本發(fā)明涉及流體機械結(jié)構(gòu)優(yōu)化，特別涉及一種結(jié)合神經(jīng)網(wǎng)絡與共形幾何的水輪機葉輪葉形優(yōu)化方法。

背景技術(shù)：

1、水輪機作為一種重要的水能轉(zhuǎn)換設備，在全球范圍內(nèi)廣泛應用于水電站中，其效率和可靠性直接影響到水電站的能量轉(zhuǎn)換效率和經(jīng)濟效益。水輪機葉片作為水輪機的關(guān)鍵部件之一，其葉形直接決定了葉輪在流場中的性能，因此水輪輪機葉輪設計對于提高水輪機的性能至關(guān)重要。目前針對葉輪葉形的優(yōu)化方法往往是基于整體形狀參數(shù)進行優(yōu)化的，這種方法只能產(chǎn)生特定類型的葉形，因此在優(yōu)化靈活性上存在很大的限制。因此提出一種具有高度靈活性的葉輪葉形優(yōu)化方法是十分必要的。

2、公開于該背景技術(shù)部分的信息僅僅旨在增加對本發(fā)明的總體背景的理解，而不應當被視為承認或以任何形式暗示該信息構(gòu)成已為本領域一般技術(shù)人員所公知的現(xiàn)有技術(shù)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種結(jié)合神經(jīng)網(wǎng)絡與共形幾何的水輪機葉輪葉形優(yōu)化方法，采用了神經(jīng)網(wǎng)絡與共形映射相結(jié)合的方法，以精確調(diào)節(jié)葉輪葉形，目的是提升水輪機的工作效能和運行效率。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種結(jié)合神經(jīng)網(wǎng)絡與共形幾何的水輪機葉輪葉形優(yōu)化方法，包括以下步驟：

3、(1)根據(jù)不同的葉形參數(shù)生成水輪機葉輪葉形樣本集；

4、(2)將每一葉形樣本通過共形映射方法轉(zhuǎn)化到二維平面，以此獲取對應的二維網(wǎng)格以及共形因子；

5、(3)對每一樣本進行流固耦合分析，以此獲取特定流場條件下樣本的位移場；

6、(4)將u-net神經(jīng)網(wǎng)絡的平滑過渡層更換為全局注意力層，以獲取全局注意u-net神經(jīng)網(wǎng)絡；

7、(5)以步驟(2)的共形因子為輸入，步驟(3)的位移場為輸出，訓練步驟(4)的全局注意u-net神經(jīng)網(wǎng)絡；

8、(6)以步驟(1)中所得的樣本集中挑選樣本作為初始樣本，提取初始樣本對應的共形因子作為初始優(yōu)化數(shù)據(jù)，通過遺傳算法法對初始數(shù)據(jù)進行優(yōu)化，得到最終優(yōu)化的共形因子；

9、(7)將經(jīng)步驟(6)優(yōu)化的共形因子通過深度神經(jīng)網(wǎng)格插值回三角形網(wǎng)格，以確定網(wǎng)格每條邊的長度，從而實現(xiàn)水輪機葉輪葉形的優(yōu)化。

10、優(yōu)選地，上述技術(shù)方案中，步驟(1)葉形參數(shù)包括圓柱形、扭曲葉片、掠形形狀，每種葉形分別設置多種不同的葉形參數(shù)。

11、優(yōu)選地，上述技術(shù)方案中，步驟(2)共同映射方法包括在葉形網(wǎng)格中尋找面積最大的內(nèi)接四邊形作為映射固定點，并選定有界矩形平面作為映射靶面。

12、優(yōu)選地，上述技術(shù)方案中，步驟(2)獲取共形因子包括：

13、1)在葉形網(wǎng)格中尋找面積最大的內(nèi)接四邊形，將這四個點設為映射過程的固定點；

14、2)映射的靶平面選為有界的矩形平面，將步驟1)的四個點的目標角虧和設為90度，其余點的目標角虧設為0度；

15、3)通過針對離散三角形網(wǎng)格的ricci流算法對步驟(1)葉形樣本產(chǎn)生的葉形網(wǎng)格進行映射；

16、4)將映射后的網(wǎng)格通過重心插值算法轉(zhuǎn)化為矩形網(wǎng)格，然后在矩形網(wǎng)格上提取共形因子。

17、優(yōu)選地，上述技術(shù)方案中，步驟(3)流場條件假設為均勻不可壓縮流場，樣本均放置的速度為2m/s，材料參數(shù)包括泊松比為0.3和彈性模量為2.1×10^7。

18、優(yōu)選地，上述技術(shù)方案中，步驟(5)共形因子和位移場均以矩陣形式表示，且矩陣的尺寸保持一致。

19、優(yōu)選地，上述技術(shù)方案中，步驟(5)訓練全局注意u-net神經(jīng)網(wǎng)絡包括：

20、從總的樣本數(shù)據(jù)集中按照6-9:1-4的比例分化劃分訓練集與測試集；訓練的最小批次為30-100個樣本/批；迭代輪次設置為1000-5000次；

