买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜哈尔滨工业大学申请的专利基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113705077B 。

龙图腾网通过国家知识产权局官网在2025-05-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110790078.8，技术领域涉及：G06F30/27；该发明授权基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备是由罗磊;王松涛;杜巍;余开拓设计研发完成，并于2021-07-13向国家知识产权局提交的专利申请。

本基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备在说明书摘要公布了：本发明涉及涡轮叶片优化设计技术领域，具体涉及基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备，基于机器学习的涡轮叶片反问题设计方法包括以下步骤：以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量，建立由叶片几何参数到叶片气动参数的数据集；创建涡轮叶片反问题设计的训练模型；利用所述数据集对所述训练模型进行训练和损失评估以确定所述反问题设计模型；将第二叶片气动参数代入所述反问题设计模型以反向预测第二叶片几何参数。本发明能够根据叶片的气动参数计算得到叶片的几何参数，同时，该基于机器学习的涡轮叶片反问题设计方法还具有计算精度高的优点。

本发明授权基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备在权利要求书中公布了：1.一种基于机器学习的涡轮叶片反问题设计方法，其特征在于，包括：以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量，建立由叶片几何参数到叶片气动参数的数据集；创建涡轮叶片反问题设计的训练模型；利用所述数据集对所述训练模型进行训练和损失评估以确定反问题设计模型；将第二叶片气动参数代入所述反问题设计模型以反向预测第二叶片几何参数；其中，所述第一叶片几何参数包括安装角、进口几何角、出口几何角、前缘压力面楔角、前缘吸力面楔角、尾缘楔角、后弯角、前缘直径几何参件，所述第一叶片气动参数包括效率、功率、流量、出口相对马赫数、出口绝对马赫数、出口相对气流角、出口绝对气流角和反动度；所述第一叶片几何参数为叶片截面的几何参数，所述叶片截面为导叶根部、导叶顶部、动叶根部、动叶中部和动叶顶部；所述以第一叶片几何参数作为自变量，以第一叶片气动参数作为因变量，建立由叶片几何参数到叶片气动参数的数据集，包括：基于每个截面的几何参数的取值范围，采用拉丁超立方抽样算法均匀抽样取值，获得由所述第一叶片几何参数组成的叶形文件；对叶形文件进行计算，得到所述第一叶片气动参数；归一化处理所述第一叶片几何参数与所述第一叶片几何参数对应的所述第一叶片气动参数，得到所述数据集；所述创建涡轮叶片反问题设计的训练模型，包括：创建由输入层、第一隐含层、第二隐含层和输出层构成的4层神经网络模型；设置输入层和第一隐含层为RBF层；设置第二隐含层和输出层为全连接层；所述利用所述数据集对所述训练模型进行训练和损失评估以确定所述反问题设计模型，包括：将所述数据集分为训练数据和测试数据，其中，所述测试数据包括第三叶片气动参数和与第三叶片气动参数对应的第三叶片几何参数；利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设计模型；利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题设计模型；所述利用所述训练数据对所述4层神经网络模型进行训练和损失评估以得到所述反问题设计模型，包括：用损失函数对训练模型进行损失评估；用优化算法对损失函数进行迭代优化；评估损失评估的计算结果得到所述反问题设计模型；所述利用所述测试数据对所述反问题设计模型进行验证以确定所述反问题设计模型，包括：将测试数据的第三叶片气动参数代入所述反问题设计模型，得到第四叶片几何参数；将第四叶片几何参数进行反归一化处理，得到第五叶片几何参数；基于所述第五叶片几何参数，建立预测几何模型；将测试数据的第三叶片几何参数反归一化处理，得到第六几何参数；基于第六叶片几何参数，建立真值几何模型；对比评估所述预测几何模型和真值几何模型在同一叶高上的叶型以确定所述反问题设计模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。