多个所述第一预测气动性 能指标， 从所述多个原始设计参数集合中确定目标设计 参数集合。 2.根据权利要求1所述的方法， 其中， 所述根据多个所述第一预测气动性能指标， 从所 述多个原 始设计参数集 合中确定目标设计参数集 合， 包括： 对多个所述气动性能指标进行排序， 得到排序结果； 以及 根据所述 排序结果， 从所述多个原 始设计参数集 合中确定目标设计参数集 合。 3.根据权利要求1所述的方法， 其中， 所述神经网络模型包括BP神经网络模型； 所述设计参数确定模型是利用第 一训练样本对初始BP神经网络模型进行训练得到的， 其中， 所述初始BP神经网络模 型的网络参数是利用优化算法对第二训练样 本进行处理得到 的， 其中， 所述优化算法包括模拟退火算法或进化算法， 所述进化算法包括遗传算法或粒子 群算法。 4.根据权利要求3所述的方法， 其中， 所述设计参数确定模型是利用第 一训练样本对初 始BP神经网络模型进行训练得到的， 包括： 获取所述第 一训练样本， 其中， 所述第 一训练样本包括多个第一训练组， 每个所述第一 训练组包括第一训练设计参数集合和与所述第一训练设计参数集合对应的第一真实气动 性能指标； 将所述第一训练样本输入到所述神经网络模型， 输出与 所述第一训练设计参数集合对 应的第二预测气动性能指标； 以及 根据多个所述第一真实气动性 能指标和多个所述第 二预测气动性 能指标， 训练所述初 始BP神经网络模型， 得到所述设计参数确定模型。 5.根据权利要求3所述的方法， 其中， 所述初始BP神经网络模型的网络参数是利用优化 算法对第二训练样本进行处 理得到的， 包括： 获取所述第 二训练样本， 其中， 所述第 二训练样本包括多个第二训练组， 每个所述第二 训练组包括训练权值、 训练偏置、 第二训练设计参数集合和与所述第二训练设计参数集合 对应的第二真实气动性能指标； 以及 利用所述遗传算法对所述第 二训练样本进行处理， 得到所述初始BP神经网络模型的网 络参数， 其中， 所述初始BP神经网络模型的网络参数包括初始权值和初始偏置 。 6.根据权利要求5所述的方法， 其中， 所述利用所述遗传算法对所述第 二训练样本进行 处理， 得到所述初始BP神经网络模型的网络参数， 包括： 针对所述多个第二训练组中的每个第 二训练组， 根据所述第 二训练组所包括的训练权 值、 训练偏置和第二训练设计参数集合， 得到与所述第二训练设计参数集合对应的第三预 测气动性能指标；权　利　要　求　书 1/4 页 2 CN 114372318 A 2根据与所述第二训练设计参数集合对应的第二真实气动性能指标和第三预测气动性 能指标， 确定适应度函数的输出值； 在所述适应度函数的输出值不满足预设条件的情况下， 对所述训练权值和所述训练偏 置执行遗传操作， 直至所述 适应度函数的输出值满足所述预设条件； 以及 将与满足所述预设条件的适应度函数的输出值对应的训练权值和训练偏置确定为所 述初始BP神经网络模型的初始权值和初始偏置 。 7.根据权利要求1～6中任一项所述的方法， 还 包括： 获取多个设计参数； 利用控制参数筛选方法处理所述多个设计参数， 以从所述多个设计参数中确定目标设 计参数集合， 其中， 所述控制参数筛选方法包括主成分分析法、 相关性分析法、 向前选择法、 向后选择法或逐步回归法， 所述目标设计参数集合包括压气机出口级扩张通道的机匣扩张 角、 通道扩张长度、 叶片尾缘角变化 量和叶片数量中的至少一种； 利用样条曲线函数对二维叶型型线和流道型线进行参数化处理， 得到与所述目标设计 参数集合对应的多个所述第一训练设计参数集 合； 针对多个所述第一训练设计参数集合中的每个第 一训练设计参数集合， 确定与第 一目 标训练设计参数集 合对应的第一真实气动性能指标； 以及 根据多个所述第一训练设计参数集合和多个所述第 一真实气动性 能指标， 得到所述第 一训练样本 。 8.根据权利要求7所述的方法， 其中， 所述利用样条曲线函数对二维叶型型线和流道型 线进行参数化处理， 得到与所述目标设计参数集合对应的多个所述第一训练设计参数集 合， 包括： 利用两段三次Bezier 曲线对叶片 吸力面型线进行拟合， 得到叶片吸力面型线方程， 其 中， 所述叶片吸力面型线 方程的第一段三次Bezier曲线 上具有第一控制点、 第二控制点、 第 三控制点和 第四控制点， 所述叶片吸力面型线 方程的第二段三次Bezier曲线 上具有第五控 制点、 第六控制点、 第七 控制点和第八控制点； 确定所述叶片 吸力面型线方程的第二段三次Bezier曲线上不同控制点之间的距离和 不同所述控制点之间的连线与轴向的夹角； 旋转目标三角形， 对转子 叶片出口几何角进行调整， 得到多个待确定 叶片尾缘角变化 量， 其中， 所述目标三角形 是根据第六控制点、 第七 控制点和第八控制点得到的三角形； 将满足转子叶片出口几何角变化量的待确定叶片尾缘角变化量确定为所述第一训练 设计参数集 合包括的叶片尾缘角变化 量； 将叶型弦长扩大倍数分别与所述第一控制点的坐标、 所述第二控制点坐标、 所述第三 控制点的坐标和所述第四控制点的坐标相乘， 得到扩大后的第一控制点的坐标、 第二控制 点的坐标、 第三控制点的坐标和第四控制点的坐标； 将所述叶型弦长扩大倍数分别与所述第五控制点的坐标、 所述第六控制点的坐标、 所 述第七控制点的坐标和所述第八控制点的坐标， 得到扩大后的第五控制点的坐标、 第六控 制点的坐标、 第七 控制点的坐标和第八控制点的坐标； 根据扩大后的第 一控制点的坐标、 第 二控制点的坐标、 第 三控制点的坐标、 第四控制点 的坐标、 第五控制点的坐标、 第六控制点的坐标、 第七控制点的坐标和第八控制点的坐标，权　利　要　求　书 2/4 页 3 CN 114372318 A 3