21、采用的參數(shù)優(yōu)化器為adam；并且采取自適應調(diào)整的策略來對網(wǎng)絡參數(shù)進行調(diào)整；

22、在訓練過程中使用droop?out方法，使用交叉熵損失函數(shù)來評估網(wǎng)絡的預測精度；基于上述方法對全局注意u-net神經(jīng)網(wǎng)絡進行訓練，最終得到訓練完成的全局注意u-net神經(jīng)網(wǎng)絡。

23、優(yōu)選地，上述技術(shù)方案中，步驟(6)進行優(yōu)化的方法包括：

24、1)從樣本集中挑選幾種得到目標函數(shù)值最優(yōu)的葉形，將這幾種葉形的共形因子進行平均處理得到優(yōu)化初始的共形因子；

25、2)將步驟1)獲得的初始共形因子輸入到經(jīng)過步驟(5)訓練的全局注意u-net神經(jīng)網(wǎng)絡中，以此獲得預測位移場，并據(jù)此計算當前目標函數(shù)的值；

26、3)通過鏈式法則求出目標函數(shù)相對于共形因子的梯度，隨后通過遺傳算法的方法對輸入的共形因子進行更新；

27、4)將最新的共形因子輸入訓練完成的全局注意u-net神經(jīng)網(wǎng)絡，得到最新的目標函數(shù)值，進而通過步驟3)流程對共形因子進行更新，不斷循序上述過程直至目標函數(shù)收斂，以此獲得最終優(yōu)化的共形因子。

28、優(yōu)選地，上述技術(shù)方案中，步驟(7)優(yōu)化水輪機葉輪葉形包括：

29、1)在步驟(2)的二維平面內(nèi)，通過連接網(wǎng)格頂點上對角線的方式劃分平面三角形網(wǎng)格，然后通過插值算法將最終優(yōu)化的共形因子插值到每個三角形網(wǎng)格的頂點；

30、2)以步驟1)中每個三角形網(wǎng)格節(jié)點的共形因子為輸入，通過dnn預測該共形因子下三角形網(wǎng)格各條邊的邊長，進而復現(xiàn)出預測的最佳水輪機葉片葉形；

31、3)將預測的最佳水輪機葉片葉形經(jīng)步驟s2流程獲取預測的最佳水輪機葉片葉形的共形因子，將該共形因子與步驟(6)產(chǎn)生的最終優(yōu)化的共形因子進行對比，最終通過交叉熵損失函數(shù)的方式對步驟2)中的dnn的網(wǎng)絡參數(shù)進行更新；

32、4)：循環(huán)執(zhí)行步驟3)直至dnn輸出的預測葉形對應的共形因子與步驟(6)最終優(yōu)化的共形因子的差值的絕對值不大于0.001時，即可認為dnn預測的葉形為最終優(yōu)化的葉形。

33、優(yōu)選地，上述技術(shù)方案中，所述全局注意u-net神經(jīng)網(wǎng)絡包括以下模塊：

34、調(diào)整模塊，用于將標準u-net神經(jīng)網(wǎng)絡的平滑過渡層替換為全局注意力層，以形成全局注意u-net神經(jīng)網(wǎng)絡，該改進旨在增強網(wǎng)絡處理葉形優(yōu)化問題的能力；

35、輸入模塊，設計用于將共形因子和位移場編碼成與全局注意u-net神經(jīng)網(wǎng)絡相兼容的格式；

36、訓練模塊，負責以共形因子作為輸入，位移場作為輸出對全局注意u-net神經(jīng)網(wǎng)絡進行訓練，直到網(wǎng)絡能夠準確預測優(yōu)化后的葉形，以此得到訓練完成的全局注意u-net神經(jīng)網(wǎng)絡；

37、輸出模塊，從訓練模塊接收優(yōu)化后的共形因子，通過遺傳算法法迭代優(yōu)化，直至滿足預設的優(yōu)化條件，最終輸出用于葉輪葉形優(yōu)化的參數(shù)。

38、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

39、(1)本發(fā)明結(jié)合神經(jīng)網(wǎng)絡與共形幾何的水輪機葉輪葉形優(yōu)化方法，將u-net神經(jīng)網(wǎng)絡的平滑過渡層更換為全局注意力層的全局注意u-net神經(jīng)網(wǎng)絡。全局注意層是一種網(wǎng)絡架構(gòu)，它對矩陣在不同維度上執(zhí)行卷積操作并將結(jié)果疊加還原。與平滑過渡層相比，全局注意層對所有維度執(zhí)行卷積處理，從而對矩陣的局部信息具有更強的分析能力，特別適合處理拓撲優(yōu)化問題。

40、(2)本發(fā)明方法通過調(diào)整共形因子大小實現(xiàn)了對水輪機葉輪葉形的調(diào)整，共形因子是能準確表征曲面局部的曲率與測距長度等曲面度量，故通過調(diào)整共形因子可以實現(xiàn)對曲面局部的調(diào)整。因此，本技術(shù)所提優(yōu)化方法具有更高的靈活性。

41、(3)本發(fā)明方法通過神經(jīng)網(wǎng)絡對水輪機葉片葉形的共形因子與位移場之間的關(guān)系，并將該關(guān)系以經(jīng)驗公式的形式出現(xiàn)。基于經(jīng)驗公式，就可以求出目標函數(shù)相對共形因子的梯度，進而通過遺傳算法法就可以實現(xiàn)對共形因子的更新。