基于图注意力网络的高通流宽攻角涡轮叶片损失预测方法

本发明属于涡轮叶片设计，尤其涉及基于图注意力网络的高通流宽攻角涡轮叶片损失预测方法。

背景技术：

1、随着先进直升机的发展，各国对涡轴发动机提出了更高的性能和适应性要求。因此，从第三代涡轴发动机开始，设计重点已经从单纯提升性能转变为具有更好的环境适应性。直升机在不同飞行阶段如起飞、巡航和降落对功率的需求各异。通过调节旋翼速度，可以针对性地优化这些阶段的功率使用，进而提高燃油效率和整体飞行性能。特别是在高速巡航阶段，为了在降低飞行速度的同时保持发动机输出功率的稳定性，通常需要灵活调整旋翼速度，动力涡轮则需要在更广泛的转速范围内有效运行。由于拓宽固定几何形状涡轮的宽攻角适应性是提高变转速动力涡轮效率的最可行技术方向。因此，研究宽攻角范围内涡轮叶片的设计技术，成为直升机发动机如今的一个关键研究方向。

2、高效、准确的气动预测是宽攻角涡轮叶型优化与发展的前提。为了在叶型气动损失的快速评估和优化中实现效率与准确性的平衡，损失模型提供了实现计算成本和准确性之间权衡的可能性。经典的损失模型ainley&mathieso等已被广泛应用于气动设计中。然而，代理模型方法有一个主要的缺点:损失模型不足以表达输入(即几何和边界条件有很大变化的设计空间)和输出(即流场或气动性能)之间的高维映射。直到1986年提出了反向传播算法后，神经网络才真正在与涡轮叶片相关的气动性能预测中使用。反向传播神经网络通常操作固定大小的向量，不适合具有复杂结构的数据尤其是对流场细节的捕获。这一局限性随着卷积神经网络(cnn)的出现而消失，也因此神经网络才开始被广泛应用于翼型气动特征预测中。

3、但是，利用神经网络进行翼型相关气动性能预测时仍存在一个较大的问题：神经网络的输入特征参数无论是图片信息还是翼型结构参数，他们之间不能建立有效联系。即便最近相关研究人员使用的两步预测法，也只是增加了整体气动边界到气动特征之间的映射。但对复杂的几何结构，则不能在一般的神经网络中体现。然而，涡轮叶片不仅几何结构相对复杂，并且很多结构细节都将对其性能和效率产生重要影响：例如，叶片前缘的圆弧造型对二次流损失和工况适应性有显著影响；叶片尾缘的造型则与尾迹损失紧密相关；叶片的吸力面和压力面造型不仅决定了中弧线的曲率、叶片的最大厚度和喉部位置等关键参数，而这些关键参数将影响流体的速度和压力分布，决定叶片的加载方式和损失分布。除此，来流条件的变化也将导致上述各造型对损失的贡献程度发生改变。

4、通过研究，虽然一般的神经网络中不能体现涡轮几何的复杂依赖，但图神经网络在捕获结构拓扑内的复杂交互中仍表现出卓越的性能。因此机翼翼型优化设计的相关研究人员将研究重点转向了更灵活的图神经网络。如，paht juangphanich采用gnn将叶栅的离散点作为图节点进行翼型的气动性能预测，并发现gnn的预测误差方面比多层感知器(mlp)神经网络更低。但是，虽然图神经网络(gnn)已在翼型预测领域得到应用并展现出显著的预测效果与潜在应用价值。然而，在使用gnn对涡轮或压气机叶栅的气动性能进行研究方面，相关文献仍然相对匮乏；并且，关于涡轮/压气机的图神经网络模型也主要基于数值模拟的计算结果构建的，但数值模拟在大攻角的计算结果的可信度通常不及试验数据，试验数据却因高成本导致试验样本量有限。

5、因此，怎样才能在试验样本量有限的情况下，准确且迅速地获取高精度的气动参数，从而促进宽攻角涡轮叶型优化与发展，成为目前亟待解决的问题。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于图注意力网络的高通流宽攻角涡轮叶片损失预测方法，可以在试验样本量有限的情况下，准确且迅速地获取高精度的气动参数，从而有效的促进宽攻角涡轮叶型优化与发展。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、基于图注意力网络的高通流宽攻角涡轮叶片损失预测方法，包括以下步骤：

