CN109460629A - 一种基于近似模型法的冷却风扇性能优化方法 - Google Patents
一种基于近似模型法的冷却风扇性能优化方法 Download PDFInfo
- Publication number
- CN109460629A CN109460629A CN201811537812.4A CN201811537812A CN109460629A CN 109460629 A CN109460629 A CN 109460629A CN 201811537812 A CN201811537812 A CN 201811537812A CN 109460629 A CN109460629 A CN 109460629A
- Authority
- CN
- China
- Prior art keywords
- fan
- model
- approximate model
- fan performance
- design
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000001816 cooling Methods 0.000 title claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 6
- 238000003050 experimental design method Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013401 experimental design Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 101100291267 Drosophila melanogaster Miga gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
Abstract
本发明公开了一种基于近似模型法的冷却风扇性能优化方法,包括步骤:(1)对风扇的几何结构进行参数化,设计相应变量;(2)选定风扇静压和静压效率为风扇性能优化目标;(3)采用最优拉丁超立方试验设计方法对设计空间进行初始样本采集;(4)对初始样本进行CFD模型仿真,得到初始样本的响应,形成初始样本与响应之间的数据库;(5)用径向基神经网络构建近似模型;(6)用K次交叉验证检验方法对近似模型的预测精度进行检验;(7)使用遗传算法,对风扇性能进行寻优,得到最优风扇几何参数。本发明通过对仿真结果后处理,利用近似模型法对风扇参数化设置,对风扇结构进行优化,从而提高风扇性能。
Description
技术领域
本发明涉及汽车冷却风扇性能优化设计领域,特别涉及基于近似模型法的冷却风扇性能优化方法。
背景技术
冷却风扇的空气动力学性能优化设计方法,大致可分为两类:传统设计方法和现代设计方法。传统的设计方法是基于已有的统计数据以及修正系数,经验地选取效率值。其设计精度通常不高,但方法简单易学。现代设计方法是以气体的三维流动理论为基础,运用计算机通过编程或通用的商业软件来计算求解。近些年国内外许多学者在该方法上做了大量的研究。其特点是计算精度较高,但计算复杂,在普通的工程设计人员中不易普及。
风扇的内部流场非常复杂,其性能与各几何变量的关系具有强烈的非线性、多峰和多维等特点。传统的非线性规划方法如广义下降梯度法、序列二次规划法等,容易陷入局部最优。而智能优化方法虽然能跳出局部最优解,但需要大量地进行目标函数评估。风扇性能的评估就需要风扇全三维流场的CFD计算,其计算代价高昂,因此直接使用智能优化方法进行风扇的性能优化,也并不适用于实际工程。近似模型是利用已知样本数据,通过拟合、插值等数学手段来预测未知点响应的数学方法。已经有许多研究应用近似模型在工程设计中进行优化工作。用近似模型代替CFD计算能大大降低计算量(一般能降低几个数量级),同时又能保证计算的精度,是解决上述问题有效手段之一。
发明内容
本发明提供了一种基于近似模型法的冷却风扇性能的优化方法,该方法能够很高效精确地对冷却风扇进行寻优,找到最优解。
本发明目的通过如下技术方案实现:
一种基于近似模型法的冷却风扇性能优化方法,包括步骤:
(1)对风扇的几何结构进行参数化,设计相应变量;
(2)选定风扇静压和静压效率为风扇性能优化目标;
(3)采用最优拉丁超立方试验设计方法对设计空间进行初始样本采集,设置初始样本点;
(4)对初始样本进行CFD模型仿真,得到初始样本的响应,形成初始样本与响应之间的数据库;
(5)用径向基神经网络构建近似模型;
(6)用K次交叉验证(Cross-Validation)检验方法对近似模型的预测精度进行检验;
(7)使用遗传算法,对风扇性能进行寻优,得到最优风扇几何参数。
作为优选,步骤(1)中,所述相应变量包括:外翼型攻角、中翼型攻角、内翼型攻角、外翼型弯度、中翼型弯度、内翼型弯度、外翼型倾角、中翼型倾角、外翼型掠度、外翼型高度、轮毂直径、叶片数。
作为优选,所述步骤(3)具体包括:
在n维的设计空间中,将每一维的设计区间均匀等分为m个区间,其中每个小区间可记为在保证一个因素的每个水平只出现一次的前提下,随机地选取m个点,构成随机拉丁超立方的样本设计矩阵X=[x1,x2,…,xm]T,其中每一行代表一个样本点的位置,每一列代表一个因素;
