(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111577346.4 (22)申请日 2021.12.2 2 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 杨斌　张鑫源　孙希明　全福祥　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 代理人 苗青　王海波 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/08(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于生成式对抗网络的平面叶栅定常 流动预测方法 (57)摘要 一种基于生成式对抗网络的平面叶栅定常 流动预测方法， 首先， 对平面叶栅C FD仿真实验数 据进行预处理， 在仿真实验数据中划分出测试数 据集和训练数据集。 其次， 依次构建Encoding ‑ Forecasting网络模 块、 构建深度卷积网络模 块、 构建生成式对抗网络预测模型。 最后， 在测试集 数据上进行预测： 对测试集数据采用相同方式进 行预处理， 并按保存的最优的预测模 型的输入要 求调整数据维度； 通过预测模型得到进气攻角为 10°时的平面叶栅流场图像。 本发明能够有效避 免轴流压气机内部传感器测量范围有限的问题， 其预测结果与CFD的计算结果高度吻合， 具有较 高的预测精度； 基于数据驱动， 通过训练不同数 据集可以将模型方便地应用于不同叶型的轴流 压气机的流场预测中， 具有一定的普适 性。 权利要求书3页 说明书8页 附图4页 CN 114329826 A 2022.04.12 CN 114329826 A 1.一种基于生成式对抗网络的平面叶栅定常流动预测方法， 其特征在于， 包括以下步 骤： S1.对轴流压气机的平面叶栅定常流场仿真图像数据进行 预处理， 包括以下步骤： S1.1通过CFD仿真实验获取轴流压气机的平面叶栅定常流动的流场图像数据， 将在相 同叶型、 马赫数和入口气流角的条件下， 进气攻角随时间变化的流场图像组成图像序列作 为一个样本； 为等长序列输入； 为保证测试结果的客观性， 在对仿真实验数据进行处理前， 将其划分为测试 数据集和训练数据集； S1.2对流场图像数据进行去噪处 理； S1.3对滤波后的流场图像进行裁剪得到平面叶栅边缘的流场图像， 将裁剪后的图像分 辨率进行统一， 并对训练集数据进行归一 化； S1.4每个样本的图像序列中， 将最后一帧作为图像预测目标真值， 将其它帧图像作为 网络输入值； S1.5将训练数据集划分为训练集和验证集； S2.构建Encodi ng‑Forecasti ng网络模块， 包括以下步骤： S2.1将训练集中每个输入样本的维度调整为(seq_input,c,h,w)， 图像预测目标真值 的维度调整为(seq_target,c,h,w)， 其中seq_input为输入图像序列长度， seq_target为预 测图像序列长度， c表示图像通道数量， (h,w)为图像分辨 率； S2.2 Encoding网络由多个编码模块构成； 每个编码模块由一个下采样层和一个 ConvLSTM层组成； 每层ConvLSTM包含多个ConvLSTM单元， 下采样层的输出通过门控激活单 元输入到ConvLSTM层， 每个编码模块之间通过门控激活单元相连； 每个编码模块学习到流 场图像序列高维的时空特 征， 输出更低维的时空特 征并传入到下一个编码模块； S2.3 Forecastin g网络由多个解码模块构成； 解码模块的作用是将编码模块提取的低 维流场时空特征扩展成更高维的特征， 达到最终重构高维流场图像的目的； 每个解码模块 由一个上采样层和一个ConvLSTM层组成； 每层ConvLSTM包含多个ConvLSTM单元， ConvLSTM 层的输出通过门控激活单元输入到上采样层， 每个解码模块之间通过门控激活单元相连； 每个解码模块将对Encoding网络相同位置的编码模块所提取的输入图像序列的时空特征 进行解码， 得到历史时刻的特 征信息并传入到下一个解码模块； S2.4 Encoding网络的不同编码层输出提取到的不同维度的平面叶栅流场图像序列的 时空特征， Forecasti ng网络将该不同维度的时空特 征作为不同解码层的初始状态输入； S2.5为了保证输入图像和预测图像具有相同的分辨率， 将Forecasting网络中最后一 个解码模块的输出特征通过一个卷积层， 并采用ReLu激活函数激活， 生成最终的预测图像 并输出， 将其作为Encoding ‑Forecasting网络的预测结果， 其维度为(N,seq_target,c,h, w)， 其中N 为样本个数； S3.