本技术涉及涡轮叶片优化设计，尤其涉及一种基于nurbs曲面造型的大小叶片机器学习优化设计方法。
背景技术：
1、高效率的涡轮气动设计可以有效降低发动机质量，提升发动机效率，增强发动机性能。常规涡轮造型方法发展至今已经比较成熟，开发了多种不同的造型工具，无论何种方法，基本思想都是将叶型几何进行参数化表征，并结合光滑曲线完成造型。过渡段支板与低压涡轮导向叶片一体化的大、小叶片组合叶栅设计与常规叶型设计有所不同，在设计中要考虑大、小叶片的流动匹配，同时要满足结构设计对大叶片几何尺寸和积叠形式等要求。由于存在大、小两种不同叶型，无法像常规叶片一样采用统一的造型参数表示。
2、相关技术中，在给定涡轮叶片目标气动参数后，通常采用传统的高精度数值模拟方法，不断改变叶片几何，进行仿真计算，其计算精度高，但计算量大，计算时间长；低精度仿真虽然能快速获得计算结果，但无法用于准确流场分析；实验测量能反映流场实际情况，但人力物力时间成本高，且会收到测量与制造技术误差的影响。
3、并且传统的叶型设计方法需要推导出各个型值点的迭代关系式，并依次进行迭代计算，过程公式繁琐、计算量大，要想在计算机上实现编程和修改更是难上加难。
4、nurbs方法作为工业产品几何形状定义和设计的唯一数学方法，如何合理有效地表示出各种nurbs曲线曲面就显得格外的重要。nurbs是非均匀有理b样条(non-uniformrational b-splines)的缩写，这种曲面造型方法可以精确地表示和设计标准的解析几何形状(即初等曲线曲面和复杂自由曲线曲面，为这些曲线曲面提供了一个公共的标准数学表达形式。曲线曲面上的控制顶点和与之相对应的权因子分别应用或者相结合为各种曲线曲面形状的设计和修改提供了灵活性，其中权因子的引入替代了以往几何连续样条曲线曲面中的形状参数。
5、主成分分析法(pca)是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。pca通常用于降低大型数据集的维数，方法是数据集中的指标数量变少，并且保留原数据集中指标的大部分信息。pca优点在于数据降维，便于提取数据的主要特征，使得数据更容易使用，减少计算开销，去除噪音等等。pca不仅能将数据压缩，也使得降维之后的数据特征相互独立。采用主成分分析法对流场模拟结果进行降维，使得降维后的k个模态流场相互独立。
6、机器学习为涡轮大小叶片的优化设计研究提供了新的切入点。作为当前人工智能技术的子领域，机器学习算法是一种依赖于模式与统计推断的算法，不需要专门编程即可使计算机系统能完成特定任务，即软编程。研究人员利用机器学习算法，可指导计算机利用已知数据训练出适当的机器学习模型，并利用训练完成的模型在新的情境下，对新的数据给出预测。神经网络作为机器学习中的一种算法模型，具有较强的非线性映射能力。它具有多层网络结构，每层由多个神经元构成，神经元之间采用权重连接。将数据分为训练数据与测试数据，用训练数据对模型进行训练学习，改变神经元的权重，使其获得回归预测能力，生成具有泛化能力的模型。测试数据作为神经网络没有见过的数据，输入训练完的模型，用于测试其预测准确度。在大小叶片优化设计上运用机器学习方法，给定叶片气动参数，能快速精准地预测出几何参数，减少计算量，提高设计效率，是传统数值模拟仿真计算方法外的一种新的尝试。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本技术的目的在于提出一种基于nurbs曲面造型的大小叶片机器学习优化设计方法，旨在根据涡轮大叶片的三维参数计算得到小叶片优化的几何参数，压缩计算量，节省计算资源。
3、为达上述目的，本技术实施例提出了一种基于nurbs曲面造型的大小叶片机器学习优化设计方法，包括：
4、获取待设计飞机原始涡轮大小叶片的理论数据，以nurbs曲面造型方法确定大叶片的叶型值点和控制顶点，通过缩放，得到小叶片的叶型值点和控制顶点；
5、构建原始涡轮大小叶片的三维流道模型，并对原始涡轮大小叶片的三维流道模型进行网格划分；
6、提取待设计飞机原始涡轮大小叶片叶型设计参数以及目标参数数据，建立由叶片nurbs曲面控制顶点到叶片气动参数的数据集，对数据集进行数据降维；
7、创建涡轮叶片优化问题设计的模型，搭建神经网络，并寻求最优的设计参数数据。
8、其中，获取待设计飞机发动机大小叶片的理论数据，以nurbs曲面造型方法确定大叶片的叶型值点和控制顶点，包括：
9、结合飞机发动机中指定叶片的理论数据，应用双三次nurbs曲面的造型方法构造出叶片；
