CN109446593A - 基于人工神经网络的多级轴流压气机一维设计方法 - Google Patents

基于人工神经网络的多级轴流压气机一维设计方法 Download PDF

Info

Publication number
CN109446593A
CN109446593A CN201811175442.4A CN201811175442A CN109446593A CN 109446593 A CN109446593 A CN 109446593A CN 201811175442 A CN201811175442 A CN 201811175442A CN 109446593 A CN109446593 A CN 109446593A
Authority
CN
China
Prior art keywords
neural network
axial flow
node
multi stage
stage axial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811175442.4A
Other languages
English (en)
Inventor
王英锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811175442.4A priority Critical patent/CN109446593A/zh
Publication of CN109446593A publication Critical patent/CN109446593A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明提供了一种基于人工神经网络的多级轴流压气机一维设计方法，包括步骤1：建立多级轴流压气机总体方案神经网络；步骤2：利用总体参数经验数据训练总体方案神经网络；步骤3：为训练后的总体方案神经网络提供不同的设计参数，直到得到满足要求的多级轴流压气机性能参数；步骤4：建立叶排模型神经网络；步骤5：利用叶排气动经验数据训练叶排模型神经网络；步骤6：为训练后的叶排模型神经网络提供叶排的几何特性和工作状态，得到叶排的流动损失和落后角。本发明提供的优点在于：降低了对设计者工作经验的依赖，避免设计的盲目性；在使用中能够不断的引入新的经验数据对人工神经网络进行训练，确保技术能够进行有效的积累和发展。

