(19)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 202210963445.4 (22)申请日 2022.08.11 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 谢永慧　刘玉鹏　李良梁　李云珠　 张荻　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 闵岳峰 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 30/28(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 一种基于深度图学习的叶轮机械叶片颤振 边界预测方法 (57)摘要 本发明公开了一种基于深度图学习的叶轮 机械叶片颤振边界预测方法， 该方法通过控制叶 片几何参数生成颤振分析计算域并进行网格划 分， 采用图神经网络处理， 即将不规则的数据以 图结构的形式表示， 以此计算训练所需的样本。 分别建立流场预测网格和颤振参数识别网络， 并 进行协同训练。 流场预测网络实现通过叶片几何 控制参数， 预测整个流场内部所有物理量的信 息； 颤振参数识别网络实现通过流场参数， 预测 模态力曲线参数以获取叶片的颤振边界。 解决了 直接预测气动阻尼可扩展性较差、 颤振参数的个 数多、 非稳态振荡叶片颤振分析耗时久、 收敛性 差的问题。 权利要求书3页 说明书7页 附图2页 CN 115292844 A 2022.11.04 CN 115292844 A 1.一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其特征在于， 包括以下步 骤： 1)生成振荡叶片计算 域几何模型： 采用参数化设计方法， 生成振荡叶片的几何模型， 使用n个设计参数， 包括叶片安装角 度、 轴向弦长、 切向弦长、 前缘半径、 尾缘半径、 进口楔角和出口楔角， 对叶片的几何参数进 行控制， 并生成i个叶片通道的气动分析计算 域； 2)自适应网格划分和流场数据的图结构表示： 对所生成的振荡叶片计算域进行自适应网格划分， 叶片表面生成结构化边界层网格， 依据选取 的湍流模型和计算域尺度进行加密， 以保证壁面附近计算的精确度， 叶片通道内 部网格采用结构化六面体网格或者非结构网格， 网格整体的数量保证 计算的网格无关性； 3)建立和整合颤振数据训练样本： 训练样本包 含从叶片几何参数， 到流场参数分布， 再到 颤振特性变量空间的全部数据； 4)建立流场预测网络 叶片通道流场 参数图卷积神经网络形式数学表达为： 以θ代表所有的共计n个气动设计 参数， 以f代表所有的流场预测参数， 包括通道内的压力、 温度、 熵 值、 速度、 马赫数和密度共 计j个变量， 流场预测网络的变量空间为： 流场预测网络表示 为下式所示： 式中 表示预测的流场， θ表示流场 预测网络的输入参数即叶片几何特征控制参数， Θ1 表示流场预测网络的参数； 流场预测网络实现从输入叶片几何特征的控制参数， 到输出叶片通道的流场物理参数 分布的过程； 5)建立颤振参数识别网络 颤振参数识别图卷积神经网络形式数学表达为： 以f代表所有的流场预测参数， 包括通 道内的压力、 温度、 熵值、 速度、 马赫数和密度共计j个变量， 以Ψ代表通过神经网络获得的 颤振参数； 颤振参数对应于2i+1个叶片表 面的模态力的均值和一阶谐波系数共6i +3个预测 变量， 颤振参数识别网络的变量空间为： 颤振参数识别网络表示 为下式所示： 式中 表示网络预测的颤振特征向量空间参数， 表示流场预测网络所预测的流场， Θ2表示颤振参数识别网络的参数； 颤振参数识别网络实现从流场物理参数分布到 颤振特征向量空间的预测；权　利　要　求　书 1/3 页 2 CN 115292844 A 2对于每个叶片模态力的一阶谐波分量进行计算获得不同叶间相位角的气动阻尼， 根据 气动阻尼的正负， 气动阻尼为正值， 说明叶片振动时， 流体对其做负功， 叶片不会发生颤振 风险， 气动阻尼为负值时， 流体对叶片做正功， 叶片会发生颤振， 以此即可判定叶片的颤振 边界； 6)两个网格协同训练和应用 在训练初期， 为了保证训练的收敛性， 流场预测网络和颤振参数识别网络这两个子网 络采用分开训练的策略， 通过优化各自的残差， 提高两个网络各自的预测精度； 流场预测网络的损失函数定义 为预测流场与真实流场的均方误差， 采用下式定义： 颤振参数识别网络的损失函数定义为所预测的颤振特性参数和真实颤振特性参数的 均方误差， 采用下式定义： 当两个网络收敛到预测误差设定值后， 将流场预测网络的预测结果作为颤振参数识别 网络的输入， 实现两个网络的协同训练； 训练完毕后， 对于任意叶轮机械叶片， 实现从叶片几何控制参数到流场物 理参数， 再到 颤振特性参数的快速预测， 对颤振特性空间数据进 行计算， 即可得到气动阻尼， 进而判断颤 振边界。 2.根据权利要求1所述的一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其 特征在于， 在步骤2)中， 采用结构化网格， 或者采用非结构化网格， 将网格中的数据以图结 构的形式表示， 减少了流场预测对网格结构的依赖度。 3.根据权利要求1所述的一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其 特征在于， 在步骤3)中， 首先， 采用拉丁超立方抽样技术从n个叶型控制参数分布空间中进 行随机抽样， 以获得N组满足设计要求的型线合理的振荡叶片叶型， 并采步骤1)和步骤2)的 方法建立气动分析计算 域并进行自适应网格划分； 其次， 对不同结构的待求样本， 先对稳态结果进行求解， 以作为振荡叶片非稳态颤振特 性分析的初始流场， 非稳态颤振 特性分析， 以稳态结果作为初始 流场， 在叶片表面设置相应 的周期性振动位移边界， 并以动网格的形式实现非稳态气动计算； 对于每个叶片计算模态力的时域变化曲线， 并进行傅里叶分解， 略去高阶小量， 每个叶 片的模态力结果仅保留一阶谐波分量， 每个叶片模态力的一阶谐波分量需要3个变量， 即振 幅、 均值和相位角； 最后， 整合 N个样本， 作为 流场预测网络和颤振参数识别网络的训练集。 4.根据权利要求1所述的一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其 特征在于， 在步骤4)中， 为了使模型的训练过程鲁棒性更强， 引入不同的激活函数， 对深度 学习网络中神经 元的输入以概 率的方式进行处 理， 以增强训练过程的鲁棒 性。 5.根据权利要求1所述的一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其 特征在于， 采用步骤4)中的深度图学习 方法来对颤振边界进行预测， 在计算训练样本时对 非稳态流场进行分析， 采用数据驱动而非传统有限元分析的方法进行颤振边界的计算。 6.根据权利要求1所述的一种基于深度图学习的叶轮机械叶片颤振边界预测方法， 其权　利　要　求　书 2/3 页 3 CN 115292844 A 3