10、运用双三次nurbs曲面的反算方法获取大叶片曲面上所需的叶型值点和控制顶点，并将求得的控制顶点在python中实现曲面的生成。
11、其中，通过缩放，得到小叶片的叶型值点和控制顶点，包括：
12、以传统涡轮过渡段大小叶片造型方式中，小叶片按大叶片百分比轴向弦长的比例，等比缩小得到其叶片理论数据；
13、以nurbs曲面造型方法确定大叶片型值点和控制顶点。
14、其中，原始涡轮大小叶片的三维流道模型进行网格划分，是对原始涡轮大小叶片的三维流道模型，采用o4h型网格拓扑进行网格划分。
15、其中，提取待设计飞机涡轮大小叶片叶型设计参数以及目标参数数据，建立由叶片nurbs曲面控制顶点到叶片气动参数的数据集，包括：
16、利用的三维流动网格计算得到的训练数据对提取涡轮大小叶片叶型设计参数以及目标参数的数据；
17、以叶片几何参数作为自变量，以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；
18、以控制顶点±20％法向偏置作为样本空间的上下界，生成改型涡轮叶片三维叶型的样本空间；
19、从改型涡轮叶片三维叶型的样本空间中选取预设数量的三维叶型作为数据库，使用计算流体力学方法对所属数据库包含的改型涡轮叶片三维叶型进行数值模拟，得到涡轮三维数值模拟的流场，将所得到的数值模拟流场组成数值模拟流场数据库。
20、其中，对数值模拟流场数据库进行数据降维，包括：
21、采用主成分分析法对数值模拟流场数据库进行降维，使得降维后的模态流场相互独立；
22、采用模态流场的线性组合对涡轮大小叶片数值模拟流场进行重构，得到涡轮大小叶片的重构流场。
23、其中，创建涡轮叶片优化问题设计的模型，搭建神经网络，包括：
24、将改型的大小叶片叶型搭建的数据库按照2：1的比例划分训练集和测试集；
25、将的涡轮大小叶片三维参数作为神经网络的输入参数，将模态流场的权重作为输出。
26、其中，寻求最优的设计参数数据，包括：
27、将神经网络的模型作为算法的评估手段，进行寻优，得到涡轮大小叶片的三维叶型数据；
28、使用计算流体力学方法对寻优结果进行验证。
29、区别于现有技术，本发明提供的一种基于nurbs曲面造型的大小叶片机器学习优化设计方法，通过获取飞机发动机涡轮叶片的理论数据，以nurbs曲面造型方法确定大叶片型值点和控制顶点；以缩放的方法得到小叶片的叶型确定型值和控制顶点；对大小叶片三维流道的模型网格划分；提取涡轮大小叶片叶型设计参数以及目标参数的数据，建立由叶片nurbs曲面控制顶点到叶片气动参数的数据集；数据降维；创建涡轮叶片优化问题设计的模型，搭建神经网络；寻求最优的设计参数数据。本发明能够提高叶片的气动性能并且得到叶片的三维设计参数，同时，该基于nurbs曲面造型的大小叶片机器学习优化设计方法还具有压缩计算量，节省计算资源的优点。
30、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，包括：
2.根据权利要求1所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，所述获取待设计飞机发动机大小叶片的理论数据，以nurbs曲面造型方法确定大叶片的叶型值点和控制顶点，包括：
3.根据权利要求2所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，通过缩放，得到小叶片的叶型值点和控制顶点，包括：
4.根据权利要求1所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，对所述原始涡轮大小叶片的三维流道模型进行网格划分，是对原始涡轮大小叶片的三维流道模型，采用o4h型网格拓扑进行网格划分。
5.根据权利要求1所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，所述提取待设计飞机涡轮大小叶片叶型设计参数以及目标参数数据，建立由叶片nurbs曲面控制顶点到叶片气动参数的数据集，包括：
6.根据权利要求5所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，对所述数值模拟流场数据库进行数据降维，包括：
7.根据权利要求1所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，所述创建涡轮叶片优化问题设计的模型，搭建神经网络，包括：
8.根据权利要求1所述的基于nurbs曲面造型的大小叶片机器学习优化设计方法，其特征在于，寻求最优的设计参数数据，包括：
