【技术实现步骤摘要】
涉及数据预测，具体涉及涡轮叶片表面场快速预测。
技术介绍
1、燃气轮机作为现代能源转换设备的重要组成部分，在航空动力、舰船推进、地面发电及其他工业领域起着关键作用。其核心部件包括压气机、燃烧室和涡轮，其中涡轮部分将燃烧室输出的高温、高压燃气的内能转化为机械功，直接决定着燃气轮机的整体性能。因此，为了提升燃气轮机的效率并降低污染排放，对涡轮叶片的设计和优化是燃气轮机领域的重要研究方向之一。
2、现有技术中，涡轮叶片表面场的设计和优化主要依赖于数值模拟和实物实验手段。数值模拟(如cfd，计算流体动力学)技术可以对涡轮叶片的气动型面进行仿真，以评估其流场特性，如温度场和压力场。这种方法在设计的初期能够提供比较精确的预测结果，但其计算资源需求巨大，特别是在模拟高雷诺数(reynolds number)或三维复杂流场时，数值模拟的时间和硬件成本往往是设计过程中的瓶颈。而另一方面，实物实验由于涉及复杂的设备安装和加工，通常成本昂贵，时间消耗大，通常只能在最终评估阶段进行，以验证设计的实际性能。
3、近年来，机器学习在流体动力学领域的应用逐渐受到关注。学者们尝试通过构建代理模型来替代部分数值模拟，以加速设计和优化过程。例如，通过机器学习方法对流场进行快速预测，可分为以下几种主要路线：
4、1.基于湍流模型修正的机器学习方法：通过机器学习或线性代数方法预测各向异性湍流特征量，修正现有湍流模型以加速数值计算。这类方法可以提高数值模拟的收敛性，但在复杂流场预测中仍然需要调用数值求解器，计算成本高。
5
6、3.端到端流场预测：通过机器学习方法建立从边界条件到流场特性的端到端映射模型。这种方法在响应速度上具有显著优势，但现有研究大多关注低雷诺数流动(re<500)或者较为简单的二维、三维流动模式，在复杂三维湍流流场和高雷诺数条件下的应用受限，难以准确预测涡轮叶片表面的复杂温度和压力分布。
7、综上所述，现有的涡轮叶片表面场预测技术在高效性和准确性之间存在显著的权衡。特别是对于复杂的涡轮叶片流场设计，高精度数值模拟计算耗时长且计算成本高，而现有的机器学习方法在处理复杂波系结构(如冲击波和膨胀波)以及高雷诺数条件下的流场时，预测精度往往不足。复杂流场中的涡轮叶片表面，通常表现出复杂的三维流动特性，具有显著的温度和压力分布不均匀性，这些特点使得传统的流场预测方法难以满足现代燃气轮机性能设计的要求。
8、因此，如何快速且精确地预测涡轮叶片表面的温度场和压力场，以满足新一代燃气轮机的设计需求，是当前
面临的重大挑战。
技术实现思路
1、为解决现有技术中存在的，现有的涡轮叶片表面场预测技术耗时长且计算成本高，精度不足，以及存在显著的温度和压力分布不均匀性的技术问题，本专利技术提供的技术方案，旨在降低计算资源和时间成本，提高复杂涡轮叶片表面流场的预测精度，从而加速涡轮设计与优化的整体进程：
2、一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，包括：
3、采集涡轮叶片表面场数据的步骤；
4、采集预设多通路自注意力网络架构的步骤；
5、对所述预设多通路自注意力网络架构进行预处理的步骤；
6、根据处理后的多通路自注意力网络架构，对所述涡轮叶片表面场进行特征提取和建模的步骤；
7、根据所述特征提取和建模结果，建立“从边界条件到涡轮叶片表面温度场和压力场的映射关系”的步骤。
8、进一步，提供一个优选实施方式，所述预处理具体为：在所述多通路自注意力网络架构的每个路径中配置卷积层、残差swin transformer块和pixelshuffle上采样算子。
9、进一步，提供一个优选实施方式，所述卷积层用于特征集成，残差swintransformer块用于计算增强流场矩阵中不同区域之间的相关性，pixelshuffle上采样算子用于将低分辨率特征图重建为高分辨率输出。
10、进一步，提供一个优选实施方式，通过监督学习建立“从边界条件到涡轮叶片表面温度场和压力场的映射关系”。
11、进一步，提供一个优选实施方式，一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立装置，包括：
12、采集涡轮叶片表面场数据的模块；
13、采集预设多通路自注意力网络架构的模块；
14、对所述预设多通路自注意力网络架构进行预处理的模块；
15、根据处理后的多通路自注意力网络架构，对所述涡轮叶片表面场进行特征提取和建模的模块；
16、根据所述特征提取和建模结果，建立“从边界条件到涡轮叶片表面温度场和压力场的映射关系”的模块。
17、进一步，提供一个优选实施方式，一种基于多通路自注意力网络的涡轮叶片表面场快速预测方法，包括：通过所述的从边界条件到涡轮叶片表面温度场和压力场的映射关系，对待测叶片表面温度场和压力场进行预测的步骤。