Description

基于人工神经网络的多级轴流压气机一维设计方法
技术领域
本发明涉及压气机设计技术领域，尤其涉及基于人工神经网络的多级轴流压气机一维设计方法。
背景技术
多级轴流压气机是广泛应用于航空、船舶、电力、冶金、能源、化工、医药等领域的动力机械，是很多大型工业生产企业的核心设备之一。然而，多级轴流压气机的设计周期长、研发成本高的现状严重制约了新产品的开发和市场推广。
多级轴流压气机的设计是一个反复循环迭代的过程，设计流程中包括一维设计、S2流面通流设计、S1流面叶型设计、三维叶片造型、CFD计算检验等环节。
一维设计是多级压气机气动设计的早期环节。一维设计的重要性在于，若一维设计中选取的压气机总体设计参数不合适，很难通过后续的其他设计环节优化来提高压气机性能，因而会导致循环迭代次数增加，设计周期延长。
多级轴流压气机一维设计存在以下困难：
由于一维设计是早期的设计环节，不具备开展精细的特性计算所需的足够的几何和气动信息，更无法开展试验测试，因此一维设计的结果严重的依赖于设计者的经验，具有很大的盲目性。
虽然，在长期的技术发展过程中，一些设计或研发机构积累了不少经验数据。但是，对于多级轴流压气机一维设计而言，经验数据的应用却存在很大的困难：(1)根据经验数据拟合曲线和推导经验公式的过程困难，且无法摆脱线性范畴，计算误差较大；(2)传统经验数据的利用方式适用范围较窄，难以满足新产品研发的需求。
发明内容
本发明所要解决的技术问题在于提供一种通过人工神经网络有效地利用经验数据实现多级轴流压气机一维设计的方法。
本发明是通过以下技术方案解决上述技术问题的：
基于人工神经网络的多级轴流压气机一维设计方法，包括以下步骤：
步骤1：建立多级轴流压气机总体方案神经网络；
步骤2：利用多级轴流压气机总体参数经验数据训练总体方案神经网络；
步骤3：为步骤2训练后的总体方案神经网络提供总体设计参数，得到多级轴流压气机性能参数，根据性能参数与多级轴流压气机的设计要求值的差异修正总体设计参数，直到得到满足要求的多级轴流压气机性能参数；
步骤4：建立叶排模型神经网络；
步骤5：利用叶排气动特性经验数据训练叶排模型神经网络；
步骤6：为步骤5训练后的叶排模型神经网络提供叶排的几何特性和工作状态，得到叶排的流动损失和落后角。
优选地，步骤1中采用包括输入层、隐含层和输出层的BP神经网络建立总体方案神经网络。
优选地，所述总体方案神经网络的前向传播过程如下：
a)隐含层第i个节点的输入neti为：
其中，xj表示输入层第j个节点的输入值，j＝1,……,M，M为输入节点数；wij表示隐含层第i个节点到输入层第j个节点之间的权值，i＝1,……,q，q为隐含节点数；θi表示隐含层第i个节点的阈值；
b)隐含层第i个节点的输出yi为：
其中，φ(x)表示隐含层的激励函数；
c)输出层第k个节点的输入netk为：
其中，wki表示输出层第k个节点到隐含层第i个节点之间的权值，ak表示输出层第k个节点的阈值，k＝1,……,L，L为输出节点数；
d)输出层第k个节点的输出ok为：
其中，ψ(x)表示输出层的激励函数。
优选地，所述总体方案神经网络的误差反向传播过程如下：
对于每一个样本p的二次型误差准则函数EP为：
其中，Tk为根据经验数据获得的期望输出值；系统对P个训练样本的总误差准则函数为：
通过误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi；得到：
输出层权值调整公式为：
输出层阈值调整公式为：
隐含层权值调整公式为：
隐含层阈值调整公式为：
又因为，
得到如下公式：
利用经验数据进行反复训练得出最小误差相对应的隐含层第i个节点到输入层第j个节点之间的权值wij、隐含层第i个节点的阈值θi、输出层第k个节点到隐含层第i个节点之间的权值wki以及输出层第k个节点的阈值ak，完成训练过程。
优选地，所述总体方案神经网络包括3个隐含层，每个隐含层的隐含节点数q＝10；所述输入节点数M＝5，分别用来输入多级轴流压气机的相似转速、相似流量、轮毂比、静叶角度和级数；输出节点数L＝3，分别用来输出压比、喘振裕度和效率。
优选地，隐含层激励函数φ(x)采用tansig函数，输出层激励函数ψ(x)采用purelin函数。
优选地，所述叶排模型神经网络采用PB神经网络。
优选地，所述叶排模型神经网络包括2个隐含层，每个隐含层包括5个隐含节点；输入层包括6个输入节点，分别用来输入叶排轮毂比、展弦比、中径叶型弯角、中径稠度、攻角和进口马赫数；输出层包括2个分别用于输出叶排总压恢复系数和落后角的输出节点。
优选地，所述叶排模型神经网络的训练函数选用trainlm函数。
优选地，还包括以下步骤：
步骤7：根据步骤6得到的叶排流动损失和落后角确定多级轴流压气机的流道和各叶排进、出口的中径速度三角形。
