CN115455819B 一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法 （大连理工大学）

Gaussianprocesseswithneuralofcoregionalization.K一种涡轮叶片多工况瞬态流场迁移降阶智一种涡轮叶片多工况瞬态流场迁移降阶智分解和多任务高斯过程的涡轮叶片瞬态流场迁务叶片高维瞬态流场参数演化的智能建模和快2并将该二维时空张量P作为目标流场的训练数{di}序组合成目标任务的二维时空张量并将该二维时空张量PK′S2、降维编码:利用本征正交分解方法分别对所述训练数据集和辅助任务数据集进行S4_1利用自回归策略分别将增强目标模态系数序列与增强辅助模态系数序列转输出标准目标任务训练集及标准辅助任务训练集3f,()-sp(0,k,(,…)rsnso为Q个服从零均q每个训练数据预测完成后，返回步骤S4并将滑动窗口向前单步移动务训练集及辅助任务训练集往复循环直至训练数据集中训练数据预S5_3、利用步骤S5_2训练完成的r组多任务高斯过程迁移模型{Mr}1srsz对未来时刻7ai模态系数的高斯预测分布均值进行预测:的模态系数高斯分布均值的预测方差，xr,*为多任务高斯过程迁移模型的输动态重构解码：对TΔt时刻的目标任务的Z阶模态系数预测值a,(rdt)和空间模态向量得到未来t时刻涡轮动叶入口截面参数场的预测表达式(TAt)为：4(TAt)是二维时空张量监测参数场在TΔt时刻的预测重构流场,是监测参数p的时2.根据权利要求1所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特进行时均处理得到脉动量和其中分别为训练数据集λr其中目标协矩阵Cr,i为脉动量矩阵与其转置矩阵pr的内积，目标协矩阵53.根据权利要求1所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特利用增强插值函数对模态系数序列αr，进行线下增强，即将时间间隔Δt细化为数序列与增强辅助模态系数序列r4.根据权利要求1所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特其中，自增操作即可完成窗口平移，即将位于窗口内的增强目标模态系数数据标记为标签Xr，位于窗口外的增强目标模态系数数据标记为标签Yr，并获得目标任务训练集Dr＝{Xr,Yr}；系数的时间递增方向向后单步平移，对增强辅助模态系数进行自回归转化获得单步Ykr}。65.根据权利要求1所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特6.根据权利要求1所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特准化输出结果，μ为待处理向量的均值，σ为待处理向量的标准差，标准化后的训练集为7.根据权利要求4所述的一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特7参数p的m个流场快照；将所述流场快照按照递增时序组合成目标任务的二维时空张量并将该二维时空张量P作为目标流场的训练数据集；其中m>时序组合成目标任务的二维时空张量并将该二维时空张量PK′作为目[0009]S2、降维编码:利用本征正交分解方法8r量和其中分别为训练数据集和辅助任务数据集中各元素的瞬态流场时Z为最高阶截断模态阶数Z＝min(m,mK)；[0017]其中目标协矩阵Cr,i为脉动量矩阵与其转置矩阵的内积，目标协9对目标模态系数αr与辅助模态系数分别进行插值增强，得到增强目标模态系数序列与增强辅助模态系数序列[0027]S4_1利用自回归策略分别将增强目标模态系数序列与增强辅助模态系数序列为W的窗口沿增强目标模态系数序列的时间递增方向向后单步平移，对增强目标模态系数序列进行自回归转化获得单步预测形式的输入为：输出其中，为增强目标模态系数中第(W+i-I)Ai时刻的元素值；固定窗口长度W[0034]S4_2、将得到的目标任务训练集Dr及辅助任务训练集Drk分别进行Z_score标准化标任务训练集及辅助任务训练集往复循环直至训练数据集中训练数据预测完毕；时刻Taf模态系数的高斯预测分布均值a,(Fai)进行预测:时刻的模态系数高斯分布均值a,(di)的预测方差，xr,*为多任务高斯过程迁移模型进行动态重构解码：对TΔt时刻的目标任务的Z阶模态系数预测值i,(TAt)和空间模态向量得到未来t时刻涡轮动叶入口截面参数场的预测表达式(TAt)为：[0051](TAt)是二维时空张量温度场在TΔt时刻的预测重构流场,p是监测参数的时[0063]本发明的设计思路是基于多任务高斯过程的多工况涡轮叶片瞬态流场数据迁移时间间隔Δt＝10_4s，周期T＝1.5×10__2s，对单通道模型进行瞬态计算，导出0≤tj≤0.0017s时刻该截面温度场的前18张(m＝18)瞬态快照并将其按递增时序组合为二维时空快照按照递增时序组合成目标任务的二维时空张量并将该二维时空张量P′K作为目标流场的辅助任务数据集表1为目标流场和辅助流场瞬态流场部分边界条[0077]S2、降维编码:利用本征正交分解方法量p,t,)和其中分别为训练数据集和辅助任务数据集中各元素的瞬态流场时[0085]其中目标协矩阵Cr,i为脉动量矩阵p-li,(》与其转置矩阵pr的内积，目标协辅助模态系数;,包括以下步骤：对目标模态系数αr与辅助模态系数分别进行插值增强，得到增强目标模态系数序列与增强辅助模态系数序列[0095]S4_1利用自回归策略(auto_regressive,AR)分别将增强目标模态系数序列与列的时间递增方向向后单步平移，对增强目标模态系数序列进行自回归转化获得单⃞/(wxi-)ar)为增强目标模态系数中第时刻的元素值；固定窗口长度W据标记为标签Xr，位于窗口外的增强目标模为增强辅助模态系数中第(wxr-Ii时刻的元素值；固定窗口长度W[0102]S4_2、将得到的目标任务训练集Dr及辅助任务训练集Drk分别进行Z_score标准化处理，输出标准目标任务训练集及标准辅助任务训练集Z_score标准[0103]S5、建模及训练：建立多任务高斯过程模型(multi_taskGaussianprocess,MTGP)对标准目标任务训练集及标准辅助任务训练集进行迁移预测，具体包括以下[0107]由于基于神经网络区域协同嵌入的多任务高斯过程模型(NSVLMC)具有较强的非qq标任务训练集及辅助任务训练集往复循环直至训练数据集中训练数据预测完毕；时刻模态系数的高斯预测分布均值a,(fa时刻fat的模态系数高斯分布均值的预测方差，xr,*为多任务高斯过程迁移模型线是现有的AR_STGP_POD模型的预测均值，上下两条点划线包夹区域为预测值的95％置信进行动态重构解码：对TΔt时刻的目标任务的Z阶模态系数预测值i,(TAt)和空间模态向量得到未来t时刻涡轮动叶入口截面温度场的预测表达式(TAt)为：[0120]其中,(TAt)是二维时空张量温度场在TΔt时刻的预测重构流场,p是[0121]为最大限度还原流场信息，选择最高阶模态系数⃞,(TAt)(r=y)对瞬时流场MTGP_POD模型在t＝0.00