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！

龙图腾网恭喜大连理工大学申请的专利一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法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：CN115455819B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202211092881.5，技术领域涉及：G06F30/27；该发明授权一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法是由刘海涛;赵雨松;王晓放;丁家琦;吴锴设计研发完成，并于2022-09-08向国家知识产权局提交的专利申请。

本一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法在说明书摘要公布了：一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，包括以下步骤:S1、数据采集及预处理、S2、降维编码、S3、利用数据增强技术扩充样本训练集、S4、获得标准目标任务训练集及标准辅助任务训练集、S5、建模及训练、S6、动态重构。本发明利用不同工况间涡轮叶片流场参数间存在的潜在联系特征，提出一种基于本征正交分解和多任务高斯过程的涡轮叶片瞬态流场迁移降阶监测方法，利用多工况数据融合将辅助工况下学习的知识迁移至目标任务，实现对目标任务叶片高维瞬态流场参数演化的智能建模和快速预测，可以大幅降低计算开销，提升涡轮叶片研发效率。

本发明授权一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法在权利要求书中公布了：1.一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法，其特征在于，包括以下步骤：S1、数据采集及预处理：包括以下步骤：S1-1、采集目标流场的训练数据集：构建涡轮仿真模型，以涡轮仿真模型的流体域中的预设截面作为监测面，在该监测面上任选n个监测点{di}1≤i≤n；在预设工况条件下，对该流体域进行瞬态计算，并提取{0≤tj≤m-1Δt}j∈N时刻监测点{di}1≤i≤n处包含有监测参数p的m个流场快照；将所述流场快照按照递增时序组合成目标任务的二维时空张量并将该二维时空张量P作为目标流场的训练数据集；其中m1，n≥1；S1-2、采集辅助流场的训练数据集：变换预设工况条件，在K组不同于所述预设工况条件的状态下，对所述流体域进行瞬态计算，并提取{0≤tsj′≤mK-1Δt}1≤s≤K时刻监测点{di}1≤i≤n处包含有监测参数p的mK个流场快照，其中，mK＞＞m；将所述流场快照按照递增时序组合成目标任务的二维时空张量并将该二维时空张量PK′作为目标流场的辅助任务数据集；其中mK＞1，j′∈N；Δt为相邻流场快照的时间间隔；S2、降维编码:利用本征正交分解方法分别对所述训练数据集和辅助任务数据集进行降维编码，分别获取训练数据集P和辅助任务数据集PK′中各个元素的时序特征，即训练数据集P中各元素的模态系数αrtj、辅助任务数据集PK′中各元素的模态系数其中，r为截断模态阶数；将模态系数αrtj构成训练数据集P的模态系数序列αr，并将其作为目标模态系数；将模态系数构成辅助任务数据集P′K的模态系数序列α′r，并将其作为辅助模态系数；S3、利用数据增强技术扩充样本训练集：对步骤S2得到的模态系数序列αr，α′r进行增强，得到增强目标模态系数序列与增强辅助模态系数序列S4、获得标准目标任务训练集及标准辅助任务训练集S4-1利用自回归策略分别将增强目标模态系数序列与增强辅助模态系数序列转换为有标签类型数据，以获得目标任务训练集Dr及辅助任务训练集Drk；S4-2、将得到的目标任务训练集Dr及辅助任务训练集Drk分别进行Z-score标准化处理，输出标准目标任务训练集及标准辅助任务训练集S5、建模及训练：建立多任务高斯过程模型对标准目标任务训练集及标准辅助任务训练集进行迁移预测，具体包括以下步骤：S5-1、利用步骤S4获得的标准目标任务训练集及标准辅助任务训练集构建r个多任务高斯过程迁移模型Mr： 其中，Z为最高阶截断模态阶数，Z＝minm,mk；所述多任务高斯过程迁移模型Mr的表达式为： 其中，作为多任务高斯过程迁移模型Mr的训练数据集，为标准化自回归模态系数，{yr}1≤r≤Z为模型输出；为Q个服从零均值的高斯过程潜函数；为由基高斯过程{fq·}1≤q≤Q映射到高维空间内的H个潜函数，其中，QH；是第r个任务的潜函数的线性混合权重；是第r个任务的独立同分布高斯噪声项；为随输入变化的映射函数；S5-2、利用重要权重变分推断最小化证据下界L对超参数进行寻优，表达式为： 其中，f＝{fq·}1≤q≤Q为潜变量；KL[q·∥p·]≥0为Kullback-Leibler散度；其中q·为p·的近似分布，Kullback-Leibler散度用于衡量分布q·对分布p·的近似程度；诱导变量集δ＝{δr}1≤r≤Z,多任务高斯过程迁移模型采用Adam随机梯度优化器进行模型训练；每个训练数据预测完成后，返回步骤S4并将滑动窗口向前单步移动一次，更新目标任务训练集及辅助任务训练集往复循环直至训练数据集中训练数据预测完毕；S5-3、利用步骤S5-2训练完成的r组多任务高斯过程迁移模型对未来时刻模态系数的高斯预测分布均值进行预测: 其中，为未来时刻模态系数的高斯预测分布均值，是未来时刻的模态系数高斯分布均值的预测方差，xr,*为多任务高斯过程迁移模型的输入；S6、动态重构：利用步骤S5得到的模态系数的高斯预测分布均值对流场进行动态重构解码：对TΔt时刻的目标任务的Z阶模态系数预测值和空间模态向量得到未来t时刻涡轮动叶入口截面参数场的预测表达式为： 是二维时空张量监测参数场在TΔt时刻的预测重构流场,是监测参数p的时均向量；所述工况条件包括涡轮转速和出口压力；监测参数p包括温度。

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大连理工大学，其通讯地址为：116023 辽宁省大连市甘井子区凌工路2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”。