● 摘要
人工神经网络（Artificial Neural Networks）是模拟人类神经系统，由大量处理单元组成的非线性信息处理系统，具有很强的并行分布处理、学习、容错和抗干扰能力。其中，基于误差逆传播（Back-Propagation）算法的多层前馈神经网络，由于很强的非线性函数逼近能力，在各个研究领域得到了广泛应用。涡轮叶片内通道的流动与换热性能，不仅受流体速度速度的影响，也受通道内各种几何参数的影响。传统的方法是将实验得到的数据通过非线性拟合得到经验关系式，用于实际的涡轮叶片内冷通道的设计。但是由于影响流动与换热的各种因素非常复杂，很难找到确切的关系式表达它们之间的关系。这给实验数据有效的应用于工程实际带来了很大阻力。而BP神经网络由于具有高度的非线性逼近性能，能够很好的解决这个问题。传统的BP网络是基于网络误差函数梯度下降的方法。它在学习训练过程中有收敛速度慢、容易陷入局部极小等不足，本文采用了基于最小二乘的LM（Levenberg -Marquardt）算法提高BP网络的收敛性能。为了增强网络的泛化能力从而增强网络的预测能力，采用了贝叶斯正则化方法和提前停止法。并最终利用Matlab的神经网络工具箱实现了用于预测的神经网络的建模。通过对涡轮叶片内通道的流阻与换热的实验分析处理实验数据，最后用神经网络对不同结构的通道的换热与流阻的数据训练，得到了能够用于预测的神经网络系统。经过与传统的非线性拟合方法相比较，神经网络显示出了其显著的优越性：可以在不需要具体描述输入与输出变量之间相互关系的情况下，精确的逼近训练数据，并很好的预测未训练的数据。神经网络将会给涡轮叶片内通道的换热与流阻的研究带来很大的便利。