(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111492381.6 (22)申请日 2021.12.08 (71)申请人 上海电气集团股份有限公司 地址 200336 上海市长 宁区兴义路8号3 0层 (72)发明人 李新宇　张祎　陈挺　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 代理人 李治东 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 30/23(2020.01) G06F 30/17(2020.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于CS-RBF算法的气膜孔设计方法、 装置及 设备 (57)摘要 本发明提供一种基于CS ‑RBF算法的气膜孔 设计方法， 包括： 确定与气膜孔相关的待优化的 设计变量及优化目标， 并构建待优化的设计变量 与优化目标之间的数学关系； 选取若干变量样本 数据并依据所述数学关系计算对应的目标函数 值； 将所述变量样本数据作为输入以及将所述目 标函数值作为输出以训练RBF神经网络模型； 利 用CS算法对所述RBF神经网络模型进行全局搜 索， 以得到最优的设计变量。 本申请提供的方法 通过对气膜孔参数进行优化， 其中， RBF神经网络 对高维非线 性参数的拟合具有更高的精度， CS算 法寻优可避免陷入局部最小值问题。 与传统设计 方法相比， 本申请不仅能建立自动化计算流程， 实现多参数变量的优化； 而且能缩短孔型设计优 化时间， 节约人力及计算资源。 权利要求书2页 说明书10页 附图6页 CN 114117939 A 2022.03.01 CN 114117939 A 1.一种基于 CS‑RBF算法的气膜孔设计方法， 其特 征在于， 所述方法包括： 确定与气膜孔相关的待优化的设计变量及优化目标， 并构建待优化的设计变量与优化 目标之间的数 学关系； 选取若干变量样本数据并依据所述数 学关系计算对应的目标函数值； 将所述变量样本数据作为输入以及将所述目标函数值作为输出以训练RBF神经网络模 型； 利用CS算法对所述RBF神经网络模型进行全局搜索， 以得到最优的设计 变量。 2.根据权利 要求1所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述气膜孔 为倾斜孔， 沿气流 流向分为圆柱段和扩张段； 所述扩张段为喇叭状结构。 3.根据权利 要求2所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述待优化 的设计变量包括： 前倾角、 展向角、 圆柱段长度； 其中， 所述前倾角为所述圆柱段的中心线与所述扩张段的下 方壁面延长线所 呈夹角； 所述展向角为所述扩张段 水平向上的扩张夹角； 所述圆柱段长度与所述圆柱段的直径具有倍数关系。 4.根据权利 要求1所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述选取若 干变量样本数据并依据所述数 学关系计算对应的目标函数值， 包括： 确定待优化的设计变量的范围并从中选取若干变量样本数据， 通过建立几何模型及 CFD计算模型， 依据所述数 学关系计算各 所述变量样本数据对应的目标函数值。 5.根据权利 要求1所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述CS算法 包括： (1)初始化 参数， 随机产生 n个表征设计 变量的鸟巢； (2)找出当前最优鸟巢序列； (3)用最优鸟巢序列对前m只布谷鸟进行位置更新； (4)使用莱维 飞行对鸟巢 位置进行 更新； (5)将更新后的鸟巢 位置与上一次鸟巢 位置进行比较， 选取最优鸟巢 位置； (6)通过动态发现概 论， 保留或改变鸟巢 位置； (7)当满足收敛条件时， 输出当前鸟巢位置表征的设计变量为最优解； 否则返回步骤 (3)。 6.根据权利 要求5所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述鸟巢位 置进行更新的方法为： 其中， 表示第i个鸟窝在第 t次时的位置， 表示第i个鸟窝在第t+1 次时的位置； α 为 步长缩放因子； Levy( λ )是一个服 从莱维分布的一个函数， 表 示莱维飞行的步长； λ为一大于 零的常数。 7.根据权利 要求6所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述莱维飞 行的步长计算公式为： 权　利　要　求　书 1/2 页 2 CN 114117939 A 2其中， 参数 μ、 v均服从正态分布， 分别为： v～N(0， 1)； 其中正态分布参数为： 8.根据权利 要求1所述的基于CS ‑RBF算法的气膜孔设计方法， 其特征在于， 所述方法包 括： 在所述最优的设计变量下， 将通过所述RBF神经网络模型预测得到的第一目标函数值 与CFD计算的第二目标函数值进行误差精度判断； 当两者满足给定的误差精度时， 输出训练好的所述RBF神经网络模型及此时对应的所 述最优的设计 变量； 当两者不满足给定的误差精度时， 将所述CFD计算的第二目标函数值并入所述RBF神经 网络模型进行新的训练； 重复前述步骤， 直至通过所述RBF神经网络模型预测的所述第一目标函数值与所述CFD 计算的第二目标函数值满足给定的误差精度， 迭代 停止； 输出训练好的所述RBF神经网络模型， 得到此时对应的所述 最优的设计 变量。 9.一种基于 CS‑RBF算法的气膜孔设计装置， 其特 征在于， 包括： 设定模块， 用于确定与气膜孔相关的待优化的设计变量及优化目标， 并构建待优化的 设计变量与优化目标之间的数 学关系； 计算模块， 用于 选取若干变量样本数据并依据所述数 学关系计算对应的目标函数值； 训练模块， 用于将所述变量样本数据作为输入以及将所述目标函数值作为输出以训练 RBF神经网络模型； 寻优模块， 用于利用CS算法对所述RB F神经网络模型进行全局搜索， 以得到最优的设计 变量。 10.一种计算机设备， 其特 征在于， 所述设备包括： 存 储器及处 理器； 所述存储器用于存储计算机程序； 所述处理器用于执行所述存储器存储的计算机程 序， 以使所述设备 执行如权利要求1至8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114117939 A 3