18、进一步，提供一个优选实施方式，一种基于多通路自注意力网络的涡轮叶片表面场快速预测装置，包括：通过所述的从边界条件到涡轮叶片表面温度场和压力场的映射关系，对待测叶片表面温度场和压力场进行预测的模块。
19、进一步，提供一个优选实施方式，计算机储存介质，用于储存计算程序，当所述计算机读取所述计算机程序时，所述计算机执行所述的方法。
20、进一步，提供一个优选实施方式，计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的方法。
21、进一步，提供一个优选实施方式，计算机程序产品，作为计算机程序，当所述计算机程序被执行时，实现所述的方法。
22、与现有技术相比，本专利技术提供的技术方案的有益之处在于：
23、通过引入多通路自注意力网络架构，有效解决了复杂流场预测中的精度和效率问题。通过采用多路径的特征提取方式，不同尺度的输入数据被分配到独立的路径中，以捕获不同粒度的涡轮叶片表面物理场特征。相比于现有的单一路径模型，多通路架构显著提高了对流场特征的捕获能力，特别是对具有多尺度特征的复杂流场，其预测精度得到了有效提升。
24、在流场特征提取中使用残差swin transformer块，通过引入基于窗口的注意力计算以及滑动窗口机制，增强了模型对不同区域流场之间相关性的理解能力。与传统卷积神经网络(cnn)相比，swin transformer能够更高效地捕获远程依赖关系，尤其在预测高雷诺数下的复杂流场时，滑动窗口使得模型在不同子区域之间共享信息，从而提高了整体预测的精确度。
25、卷积层与pixelshuffle上采样算子的结合实现了低分辨率特征本文档来自技高网...
【技术保护点】
1.一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，所述预处理具体为：在所述多通路自注意力网络架构的每个路径中配置卷积层、残差Swin Transformer块和PixelShuffle上采样算子。
3.根据权利要求2所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，所述卷积层用于特征集成，残差Swin Transformer块用于计算增强流场矩阵中不同区域之间的相关性，PixelShuffle上采样算子用于将低分辨率特征图重建为高分辨率输出。
4.根据权利要求1所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，通过监督学习建立“从边界条件到涡轮叶片表面温度场和压力场的映射关系”。
5.一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立装置，其特征在于，包括：
6.一种基于多通路自注意力网络的涡轮叶片表面场快速预测方
7.一种基于多通路自注意力网络的涡轮叶片表面场快速预测装置，其特征在于，包括：通过权利要求1所述的从边界条件到涡轮叶片表面温度场和压力场的映射关系，对待测叶片表面温度场和压力场进行预测的模块。
8.计算机储存介质，用于储存计算程序，其特征在于，当所述计算机读取所述计算机程序时，所述计算机执行权利要求1所述的方法。
9.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行权利要求1所述的方法。
10.计算机程序产品，作为计算机程序，其特征在于，当所述计算机程序被执行时，实现权利要求1所述的方法。
...【技术特征摘要】
1.一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，所述预处理具体为：在所述多通路自注意力网络架构的每个路径中配置卷积层、残差swin transformer块和pixelshuffle上采样算子。
3.根据权利要求2所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，所述卷积层用于特征集成，残差swin transformer块用于计算增强流场矩阵中不同区域之间的相关性，pixelshuffle上采样算子用于将低分辨率特征图重建为高分辨率输出。
4.根据权利要求1所述的一种基于多通路自注意力网络的涡轮叶片表面场快速预测模型建立方法，其特征在于，通过监督学习建立“从边界条件到涡轮叶片表面温度场和压力场的映射关系”。
5.一种基于多通路自注意力网...
【专利技术属性】
技术研发人员：温风波，李左飙，万晨昕，李一越，赵智源，罗余曦，姜庆宇，管晨，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。