本发明提供的基于人工神经网络的多级轴流压气机一维设计方法的优点在于：降低了对设计者工作经验的依赖，在多级轴流压气机设计流程的前期即可获得有经验数据保证的设计参数，避免设计的盲目性；在使用中能够不断的引入新的经验数据对人工神经网络进行训练，确保技术能够进行有效的积累和发展。
附图说明
图1是本发明的实施例所提供的BP神经网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本实施例提供的一种基于人工神经网络的多级轴流压气机一维设计方法，包括以下步骤：
步骤1：建立多级轴流压气机总体方案神经网络；
如图1所示，本实施例中选择包括输入层、隐含层和输出层的BP神经网络建立总体方案神经网络。
步骤2：利用多级轴流压气机总体参数经验数据训练总体方案神经网络；
对总体方案神经网络进行训练的前向传播过程如下：
a)隐含层第i个节点的输入neti为：
其中，xj表示输入层第j个节点的输入值，j＝1,……,M，M为输入节点数；wij表示隐含层第i个节点到输入层第j个节点之间的权值，i＝1,……,q，q为隐含节点数；θi表示隐含层第i个节点的阈值；
b)隐含层第i个节点的输出yi为：
其中，φ(x)表示隐含层的激励函数；
c)输出层第k个节点的输入netk为：
其中，wki表示输出层第k个节点到隐含层第i个节点之间的权值，ak表示输出层第k个节点的阈值，k＝1,……,L，L为输出节点数；
d)输出层第k个节点的输出ok为：
其中，ψ(x)表示输出层的激励函数。
对总体方案神经网络训练的误差反向传播过程如下：
对于每一个样本p的二次型误差准则函数EP为：
其中，Tk为根据经验数据获得的期望输出值；系统对P个训练样本的总误差准则函数为：
通过误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi；得到：
输出层权值调整公式为：
输出层阈值调整公式为：
隐含层权值调整公式为：
隐含层阈值调整公式为：
又因为，
得到如下公式：
利用经验数据进行反复训练得出最小误差相对应的隐含层第i个节点到输入层第j个节点之间的权值wij、隐含层第i个节点的阈值θi、输出层第k个节点到隐含层第i个节点之间的权值wki以及输出层第k个节点的阈值ak，完成训练过程。
步骤3：为步骤2训练后的总体方案神经网络提供总体设计参数，得到多级轴流压气机性能参数，根据性能参数与多级轴流压气机的设计要求值的差异修正总体设计参数，直到得到满足要求的多级轴流压气机性能参数，此时对应的总体设计参数即为多级轴流压气机的设计参数；
BP神经网络的输入层节点数和输出层节点数根据需要输入和输出的变量数来进行设置，在本实施例中，总体方案神经网络的输入节点数M＝5，分别用来输入多级轴流压气机的相似转速、相似流量、轮毂比、静叶角度和级数；输出节点数L＝3，分别用来输出压比、喘振裕度和效率。
BP神经网络通常设置有多个隐含层，每个隐含层有若干数量的节点，而隐含层的层数和每层中所含节点的个数将决定神经网络性能，本实施例中根据经验对总体方案神经网络设置3个隐含层，每个隐含层的隐含节点数q＝10；另外，隐含层激励函数φ(x)采用tansig函数，输出层激励函数ψ(x)采用purelin函数。
步骤4：建立叶排模型神经网络；
所述叶排模型神经网络同样采用BP神经网络，叶排模型神经网络的输入变量包括叶排轮毂比、展弦比、中径叶型弯角、中径稠度、攻角和进口马赫数；输出变量包括叶排总压恢复系数和落后角。因此，叶排模型神经网络的结构包括6个输入节点、2个输出节点、2层隐含层，每层隐含层包括5个节点、隐含层激励函数选用tansig函数、输出层激励函数选用purelin函数。
步骤5：利用叶排气动特性经验数据训练叶排模型神经网络；
由于叶排模型神经网络的映射关系相对简单，本实施例中选择训练速度较快的trainlm函数作为训练函数。
步骤6：为步骤5训练后的叶排模型神经网络提供叶排的几何特性和工作状态，得到叶排的流动损失和落后角；
多级轴流压气机一维设计在确定总体参数后，还需要确定多级轴流压气机沿流程的流到尺寸分布及各叶排进、出口的平均半径速度三角形，以便为后续的S2流面通流设计提供输入条件，因此本实施例还包括以下步骤：
步骤7：根据步骤6得到的叶排流动损失和落后角确定多级轴流压气机的流道和各叶排进、出口的中径速度三角形。
根据步骤6得到的各叶排总压恢复系数和落后角，可以通过现有技术中的多级轴流压气机一维平均流计算方法得到压气机的几何参数以及各叶排进、出口之间的气动关系，从而确定每一个叶排进、出口的气流温度、压力、速度等气动参数，从而确定各叶排平均速度三角形。
在多级轴流压气机一维设计中，反复调整压气机的几何参数获得满足设计要求的各叶排中径进、出口速度三角形，即可确定压气机的流道和各叶排进、出口的中径速度三角形。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，在不脱离本发明的精神和原则的前提下，本领域普通技术人员对本发明所做的任何修改、等同替换、改进等，均应落入本发明权利要求书确定的保护范围之内。