构建深度卷积网络模块， 包括以下步骤： S3.1将步骤S1.4中的图像预测目标真值和 步骤S2.5中得到的Encoding ‑Forecasting 网络预测结果的维度调整为(N*seq_target， c， h， w)， 并将其作为深度卷积网络的输入； S3.2将卷积层、 批标准化层和LeakyRelu激活函数按顺序连接组成卷积模块， 深度卷积 网络模块由多个卷积模块和一个输出映射模块构成， 输出映射模块将多个卷积模块提取到 的特征通过一个卷积层， 并利用sigmoid激活函数得到0到1之间的输出值， 再对输出值进 行权　利　要　求　书 1/3 页 2 CN 114329826 A 2维度变换得到概率输出值， 将该概率输出值作为深度卷积网络模块的最终输出， 其维度为 (N*seq_target， 1)； 该概率值表示深度卷积网络判定图像是真实图像的概率， 对于真实图 像标记为1， 对于 Encoding‑Forecasti ng网络预测图像标记为0； S4.构建生成式对抗网络预测模型， 包括以下步骤： S4 .1采用生成式对抗网络训练的方式， 使得深度卷积网路模块为Encoding ‑ Forecasting网络提供学习梯度， 优化Encoding ‑Forecasting网络的参数； 将步骤S2构建的 Encoding ‑Forecasting网络作为生成式对抗网络的生成器， 记为G； 将步骤S3构建的深度卷 积网络模块作为 生成式对抗网络的判别器， 记为D； S4.2单独训练Encoding ‑Forecasting网络， 当其误差值小于0.001时， 加入深度卷积网 络模块作为判别器构成生成 式对抗网络共同训练的策略， 以达到稳定训练过程并进一步还 原流场图像细节的目的； S4.3当步骤S4.2中Encoding ‑Forecasting网络模块的训练误差小于0.001时， 将该网 络模块和深度卷积网络模块构成生成式对抗网络再进行训练， 训练过程中： 判别器采用传统的生成式对抗网络损失函数中的判别器部分LD进行训练， 其计算方式 如下： 针对生成式对抗训练中生成器训练不稳定的情况， 提供改进的生成器损 失函数； 改进 的生成器损失函数由两 部分构成： 一部分是传统的生成式对抗网络损失函数中的生成器部分Ladv， 其计算方式如下： 另一部分是MSE误差损失函数LMSE， 用来保证生成器模型训练的稳定性， 同时利用权重 参数λadv和 λMSE来调整损失函数Ladv和LMSE以达到平衡训练稳定性和预测结果清晰性的目的， 则生成器的最终损失函数为： LG＝ λadvLadv+λMSELMSE 其中， λadv∈(0， 1)， λMSE∈(0， 1)； 因此， 整个生成式对抗网络的损失函数为： Ltotal＝LD+LG S4.4保存步骤S4.3中训练后的生成式对抗网络 并在验证集上测试， 根据验证集评价指 标调整模型超参数， 评价指标采用结构相 似性SSIM指标， 保存使评价指标最优的模型得到 最终的生成式对抗网络预测模型； S5.利用预测模型对测试 数据进行 预测： S5.1按S1中步骤对步骤S1.1的测试数据集进行预处理， 并按步骤S2.1和步骤S3.1中的 输入要求调整测试 数据集的数据维度； S5.2利用步骤S4.4中最终的生成式对抗网络预测模型， 对每个测试样本最后一帧的图 像进行预测， 得到进气攻角为10 °时的平面叶栅的流场预测图像。 2.根据权利要求1所述的一种基于生成式对抗网络的平面叶栅定常流动预测方法， 其 特征在于， 所述步骤S1.2中， 采用中值滤波、 均值滤波和高斯滤波对流场图像数据进 行去噪权　利　要　求　书 2/3 页 3 CN 114329826 A 3