申请/专利权人：西安交通大学

申请日：2020-07-22

公开（公告）日：2024-04-16

公开（公告）号：CN112052621B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/17;G06F18/214;G06N3/0464;G06Q10/04;G06N3/084;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.12.25#实质审查的生效;2020.12.08#公开

摘要：本发明公开了一种基于CNN的超临界二氧化碳叶轮机械跨临界区预测及控制方法，包括步骤：1、型线参数化，考虑各边界条件进行数值模拟拉丁超立方采样；2、后处理得到各工况的功率、效率、叶片表面压力、温度、相对速度；3、归一化数据，划分训练集、验证集，训练CNN建立代理模型；4、采用代理模型预测跨临界区位置、调整型线或运行工况参数；5、算法维护。本发明能够快速预测和控制设计工况及变工况下的跨临界范围，提升超临界二氧化碳透平机械的气动效率和运行安全性，具有重要的工程意义及广阔的应用前景。

主权项：1.基于CNN的超临界二氧化碳叶轮机械跨临界区预测及控制方法，其特征在于，所述CNN为卷积神经网络，该预测及控制方法包括以下步骤：第一步，建立数值模拟采样流程，针对所设计的超临界二氧化碳叶轮机械，采用中弧线厚度定义将型线进行参数化，同时考虑其转速、进口状态参数以及出口流量的变工况条件；针对所设计的超临界二氧化碳叶轮机械，叶片的中弧线通过贝塞尔曲线定义，控制点为4个，记为[xm1,xm2,xm3,xm4]；叶片的厚度分布同样采用贝塞尔曲线定义，控制点选取为4个，记为[xt5,xt6,xt7,xt8]；针对变工况条件，转速变工况的自变量记为xr9，进口总温记为xT10，进口总压记为xP11，出口流量记为xm12；选定12个自变量的参数范围，通过拉丁超立方方法对n个叶片型线和运行变工况进行采样，记为[Xn]12＝[xm1,xm2,xm3,xm4,xt5,xt6,xt7,xt8,xr9,xT10,xP11,xm12]，其中n不小于1000；第二步，对采样结果进行后处理，得到当前工况下的功率和效率，并获取叶片表面压力、温度、相对速度参数；在采样的网格划分模块中，叶片表面节点数量设置为i×j个，其中i为叶型线上的节点个数，j为叶高方向的节点个数，则获得各工况下的计算参数记为：[Yn]＝{Wn,ηn,[Pn]i×j,[Tn]i×j,[Vn]i×j}其中W为功率，η为效率，P、T、V分别为叶片表面某一节点下的压力、温度和相对速度；第三步，对第一步和第二步中得到的数据进行归一化，按照9:1的比例划分训练集和验证集，并随机打乱训练集数据，作为CNN的原始训练输入，建立代理模型；对上述n组数据，采用下式分别进行归一化操作： 其中Max和Min分别表示取当前参数的最大值和最小值，X的维度为12×n；k代表Yn的数据性质，即分别取功率、效率、叶片表面的压力、温度和相对速度；当k为功率、效率时，Y的维度为1×n，当k为压力、温度和相对速度时，Y的维度为i×j×n；完成归一化后，将全部数据按9:1的比例划分训练集和验证集分别为： 建立CNN，含有输入层、卷积层、池化层、全连接层、输出层，其中输入为n组X，维度为12×1，对应的n组Y，当Y为功率和效率对应为2×1，Y为压力、温度和相对速度对应为i×j；在CNN的训练过程中，首先设置优化器为Adam，初始学习率设置为0.003，训练100步；然后将优化器设置为SGD梯度下降算法，并采用PyTorch中的等间隔调整机制调整学习率，即其后每经过50步学习率衰减为原来的十分之一；第四步，针对不同的变工况条件和型线条件，能够通过代理模型直接预测跨临界区位置和面积；同时，针对循环系统中已确定的运行工况或者已完成设计的超临界二氧化碳叶轮机械，分别通过代理模型快速得到型线调整方案或运行工况参数调整方案，达到控制跨临界区的目的。

全文数据：

权利要求：

百度查询： 西安交通大学 基于CNN的超临界二氧化碳叶轮机械跨临界区预测及控制方法

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