Claims (10)

1.基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：包括以下步骤：
步骤1：建立多级轴流压气机总体方案神经网络；
步骤2：利用多级轴流压气机总体参数经验数据训练总体方案神经网络；
步骤3：为步骤2训练后的总体方案神经网络提供总体设计参数，得到多级轴流压气机性能参数，根据性能参数与多级轴流压气机的设计要求值的差异修正总体设计参数，直到得到满足要求的多级轴流压气机性能参数；
步骤4：建立叶排模型神经网络；
步骤5：利用叶排气动特性经验数据训练叶排模型神经网络；
步骤6：为步骤5训练后的叶排模型神经网络提供叶排的几何特性和工作状态，得到叶排的流动损失和落后角。
2.根据权利要求1所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：步骤1中采用包括输入层、隐含层和输出层的BP神经网络建立总体方案神经网络。
3.根据权利要求2所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络的前向传播过程如下：
a)隐含层第i个节点的输入neti为：
其中，xj表示输入层第j个节点的输入值，j＝1,······,M，M为输入节点数；wij表示隐含层第i个节点到输入层第j个节点之间的权值，i＝1,······,q，q为隐含节点数；θi表示隐含层第i个节点的阈值；
b)隐含层第i个节点的输出yi为：
其中，φ(x)表示隐含层的激励函数；
c)输出层第k个节点的输入netk为：
其中，wki表示输出层第k个节点到隐含层第i个节点之间的权值，ak表示输出层第k个节点的阈值，k＝1,······,L，L为输出节点数；
d)输出层第k个节点的输出ok为：
其中，ψ(x)表示输出层的激励函数。
4.根据权利要求3所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络的误差反向传播过程如下：
对于每一个样本p的二次型误差准则函数EP为：
其中，Tk为根据经验数据获得的期望输出值；系统对P个训练样本的总误差准则函数为：
通过误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi；得到：
输出层权值调整公式为：
输出层阈值调整公式为：
隐含层权值调整公式为：
隐含层阈值调整公式为：
又因为，
得到如下公式：
利用经验数据进行反复训练得出最小误差相对应的隐含层第i个节点到输入层第j个节点之间的权值wij、隐含层第i个节点的阈值θi、输出层第k个节点到隐含层第i个节点之间的权值wki以及输出层第k个节点的阈值ak，完成训练过程。
5.根据权利要求3所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络包括3个隐含层，每个隐含层的隐含节点数q＝10；所述输入节点数M＝5，分别用来输入多级轴流压气机的相似转速、相似流量、轮毂比、静叶角度和级数；输出节点数L＝3，分别用来输出压比、喘振裕度和效率。
6.根据权利要求3所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：隐含层激励函数φ(x)采用tansig函数，输出层激励函数ψ(x)采用purelin函数。
7.根据权利要求2所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述叶排模型神经网络采用PB神经网络。
8.根据权利要求7所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述叶排模型神经网络包括2个隐含层，每个隐含层包括5个隐含节点；输入层包括6个输入节点，分别用来输入叶排轮毂比、展弦比、中径叶型弯角、中径稠度、攻角和进口马赫数；输出层包括2个分别用于输出叶排总压恢复系数和落后角的输出节点。
9.根据权利要求8所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述叶排模型神经网络的训练函数选用trainlm函数。
10.根据权利要求1所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：还包括以下步骤：
步骤7：根据步骤6得到的叶排流动损失和落后角确定多级轴流压气机的流道和各叶排进、出口的中径速度三角形。
CN201811175442.4A 2018-10-10 2018-10-10 基于人工神经网络的多级轴流压气机一维设计方法 Pending CN109446593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811175442.4A CN109446593A (zh) 2018-10-10 2018-10-10 基于人工神经网络的多级轴流压气机一维设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811175442.4A CN109446593A (zh) 2018-10-10 2018-10-10 基于人工神经网络的多级轴流压气机一维设计方法