4、s1、设计不同类型的变转速涡轮叶型，并进行预设攻角范围的平面叶栅吹风试验，建立宽攻角涡轮叶栅数据集；

5、s2、对宽攻角涡轮叶栅数据集中的实验样本数据进行处理，得到训练数据集和验证数据集；

6、其中，对实验样本数据进行处理时，对每组实验样本数据的处理包括：

7、获取涡轮二维叶型的几何参数后，根据预设的多个关键点拆分为多段叶型线，并按照叶栅空间结构构建为环状无向图；其中，每段叶形线均包含一个关键点；

8、之后，采用优化算法对各段叶型线进行三阶贝塞尔曲线拟合，形成多段三阶贝塞尔曲线，作为图节点；

9、然后，对于每段三阶贝塞尔曲线，提取其四个控制点的二维坐标作为对应图节点的几何特征，并将其来流攻角和出口马赫数作为图节点的气动特征；

10、s3、构建基于图注意力网络模型gat的参数预测模型，用于根据涡轮二维叶型各图节点的几何特征及气动特征，预测二维叶型的出口气动参数；

11、s4、使用s2得到的训练数据集对参数预测模型进行训练；并通过验证数据集判断是否达到预设的精度要求，若未达到则返回s3对参数预测模型进行构建优化，所述构架优化包括初始化模型并重新设置超参数；若达到精度要求则转到s5；

12、s5、使用达到精度要求的参数预测模型进行出口气动参数预测，用于宽攻角涡轮叶型的设计与优化。

13、本发明与现有技术相比，具有如下有益效果：

14、1、使用本方法，在获取到实验样本数据后，会将叶片型线转化为图结构。具体地，根据预设的多个关键点拆分为多段叶型线并按照叶栅空间结构构建为环状无向图；之后，采用优化算法对各段叶型线进行三阶贝塞尔曲线拟合，形成多段三阶贝塞尔曲线，作为图节点；然后，对于每段三阶贝塞尔曲线，提取其四个控制点的二维坐标作为对应图节点的几何特征，并将其来流攻角和出口马赫数作为图节点的气动特征。通过这样的处理，得到的图结构能够捕捉叶型内部复杂的几何与气动关系。配合本方法设置的参数预测模型，可以较少的输入特征全面表征涡轮叶片的几何形状，从而有效地实现了叶片几何特征在图神经网络中的应用。

15、2、本方法构建基于gat的图注意力网络模型，作为参数预测模型。gat模型擅长处理图结构数据，通过注意力机制自动学习节点间的重要性，进而对节点特征进行聚合，以预测整个叶型的出口气动参数。这种模型能够充分利用叶型内部节点间的相互依赖关系，提高预测的准确性。通过图注意力网络对涡轮叶型进行精细化建模和预测，能够捕捉叶型内部复杂的几何与气动关系，从而提高出口气动参数的预测精度。

16、3、利用训练好的gat模型进行快速预测，可以显著减少物理试验次数和计算成本，加速涡轮叶型的设计与优化过程。

17、4、通过对多种类型的涡轮叶型数据进行训练，模型能够学习到更加通用的特征表示，从而对新设计的涡轮叶型也具备较好的预测能力。

18、5、该方法能够处理宽攻角范围内的涡轮叶型数据，支持复杂工况下的气动性能预测，为涡轮机的宽范围高效运行提供技术支持。

19、综上，本方法基于图注意力网络的高通流宽攻角涡轮叶片损失预测方法，通过精细化的数据预处理、高效的模型构建与训练，以及优化的模型结构，在试验样本有限的前提下，实现了对涡轮叶型出口气动参数的高精度预测，为涡轮机的设计与优化提供了有力支持。实验验证，本方法只需要少量的实验样本，即可以得到精度误差在5％以内的参数预测模型。

20、本方法可以在试验样本量有限的情况下，准确且迅速地获取高精度的气动参数，从而有效的促进宽攻角涡轮叶型优化与发展。

21、优选地，s1中，预设的攻角范围为-50°～30°；s2中，预设的多个关键点包括前缘两个切点、喉部点以及尾缘两个切点。

22、这样的攻角范围设置，可以保证高变转速动力涡轮效率的研究的有效性。而选择的这五个关键点，则可以通过较少的关键点数量实现高精度的出口启动参数预测。

23、优选地，出口气动参数包括涡轮二维叶型出口的总压损失系数cpt，出口马赫数ma和出口气流角β；s4中，若总压损失系数cpt，出口马赫数ma和出口气流角β三个参数在验证数据集的预测误差都不超过5％，则达到精度要求。

24、这样，三个参数作为输出，可以保证对于促进宽攻角涡轮叶型优化的有效性。而精度要求的设置方式，则可以有效保证参数预测模型训练的有效性，从而保证后续模拟得到的气动参数的有效性。

25、优选地，参数预测模型的工作过程包括：

26、首先，对于每个图节点，将图节点的气动特征和几何特征串联为信息特征后应用线性变换，得到转换特征；

27、然后，采用多头注意力机制对各图节点的转换特征进行特征融合；其中，多头注意力机制的每个注意力头独立地计算各图节点的注意力系数和聚合特征，得到对应的聚合节点特征，再将各注意力头输出的相同图节点的聚合节点特征进行平均，得到图节点的融合节点特征；

28、最后，将各图节点的融合节点特征通过一个全连接层进行处理，得到预测的出口气动特征。

29、这样，通过将图节点的气动特征和几何特征串联并应用线性变换，模型能够同时考虑叶型的几何形状和气动条件，这两种特征对于准确预测出口气动参数都至关重要。这种特征融合方式使得模型能够更全面地理解叶型的复杂特性。除此，采用多头注意力机制进行特征融合，不仅增加了模型的复杂度，还使得模型能够从不同的角度(即不同的“注意力头”)独立地学习和表示节点间的关系。每个头都能捕捉到特定的特征模式，并将这些模式综合起来形成最终的融合特征，从而显著增强了模型的特征表达能力。

30、优选地，注意力头计算一个图节点的聚合节点特征的过程包括：

31、首先，计算该图节点与其所有邻居图节点之间的注意力系数；

32、然后，使用softmax函数将该图节点的各注意力系数进行对称归一化处理；

33、最后，使用对称归一化处理后的注意力系数，对各邻居图节点的转换特征进行加权求和，得到相应的聚合节点特征。

34、这样，通过动态地调整邻居图节点的权重，提高了图神经网络在处理图数据时的特征表达能力和模型性能，同时增强了模型的可解释性，为解决图数据中的复杂问题提供了有力的工具。

35、优选地，图节点与其邻居图节点之间的注意力系数的表达式为：

36、

37、其中，eij为节点i和节点j之间注意力系数，表示图节点i和图节点j之间的关系强度；a为信息特征；w表示注意力头的线性变换矩阵；表示图节点i的信息特征；表示图节点j的信息特征；

38、对图节点的各注意力系数进行对称归一化处理的计算式为：

39、

40、其中aij是节点i到j的归一化注意力系数；ni表示节点i的邻居图节点集合；leakyrelu为非线性激活函数。

41、这样，注意力机制通过计算节点间的注意力系数，能够区分不同邻居图节点对当前节点的重要程度。这种区分能力使得模型能够聚焦于那些对当前节点影响更大的邻居，从而在聚合特征时保留更多有用的信息，提高了特征表达的丰富性和准确性。除此，通过可视化注意力系数，可以直观地理解模型是如何根据节点间的相对重要性来聚合信息的。这种可解释性对于分析图数据中的模式和关系尤为重要，有助于研究人员和工程师更好地理解和优化模型。

42、优选地，多头注意力机制的融合节点特征的计算式为：

43、

44、式中，表示图节点i的融合节点特征；表示节点j的信息特征；σ表示激活函数；ni表示节点i的邻居图节点的数量；t为注意力头的总数；是由第t个注意力头计算的对称归一化处理后的注意力系数；wt是第t个注意力头的线性变换矩阵。

45、这样，模型能够从不同的角度独立地学习和表示节点间的关系。每个注意力头都能捕捉到特定的特征模式，并将这些模式综合起来形成最终的融合特征，从而显著增强了模型的特征表达能力。

46、优选地，将图节点的信息特征应用线性变换得到转换特征时，线性变换的计算式为：

47、hi＝wxi；

48、其中，hi为转换特征；xi为图节点i的信息特征的特征向量；w表示注意力头的线性变换矩阵，w为可学习的权重矩阵。

49、这样的设置，通过调整权重矩阵w，线性变换可以选择性地提取原始特征中的关键信息，忽略不重要的特征。这种特征提取能力对于提高模型的性能至关重要。除此，与非线性变换相比，线性变换具有较低的计算复杂度和较低的模型复杂度。这使得线性变换在处理大规模图数据时更加高效和实用。

50、优选地，对参数预测模型进行训练时，采用mse损失函数，并通过adam优化器进行网络权重的更新；其中，mse损失函数的计算式为：

51、

52、式中，n表示训练数据集中数据样本的数量，表示训练过程中出口气动参数的预测值；yi表示真实的出口气动参数。

53、这样的设置，使用mse损失函数结合adam优化器来训练参数预测模型，可以显著提升模型的预测准确性、稳定性、收敛速度和泛化能力。

54、优选地，s4中，对训练后的参数预测模型进行精度要求验证时，采用平均百分比误差mape来评价预测误差，其计算式为：

55、

56、其中，m表示验证数据集中数据样本的数量，yi表示真实的涡轮叶栅出口的气动参数，表示涡轮叶栅出口的气动参数预测值。

57、这样的设置，由于mape计算的是误差的百分比，因此它消除了不同气动参数之间量纲差异的影响。这使得mape能够用于比较不同量纲或不同量级的气动参数的预测准确性，增强了模型的通用性和可比性。并且，mape对预测误差的大小非常敏感，尤其是当真实值较小时。这有助于模型开发者识别并优化那些在小值预测上表现不佳的情况，从而提高整体预测精度。