基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法与流程

技术特征：
1.一种基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法，其特征在于，包括以下步骤：步骤1，根据给定的叶型参数取值范围和低维气动设计参数，生成叶型几何样本b，并通过cfd计算叶型总压损失最小时的最优负荷分布，生成叶型数据库；步骤2，基于多输出高斯过程和深度神经网络，构建最佳负荷分布模型，并根据所述叶型数据库中的训练样本，通过最小化边际似然损失函数，对所述最佳负荷分布模型进行训练，以得到最佳负荷分布模型中的超参数组，其中，超参数组用于确定训练后的最佳负荷分布模型，其中，所述最佳负荷分布模型由多层神经元构成，所述神经元的核函数k
γ
为：式中，g(x,w)为中间特征，w为最佳负荷分布模型的神经网络权重参数，r=|x-x
′
|是两组随机变量x与x
′
的距离，k
f
为半正定矩阵，θ为核函数k
γ
的超参数，r(
·
)为距离函数，为训练样本的距离均值，n为第一预设参数，n=1,2,
…
,5，m为第二预设参数，m=2或3，超参数组至少包括权重参数w、超参数θ以及半正定矩阵k
f
；步骤3，根据所述训练后的最佳负荷分布模型，计算目标低维气动设计参数的目标最佳负荷分布，并利用叶型反设计模型，计算出所述目标最佳负荷分布对应的最佳气动叶型。2.如权利要求1所述的基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法，其特征在于，所述步骤1中，具体包括：步骤1.1，根据所述低维气动设计参数，在给定的所述叶型参数取值范围内，利用采样函数和叶型参数化方法，生成初始的叶型参数组p以及所述叶型几何样本b；步骤1.2，将所述低维气动设计参数作为边界条件，根据所述初始的叶型参数组p对所述叶型几何样本进行cfd计算，得出所述叶型几何样本b对应的负荷分布和叶型总压损失；步骤1.3，利用贝叶斯优化迭代生成叶型参数组p，重新执行步骤1.1，直至得到所述叶型总压损失最小时的负荷分布，记作最优负荷分布。3.如权利要求2所述的基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法，其特征在于，所述步骤s1.3，具体包括：步骤1.3.1，建立所述叶型参数组p与所述叶型总压损失的高斯过程模型，并利用训练样本集m，对所述高斯过程模型进行训练，更新所述高斯过程模型中的超参数；步骤1.3.2，基于训练后的高斯过程模型，在给定的所述叶型参数取值范围内，利用采样函数优化选取叶型参数组p，重新执行步骤1.1，计算出所述叶型参数组p对应的负荷分布和叶型总压损失，更新所述训练样本集m，直至得到所述叶型总压损失最小时的所述最优负荷分布。4.如权利要求1所述的基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法，其特征在于，所述步骤2中，所述根据所述叶型数据库中的训练样本，通过最小化边际似然损失函数，对所述最佳负荷分布模型进行训练，具体包括：步骤2.1，根据所述最佳负荷分布模型，构建包含所述超参数组的边际似然损失函数，
其中，所述边际似然损失函数的计算公式为：式中，p为边际概率，γ为超参数组，x为最佳负荷分布模型的输入随机变量，y为最佳负荷分布模型的输出随机变量，σ为噪声的方差，i为与核函数k
γ
维度相同的单位矩阵；步骤2.2，分别计算所述边际似然损失函数对所述权重参数w、所述半正定矩阵k
f
以及所述超参数θ的偏导数；步骤2.3，给定学习率，采用梯度下降法，更新所述最佳负荷分布模型中的超参数组，以对所述最佳负荷分布模型进行训练。

技术总结
本发明公开了一种基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法，该方法根据给定的叶型参数取值范围和低维气动设计参数，生成叶型几何样本，并通过CFD计算叶型总压损失最小时的最优负荷分布，生成叶型数据库；基于多输出高斯过程和深度神经网络，构建最佳负荷分布模型，并根据叶型数据库中的训练样本，通过最小化边际似然损失函数，对最佳负荷分布模型进行训练，得到最佳负荷分布模型中的超参数组；根据训练后的最佳负荷分布模型，计算目标低维气动设计参数的目标最佳负荷分布，并利用叶型反设计模型，计算出目标最佳负荷分布对应的最佳气动叶型。本发明的设计方法可提高涡轮叶型气动设计的精度和效率，缩短涡轮叶型几何的设计周期。何的设计周期。何的设计周期。


技术研发人员：刘子钰 陈俊锋 姚李超 轩笠铭
受保护的技术使用者：北京航空航天大学
技术研发日：2022.02.10
技术公布日：2022/3/8