Publications (1)

Publication Number Publication Date
CN109446593A true CN109446593A (zh) 2019-03-08

Family

ID=65546158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811175442.4A Pending CN109446593A (zh) 2018-10-10 2018-10-10 基于人工神经网络的多级轴流压气机一维设计方法

Country Status (1)

Country Link
CN (1) CN109446593A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN112487566A (zh) * 2020-10-27 2021-03-12 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多列可转导/静叶分式联合调控规律设计方法
CN112528575A (zh) * 2020-12-22 2021-03-19 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多维度协同设计方法
CN113239599A (zh) * 2021-06-15 2021-08-10 江苏理工学院 基于bp神经网络的智能轮胎磨损寿命预估方法及装置
CN113720609A (zh) * 2021-07-07 2021-11-30 南京航空航天大学 基于人工神经网络的可调总压畸变发生器调节指导方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁家豪: "基于人工神经网络的轴流压缩机设计方法", 《万方知识数据服务平台》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN112487566A (zh) * 2020-10-27 2021-03-12 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多列可转导/静叶分式联合调控规律设计方法
CN112487566B (zh) * 2020-10-27 2022-10-18 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多列可转导/静叶分式联合调控规律设计方法
CN112528575A (zh) * 2020-12-22 2021-03-19 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多维度协同设计方法
CN112528575B (zh) * 2020-12-22 2021-12-17 中国船舶重工集团公司第七0三研究所 一种船舶燃气轮机多级轴流压气机多维度协同设计方法
CN113239599A (zh) * 2021-06-15 2021-08-10 江苏理工学院 基于bp神经网络的智能轮胎磨损寿命预估方法及装置
CN113720609A (zh) * 2021-07-07 2021-11-30 南京航空航天大学 基于人工神经网络的可调总压畸变发生器调节指导方法

Similar Documents

Publication Publication Date Title
CN109446593A (zh) 基于人工神经网络的多级轴流压气机一维设计方法
Li et al. Aerodynamic optimization of wind turbine airfoils using response surface techniques
CN109190283A (zh) 一种考虑高湍流自由来流效应的风力机翼型气动优化方法
CN110852902A (zh) 一种基于bas-bp的光伏发电功率预测方法
CN106055791B (zh) 基于预估校正算法的飞行器全局气动优化方法
CN102831269A (zh) 一种流程工业过程工艺参数的确定方法
CN103488847B (zh) 一种基于神经网络集成的气动外形优化方法
CN105201916A (zh) 一种空间导叶离心泵水力设计方法
CN110400232B (zh) 考虑电网断面约束的水电站群月度交易计划电量分解方法
CN106934074A (zh) 全局最优涡扇发动机进气道减噪设计方法
CN113312735B (zh) 一种城市供水管网dma分区方法
Li et al. Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms
CN105840551A (zh) 多工况点高负荷压气机叶片的气动实现方法
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
CN103020345A (zh) 一种基于matlab遗传算法的离心泵设计方法
CN108710764A (zh) 一种基于混合近似模型的双吸泵多目标优化设计方法
CN106672260A (zh) 一种大展弦比机翼型架构型设计方法
Shang et al. Production scheduling optimization method based on hybrid particle swarm optimization algorithm
CN109409019A (zh) 一种风力机叶片气动外形的预弯优化方法
CN106919730B (zh) 一种采用风速衰减因子的风电场尾流确定方法
CN108446452B (zh) 一种混流泵叶轮鲁棒优化设计方法
CN110276131A (zh) 基于多项式响应面模型的翼身融合水下滑翔机外形优化方法
CN109992893A (zh) 一种螺旋桨气动外形优化设计方法
CN106503401B (zh) 水平轴风力机叶片可适应性设计方法
CN107066686A (zh) 一种基于遗传算法的轴流泵叶轮水力优化设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination