申请/专利权人：哈尔滨工业大学

申请日：2022-07-13

公开（公告）日：2022-09-27

公开（公告）号：CN115114868A

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06N3/04;G06N3/08;G06F113/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.10.18#实质审查的生效;2022.09.27#公开

摘要：本发明公开了一种基于深度学习与损失权重分析的涡轮叶片损失模型构建方法，所述方法为了探究如何对现有涡轮叶型损失模模型修正，首先需对叶型损失中的各项损失进行拆分，并与现有模型的预测大小进行对比，分析得到需要修正的系数与项和需要添加的修正项，进而形成具有修正形式的损失预测模型。并通过对比具有不同叶型参数的涡轮叶型损失，找到需要考虑的叶型参数变量。利用人工神经网络模型建立需要考虑的叶型参数变量与需要修正的系数或项和需要添加的修正项之间的函数关系，并带入具有修正形式的损失预测模型，进而构建涡轮叶型损失预测模型。该方法能够准确预测具有较大攻角工作范围的涡轮叶型损失。

主权项：1.一种基于深度学习与损失权重分析的涡轮损失模型构建方法，其特征在于所述方法包括如下步骤：步骤S1、获取涡轮二维叶型的几何参数，并根据选定的工况对涡轮二维叶型进行平面叶栅试验，获得该涡轮叶型进出口气动参数；步骤S2、对涡轮二维叶型进行CFD计算，通过对比CFD计算和步骤S1试验测量得到的型面压力分布、出口总压损失周向分布与出口总压损失大小，对CFD计算结果进行校核；步骤S3、结合步骤S2中获得的CFD计算结果和步骤S1中获得的试验测量结果，提取叶型损失中各成分损失大小和因来流存在攻角而产生的附加损失大小；步骤S4、针对现有的零攻角涡轮叶型损失预测经验模型进行各损失成分的拆分，并与步骤S3中提取的相应部分损失大小进行对比，分析出该零攻角涡轮叶型损失预测经验模型中需要修正的系数和需要添加的修正项；针对能够预测因攻角而产生附加损失的经验模型，与步骤S3中提取的附加损失大小进行对比，分析出该模型需要修正的系数和需要添加的修正项；步骤S5、采用神经网络模型构造涡轮叶型损失预测经验模型和能够预测因攻角而产生附加损失的经验模型中需要修正的系数和需要添加的修正项的函数形式；步骤S6、利用步骤S1获得的叶型参数和步骤S3获得的相应叶型损失构建样本集，进而利用样本集对涡轮叶型损失预测经验模型和能够预测因攻角而产生附加损失的经验模型进行训练，得到最终结果。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于深度学习与损失权重分析的涡轮损失模型构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD