(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 202111216924.1 (22)申请日 2021.10.19 (71)申请人 苏州湍流数字科技有限公司 地址 215300 江苏省苏州市昆山市张浦镇 建德路40 5号 (72)发明人 温风波　 (74)专利代理 机构 杭州山泰专利代理事务所 (普通合伙) 33438 代理人 张飞 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01)G06F 119/14(2020.01) (54)发明名称 基于有限测点的叶栅 流场的重构方法 (57)摘要 本发明公开了基于有限测点的叶栅流场 的 重构方法， 包括以下步骤： S1、 获取叶栅流场模 型： 高压涡 轮第一级静叶作为几何样本， 使用CFD 计算得到叶片表面的压力分布， 改变叶片进口攻 角和出口背压， 获得不同工况下的数据， 以CFD数 据作为基础数据库训练深度神经网络。 本发明 中， 通过获取叶栅流场模 型、 获取数据、 数据化处 理等步骤使机器解析数据、 提取特征、 学习规律， 实现人工智 能方法， 进而对叶栅流场进行重构， 操作简单， 不需要实验设备， 使用成本低， 以CFD 数据作为基础数据库训练深度神经网络， 对已完 成训练的模型进行微调和优化， 增强数据准确 性。 权利要求书2页 说明书6页 附图2页 CN 114004170 A 2022.02.01 CN 114004170 A 1.基于有限测点的叶栅 流场的重构方法， 其特 征在于， 包括以下步骤： S1、 获取叶栅 流场模型 以高压涡轮第一级静叶作为几何样本， 使用CFD计算得到叶片表面的压力分布， 通过改 变叶片进口攻角和出口背压的数值， 获得不同工况下的数据， 以CFD数据作为基础数据库训 练深度神经网络， 对已完成训练的模型进行微调和优化； S2、 获取流场数据 输入数据为若干叶高截面位置处 的压力测点数据， 输出数据为整个叶片表面的无量纲 压力分布， 通过 金字塔结构获取 数据， 具体如下： 设置数据接口一～四， 不同的接口为不同数量的截面数据输入口， 通过损 失一～三用 于匹配接口二～ 四的预测值和实际值， 损失四用于匹配神经网络预测流场和实际流场； 神 经网络训练完成后， 当输入数据满足预先设定的多个截面数之一时， 神经网络将自动匹配 接口， 获得对应流场数据； S3、 数据预处 理 对原始数据进行标准化处理， 在不改变原始数据概率密度的情况下， 缩放为均值为0， 方差为1的新分布， 计算公式如下： S4、 叶栅流场数据化处 理 叶栅流场模型的结构化网格表示为规则的矩阵形式， 将初始流场数据Fieldn,j,g根据位 置信息Gridn,m,g按照网格位置 排序转化为可读取的矩阵格式Fi eldn,j,k,l,h， 对应位置信息做 相同的变换 得到为Gridn,m,k,l,h； 其中k＝1,2,3...,K， K为x方向节点总数， l＝1,2,3...,L， L为y方向节点总数， h＝1,2, 3...,H， H为z方向节点总数， 若模型为二维模型， 则H＝1， 处理后的流场数据Fieldn,j,k,l,h退 化为四维数组； 对所有的已知信息数据Inputn,i与处理后的流场数据eldn,j,k,l,h进行归一化 处理； S5、 划分训练集与验证集 S6、 搭建流场重构网络 采用二维反卷积/三维反卷积构建一个生成器G  Net， 建立从已知数据Inputn,i到二维/ 三维流场数据Fieldn,j,k,l,h的过程； 其次， 采用二维卷积/三维卷积构建一个判别器DNet， 用 于分辨真实原 始流场与使用生成器G  Net生成的重构流场； S7、 训练基于GAN的流场重构网络； S8、 流动换 热模型流场重构。 2.根据权利要求1所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S1 中， 还包括以下步骤： 使用有限数量离散采样点描述流场， 展向沿叶高线均匀布置X个采样 点， 相当于X个叶高截面； 流向沿各叶高截面从前缘点到尾缘点的曲线均匀布置Y个采样点， 相当于Y个叶型线弧长截面； 形成尺寸为X ×Y无量纲均匀网格， 以满足神经网络的计算要 求。 3.根据权利要求2所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S2 中， 还包括以下步骤； 获取初始流场数据Fieldn,j,g以及结构 化网格节点位置信息Gridn,m,g，权　利　要　求　书 1/2 页 2 CN 114004170 A 2Inputn,i和Fieldn,j,g， Gridn,m,g一一对应； 其中n＝1,2,3...,N， N为测量流体通道模型总数， i＝1,2,3...,I， I为已知 参数总数， j ＝1,2,3...,J， 分别表示网格节点温度场， 压力场与速度场， J为记录流场参数总数， g＝1, 2,3...,G， 表示网格节点， G为网格节点总数， m＝1,2,3， 分别表示网格节点x坐标， y坐标， z 坐标。 4.根据权利要求3所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S5 中还包括以下步骤： 输入为Inputn,i， 将输入Inputn,i随机打乱， 按照5： 1 的比例分为训练集 (In putn×0.8,i)train与验证集(Inputn ×0.2,i)validate， 对应流场数据同时分为 (Fieldn×0.8,j,k,l,h)train与(Fieldn ×0.2,j,k,l,h)validate， 对应的网格数据同时 分为(Gridn ×0.8,m,k,l,h)t rain与(Gridn ×0.2,m,k,l,h)val idate。 5.根据权利要求4所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S6 中， 流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权 平均值作为该网络的总体损失函数； 二分类损失函数BC E_loss公式如下： BCE_loss＝minGmaxDV(D,G)＝EField[logD(Fieldn,j,k,l,h))]+EInput[log(1‑D(G (Inputn,i)))] 其中， D(·)表示对样本采用判别器DNet进行判别， G( ·)表示对样本采用生成器GNet 生成重构流场， EFiel d[·]与EInput[ ·]表示对括号内变量求期望值， 加权平均损失函数 如下： 其中， Wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值， 该权值在 边界层网格处可适当增加以提高在边界层处的准确度； K ×H×L为网格节点总数； Field′n,j,k,l,h为生成网络GNet生成的重构流场数据， Fieldn,j,k,l,h为原始真实的流场数据； 流场重构GAN网络的总损失函数如下： Loss＝W1 ×BCE_loss+W2 ×WMSE_loss其中W1是 二分类损失函数BC E_loss的权值， 而W2是加权平均损失函数MSE_l oss的权值。 6.根据权利要求5所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S7 中， 还包括以下步骤： 从DNet网络开始训练， DNet希望能提高对真实流场与重构流场的分辨 能力； 紧随DNet网络的一次训练， 进行GNet 网络训练， 此时希望重构流场能欺骗DNet网络， 使得分辨网络 分辨不出重构流场； 经过GNet生成网络与DNet分辨网络 之间的相互博弈获得 成功的生成网络用于 重构流场。 7.根据权利要求6所述的基于有限测点的叶栅流场的重构方法， 其特征在于， 在步骤S8 中， 还包括以下步骤： 根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器G   Net， 获得重构流场(F  ieldn,j,k,l,h)test， 根据重构流场(Fieldn,j,k,l,h)test与对应网格 位置信 息(Gridn,m,k,l,h)test计算叶栅 流场相关热力学与流体力学参数。权　利　要　求　书 2/2 页 3 CN 114004170 A 3