[发明专利]基于深度学习的透平机械叶型设计及性能预测方法

说明书

本发明公开了一种基于深度学习的透平机械叶型设计及性能预测方法，该方法包括搭建设计透平机械叶型的生成对抗神经网络GAN，训练GAN，使用生成器Generator生成叶型样本，搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架，使用自动化框架对样本叶型进行批量CFD计算获取气动性能参数集，各叶高截面叶型表面压力分布数据预处理，构建叶型气动性能预测的卷积神经网络CNN，训练CNN以及使用Generator、Predict Net和Score Net进行叶型设计及性能预测等9个步骤。本发明构建起一整套基于深度学习技术，从叶型设计参数到获得叶型型线、叶型表面压力分布，直至叶型气动性能指标的端到端设计与性能预测框架，显著提高了透平机械叶型设计及性能预测的效率。

技术领域

本发明属于透平机械技术领域，具体涉及一种基于深度学习的透平机械叶型设计及性能预测方法。

背景技术

在我国各类发电装置中，火电和核电的发电量占比超过了70％，而以汽轮机为代表的透平机械机组是其中的核心装备。透平机械是完成热功转换的重要设备，其气动性能的好坏对整个机组的高效性和安全性至关重要。

在透平机械中，叶片是最关键的部件。现阶段在对透平机械叶片型线的设计研究中，主要是通过参数化生成型线，根据计算流体动力学的性能预测结果，采用合适的优化策略使气动指标满足设计要求。在该过程中需要采用计算流体动力学方法对透平机械叶片流场进行求解，计算资源消耗高，时间周期长。此外，叶型结构参数多，且各参数互相约束，难以协同优化，这制约了透平机械叶型设计开发过程的时效性。

近年来随着计算机计算能力的提高以及机器学习技术的发展，越来越多传统工业问题采用机器学习方法提出了新的解决方案。因此，通过机器学习尤其是深度学习技术实现透平机械叶型的快速设计与性能预测，成为解决透平机械叶型设计领域的前沿技术。

发明内容

本发明的目的在于提供一种基于深度学习的透平机械叶型设计及性能预测方法。本发明采用生成对抗神经网络GAN进行叶型设计，构建卷积神经网络CNN分别学习挖掘叶型设计参数及工况条件与叶型表面压力分布间、叶型表面压力分布与叶型气动性能指标间的非线性关系，实现对叶型的设计并快速预测给定工况下的气动性能。

本发明采用以下技术方案实现：

基于深度学习的透平机械叶型设计及性能预测方法，包括以下步骤：

1)搭建设计透平机械叶型的生成对抗神经网络GAN

搭建设计透平机械叶型的生成对抗神经网络GAN包括生成器Generator及判别器Discriminator两个子网络；

2)训练设计透平机械叶型的生成对抗神经网络GAN

首先获取用于训练生成对抗神经网络GAN的透平机械叶型型线数据{Foil_id,i}_n，n＝1,2,3…N表示叶型型线序号，N为叶型型线总数；