CN113705077B 基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备 （哈尔滨工业大学）

体涉及基于机器学习的涡轮叶片反问题设计方第二叶片气动参数代入所述反问题设计模型以该基于机器学习的涡轮叶片反问题设计方法还2将第二叶片气动参数代入所述反问题设计模型以反向预测第所述以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量基于每个截面的几何参数的取值范围，采用拉丁超立方抽样算归一化处理所述第一叶片几何参数与所述第一叶片几何参数对应的所述第一叶片气所述利用所述数据集对所述训练模型进行训练和损失评估以确定所述反问题设计模将所述数据集分为训练数据和测试数据，其中，所述测试数据利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设所述利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问评估损失评估的计算结果得到所述反问题设所述利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题设计模型，3对比评估所述预测几何模型和真值几何模型在同一叶高上的叶型以确定所述反问题将测试数据的第三气动参数代入所述反问题设计模型，得到第六叶片几何参数步骤之后，输入层和所述第一隐含层的激活函数均为径向基函数；所述第二隐含层的激活函数包括处理器执行时实现权利要求1至3中任一项45[0008]根据本发明实施例的基于机器学习的涡轮叶片反问题设计方法能够根据叶片的所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设计模型；利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题[0013]在一些实施例中，所述利用所述训练数据对所述4层神经网络模型进行训练和损几何模型和真值几何模型在同一叶高上的叶型以确定所述反问题设指令被处理器执行时实现上述任一实施例中所述的基于机器学习的涡轮叶片反问题设计6[0020]图1是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法的[0021]图2A是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0022]图2B是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0023]图2C是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0024]图2D是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0026]图4是根据本发明一些实施例提供的4层神经网络模型在训练和测试时的损失函[0027]图5是根据本发明一些实施例提供的预测几何模型和真值几何模型的在导叶根部[0028]图6是根据本发明一些实施例提供的预测几何模型和真值几何模型的在导叶顶部[0029]图7是根据本发明一些实施例提供的预测几何模型和真值几何模型的在动叶根部[0030]图8是根据本发明一些实施例提供的预测几何模型和真值几何模型的在动叶中部[0031]图9是根据本发明一些实施例提供的预测几何模型和真值几何模型的在动叶顶部[0033]如图1所示，根据本发明实施例的基于机器学习的涡轮叶片反问题设计方法包括7个截面包含所述8个几何参数。不同截面的8个几何参数的具体取值可在表1的取值范围内运用拉丁超立方抽样算法均匀抽样取值，得到8个具体几何参数为一个叶型文件的多个叶8K9295.75[0045]S13:归一化处理第一几何参数与第一几何参数对应的第一气动参数，得到数据量为256个，输出层的神经单元数量为40个，训练模型的训练循环数(epochs)为50000，[0056]图2B为根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0059]S32:利用训练数据对4层神经网络模型进行训练和损失评估以得到反问题设计模[0061]图4为根据本发明一些实施例提供的4层神经网络模型在训练和测试时的损失函(MSE)，训练的最终的平均均方误差(MSE)为0.00038，测试的平均均方误差(MSE)为[0062]图2C为根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0063]S331:将测试数据的第三叶片气动参数代入所述反问题设计模型，得到第四叶片[0071]S336:对比评估所述预测几何模型和真值几何模型在同一叶高上的叶型以确定所[0073]图2D是根据本发明一些实施例提供的基于机器学习的涡轮叶片反问题设计方法[0081]S4:将第二叶片气动参数代入所述反问题设计模型以反向预测第二叶片几何参算机指令，计算机指令被处理器执行时实现所述基于机器学习的涡轮叶片反问题设计方术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结