[发明专利]一种基于机器学习的涡轮气动-动态响应智能优化设计方法

说明书

本发明公开了一种基于机器学习的涡轮气动性能‑动态响应智能优化设计方法，主要步骤如下：(1)获得涡轮的几何参数，气动性能和动态过程中转速超调量数据集；(2)基于机器学习数据降维方法提取涡轮设计变量主因素，采用智能学习算法形成训练样本和测试样本集，构建涡轮性能预测模型；(3)基于性能预测模型、经主因素筛选后变量以及多目标加权优化函数，进行涡轮优化设计；(4)获得多目标最优化方案，形成涡轮设计准则函数关系式。本发明同时考虑涡轮的气动性能和动态调节特性，并采用机器学习方法开展优化设计，不但可以获得涡轮最优设计结果，还能够获得性能与几何变量之间的函数关系式，最终为同类新涡轮的设计提供设计准则。

技术领域

本发明属于流体机械中的涡轮优化设计技术领域，涉及一种涡轮优化算法，具体地说是一种基于机器学习的涡轮气动性能-动态响应智能智能优化设计方法。

背景技术

涡轮是各类能源系统的主要做功部件，常运行在频繁调节、工况多变的工况下，并被要求高效率运行。而在常见的涡轮优化设计中，主要是考虑涡轮的气动性能、结构强度、耐热性等特定方面的优化设计，而对于涡轮的动态调节性能(转速超调量、动态调节时间)关注较少，对用同时考虑气动性能、结构和动态调节特性的优化更少。现有技术中，如专利“基于粒子群的航空发动机高压涡轮盘优化设计系统及方法”(CN106777517B)，以及“基于超椭圆曲线的带辐板涡轮盘内腔形状优化设计方法”(CN103310046A)等主要是针对涡轮轮盘结构进行的优化设计；而专利“一种基于MATLAB的增压器涡轮叶轮设计优化方法”(CN107729699A)主要是针对涡轮流场及气动性能的优化设计；专利“涡轮机装置的优化的涡轮机级以及设计方法”(CN101094971A)主要是针对涡轮的耐热性进行优化设计。

本发明不但同时考虑了涡轮的气动性能、结构强度，还进一步考虑了涡轮的动态调节特性(转速超调量、动态调节时间)，使涡轮在频繁调节过程中高效、安全运行。此外，本发明还采用机器学习方法开展优化设计，不但能够有效减少优化变量数，获得最优设计结果，还能够提取性能与变量之间的函数关系式，最终提出设计准则，为后续同类新涡轮的设计提供参考。

发明内容

本发明所要解决的技术问题：为克服现有技术的上述缺陷和不足，本发明旨在提供一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，通过同时考虑涡轮的气动性能和动态调节特性，保证涡轮在频繁调节过程中高效、安全运行。此外，本发明采用机器学习方法开展优化设计，不但能够有效减少优化变量数，获得最优设计结果，还能够获得性能与几何变量之间的函数关系式，并为后续同类新涡轮的设计提供设计准则。

本发明为解决其技术问题所采用的技术解决方案为：

一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，所述智能优化设计方法至少包括以下步骤：

SS1.对涡轮进行全参数建模，根据运行工况，采用抽样算法，获得涡轮的几何参数、气动性能参数、动态过程中转速超调量Δn，构成样本数据集；

SS2.采用基于机器学习的数据降维方法，对步骤SS1中的样本数据集进行分析处理，提取涡轮设计变量主因素；

SS3.基于步骤SS2中提取的涡轮设计变量主因素，继续采用抽样方法，进一步形成训练样本和测试样本集，采用人工神经网络算法对样本进行进一步训练和分析，构建涡轮设计变量-气动性能-转速超调量的涡轮性能预测模型；

SS4.基于步骤SS2中提取的涡轮设计变量主因素，采用抽样方法形成样本数据库，根据实际需要通过加权方式构成多目标优化函数；

SS5.结合步骤SS3中的涡轮性能预测模型，采用优化模型，完成涡轮优化设计方案；

SS6.基于步骤SS3获得的涡轮性能预测模型以及步骤SS4获得的涡轮优化设计方案，构成涡轮设计准则函数关系式。