[发明专利]基于深度学习的透平机械叶片型线自动参数化生成方法有效
申请号: | 202011212336.6 | 申请日: | 2020-11-03 |
公开(公告)号: | CN112541298B | 公开(公告)日: | 2022-12-09 |
发明(设计)人: | 张荻;杜秋晚;杨立克;刘天源;谢永慧 | 申请(专利权)人: | 西安交通大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F30/17;G06F30/15;G06N3/04 |
代理公司: | 西安通大专利代理有限责任公司 61200 | 代理人: | 闵岳峰 |
地址: | 710049 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 透平 机械 叶片 自动 参数 化生 成方 | ||
1.基于深度学习的透平机械叶片型线自动参数化生成方法,其特征在于,包括采用生成式对抗神经网络生成翼型型线与透平机械叶片型线变换两个步骤;
1)采用生成式对抗神经网络生成翼型型线的过程具体包括获取翼型型线数据、翼型数据预处理、构建生成式对抗神经网络、训练生成式对抗神经网络四个子步骤;
a)获取翼型型线数据;
通过自编程方式,采用常规参数化方法,在合理的参数空间内生成大量高阶光滑连续、性能优良的翼型型线数据,数据格式为{RAWind,i}n,其中n=1,2,3…N,表示翼型型线序号,N为翼型型线总数,ind=1,2,3…Nn,表示翼型上离散点的序号,Nn为第n条翼型型线上的离散点总数,i=1,2,用于表示横纵坐标;
b)翼型数据预处理;
对翼型数据集{RAWind,i}n中的任一条翼型RAWind,i,剔除其中的异常数据,调整数据排列使数据点沿翼型表面逆时针排列,起始点为翼型上表面的尾缘点,得到预处理结果{Originind,i}n;对预处理后的任意一条翼型型线Originidx,i,采用三次样条曲线对翼型数据进行拟合并插值,其插值点分布随翼型表面曲率增大而加密,整理翼型数据为{Realidx,i}n,整理后的翼型数据点序号idx=1,2,3…Npoint,Npoint为插值后每条翼型型线上的离散点数量;
c)构建生成式对抗神经网络;
翼型型线生成的生成式对抗神经网络包括生成网络G Net和判断网络D Net两个子网络;
对于G Net网络,采用全连接网络模块DENSE1、DENSE2将输入生成网络G Net的三维造型参数Input变换为256张4×3高维特征图,后根据高维特征图通过反卷积模块1,2,3将高维特征进行压缩,在翼型参数计算层通过卷积操作获得控制点Pc,c=1,2,3…Ncontrol,控制点的权重Wc,c=1,2,3…Ncontrol,和递增序列Ti,i=1,2,3…Npoint,0Ti1,其中Ncontrol为控制点数量;最后在翼型型线计算层采用如下计算式计算得到翼型型线Fakeidx,i;
对于D Net网络,通过卷积模块1,2,3,4,5,6将输入判断网络D Net的Fakeidx,i或Realidx,i,变换为2048张高维特征图,后通过过渡模块1及判别模块将高维特征变换为真实性概率Output以及造型参数估计值GuessInput,用于计算判断网络D Net及生成网络G Net的损失项;
判断网络D Net采用真实性概率Output与输入数据标签Label间的Sigmoid交叉熵作为总损失函数,其中Fakeidx,i的Label取为0,Realidx,i的Label取为1,计算方式为:
lossD=-[Label*ln(p)+(1-Label)ln(1-p)]
其中,
生成网络G Net采用真实性概率Output与数值“1”间的Sigmoid交叉熵,翼型尾缘位置惩罚项ctrailing,翼型尾缘距离惩罚项cclose,造型参数解释性惩罚项cGuess之和作为总损失函数,计算式为:
lossG=ln(1+e-Output)+cclose+ctrailing+cGuess
d)训练生成式对抗神经网络
随机生成一批数量为NBatch,满足[0,1]间正态分布的造型参数{Input}r,r=1,2,3…NBatch;通过生成式对抗神经网络的G Net进行翼型型线生成,得到{Fakeidx,i}r;
将生成的翼型型线{Fakeidx,i}r与随机抽取的NBatch组真实翼型型线{Realidx,i}r分别通过生成式对抗神经网络中的D Net进行判断,根据真实性判断结果Output与Label间的Sigmoid交叉熵对D Net进行一次参数更新,使D Net能够更好地分辨出G Net所生成的翼型型线与真实翼型型线;
之后再随机生成数量为NBatch,满足[0,1]间正态分布的造型参数{Input}r,通过生成式对抗神经网络中的G Net进行翼型型线生成,得到一组新的{Fakeidx,i}r;
将新的{Fakeidx,i}r通过生成式对抗神经网络中的D Net进行判断,根据真实性判断结果Output与数值“1”间的Sigmoid交叉熵以及惩罚项ctrailing,cclose,cGuess对G Net进行一次参数更新,使G Net生成的翼型型线数据更加逼近真实翼型型线,尽可能迷惑D Net对型线真实性的判断;
通过G Net与D Net的不断反复对抗,使得D Net逐渐辨识出翼型型线的造型特征,迫使G Net生成的型线逐步更接近于高阶光滑连续的翼型型线;
2)透平机械叶片型线变换过程包括翼型型线轴向拉伸、生成叶型中弧线、生成叶型上下表面曲线、叶片型线前缘尾缘光滑化和叶片型线旋转五个子步骤,达到调整叶片型线的轴向弦长、周向弦长、厚度和进出口角度,并保证叶片型线满足二阶连续的目的;
a)翼型型线轴向拉伸:将翼型型线Fakeidx,i表面曲线上每个离散点的横坐标乘以叶片型线轴向拉伸系数c1以调整翼型型线的轴向弦长,变换得到翼型型线NewFakeidx,i;
b)生成叶片型线中弧线:将轴向拉伸过的翼型型线NewFakeidx,i上表面曲线upline上离散点的纵坐标乘以叶片型线周向拉伸系数c2以调整叶片型线的周向弦长,作为透平机械叶片型线的中弧线Camber;
c)生成叶片型线上下表面曲线:首先计算翼型型线NewFakeidx,i的厚度Thick,在叶片型线中弧线Camber的基础上,通过增加和减少厚度Thick与厚度系数c3的乘积分别生成叶片型线上下表面newupline和newdownline,从而调整叶片厚度,改善气动性能,同时可以调整叶片强度,方便满足对强度的设计需求;
d)叶片型线前缘尾缘光滑化:分别将newupline与newdownline上靠近叶片前缘和靠近叶片尾缘的百分之五长度截去,得到cutupline和cutdownline;采用三次分段埃尔米特曲线插值将截断后的前缘重新光滑连接,采用圆弧线光滑连接截断后的尾缘,随后使用三次样条曲线重新拟合叶片型线并根据表面曲率插值得到二阶光滑的叶片型线FinalFakeidx,i;
e)叶片型线旋转:将叶片型线FinalFakeidx,i逆时针旋转c4角度以调整叶片型线的进出口角度,变换得到最终的叶片型线Bladeidx,i。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安交通大学,未经西安交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011212336.6/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种汽车激光雷达用屏蔽电缆
- 下一篇:任务处理方法、装置及服务器