通过随机演化算法驱动元素交换,更新设计矩阵;
计算设计空间填充的最优化准则,一般使用极大极小距离准则,其计算原理如下:
式中,1≤i,j≤m,i≠j;d(xi,xj)为样本点xi,xj之间的距离;
若不满足优化准则,则改进随机演化算法探索全局最优解。
作为优选,所述步骤(4)具体包括:
在Matlab软件中生成翼型曲线,输出包含翼型坐标信息的ibl文件;
在Proe软件中构建风扇3D几何模型,输出包含风扇几何信息的stp文件;
在Hypermesh软件中划分CFD网格,输出包含模型网格信息的nas文件;
在Fluent软件中进行CFD模型的计算;
在Isight计算器进行后处理,输出计算结果即样本点的响应。
作为优选,所述步骤(5)中,用径向基神经网络构建近似模型时,其具有很强的非线性函数逼近能力,它以预测点与样本点之间的欧几里得范数为自变量,以径向基函数为传输函数构造的模型,其基本表达式如下:
式中,ri(x)=||x-xi||,为预测点x与第i个样本点xi之间的欧几里得范数;β为权系数;n为基函数的数量;c为控制参数;φ(ri,c)为基函数,根据实际情况,它可有多种类型,工程中以高斯函数最常用,其表达式如下:
作为优选,所述步骤(6))具体包括:
以确定性系数R2为误差检验标准,所述确定性系数R2数表达式如下:
式中,nt为检验样本的数量;yi为系统在检验样本点处的真实响应;为近似模型统在检验样本点处的预测响应;为真实响应的均值值;
若其值小于0.9,则表示近似模型精度未达要求,则需要增加样本点,循环步骤(4),继续进行CFD模型仿真,直到R2大于0.9或新增样本点的次数达到预设值N时,结束该循环;
若新增样本点的次数达到预设值N,近似模型的精度仍不能满足要求时,则表示构建近似模型失败,需重新调整风扇几何结构参数化的方法、试验设计的方法或近似模型的构建方法。
作为优选,所述步骤(7)中,采用多岛遗传算法对风扇性能进行寻优。
作为优选,使用遗传算法,对风扇性能进行寻优,得到最优风扇几何参数后还包括步骤:
(8)对设计变量的寻优结果进行CFD模型仿真,并检验近似模型预测的风扇性能结果与CFD模型仿真的结果之间的误差,若是检验结果达到要求,则寻优的结果即为最优风扇,反之则表示优化失败,需重新调整风扇几何结构参数化的方法或试验设计的方法。
相比现有技术,本发明有以下积极效果:
本发明提供一种风扇性能优化方法,该方法基于近似模型法,用近似模型代替CFD计算大大降低计算量,一般能降低几个数量级,同时又能保证计算的精度;通过优化最终使风扇在目标工况点下,静压保持不变的基础上,效率提高了2.15%。
附图说明
图1是风扇性能优化路线示意图;
图2是全因素寻优近似模型检验结果示意图(局部截图);
图3是各参数敏度分析结果示意图;
图4是主要6因素寻优近似模型检验结果示意图(局部截图);
图5是原型外形示意图;
图6是最优风扇外形示意图。
具体实施方式
下面通过结合附图并举具体实例对本发明作进一步详细地描述,实例不能在此一一赘述,但本发明的实施方式并不因此限定于以下实例。
如图1所示,一种基于近似模型法的冷却风扇性能优化方法,包括步骤:
(1)对如图5所示风扇的几何结构进行参数化,设计相应变量:
将12个设计变量设定约束如表1所示。
表1风扇几何约束条件
(2)取风扇中效率最高的流量点2.974m3/s为目标工况点,并取风扇在该流量点的静压820.36Pa为下限作为性能约束条件。
(3)采用最优拉丁超立方试验方法对设计空间进行初始样本采集,初始样本点设为100点,包括步骤:
在n维的设计空间中,将每一维的设计区间均匀等分为m个区间,其中每个小区间可记为在保证一个因素的每个水平只出现一次的前提下,随机地选取m个点,构成随机拉丁超立方的样本设计矩阵X=[x1,x2,…,xm]T,其中每一行代表一个样本点的位置,每一列代表一个因素;
通过随机演化算法驱动元素交换,更新设计矩阵;
计算设计空间填充的最优化准则,一般使用极大极小距离准则,其计算原理如下:
式中,1≤i,j≤m,i≠j;d(xi,xj)为样本点xi,xj之间的距离;
若不满足优化准则,则改进随机演化算法探索全局最优解。
(4)对初始样本进行CFD模型仿真,计算得到100个初始样本点,包括步骤:
在Matlab软件中生成翼型曲线,输出包含翼型坐标信息的ibl文件;
在Proe软件中构建风扇3D几何模型,输出包含风扇几何信息的stp文件;
在Hypermesh软件中划分CFD网格,输出包含模型网格信息的nas文件;
在Fluent软件中进行CFD模型的计算;
在Isight计算器进行后处理,输出计算结果即样本点的响应。
(5)基于径向基神经网络方法构造近似模型,用径向基神经网络构建近似模型时,其具有很强的非线性函数逼近能力,它以预测点与样本点之间的欧几里得范数为自变量,以径向基函数为传输函数构造的模型,其基本表达式如下:
式中,ri(x)=||x-xi||,为预测点x与第i个样本点xi之间的欧几里得范数;β为权系数;n为基函数的数量;c为控制参数;φ(ri,c)为基函数,根据实际情况,它可有多种类型,工程中以高斯函数最常用,其表达式如下:
经过5次序贯采样再加上100个初始样本点,共采集了600个样本点的响应,构建近似模型的结果如图2,图中横坐标为预测值,纵坐标为真实值,Pressure与effi分别为风扇的静压和静压效率,
(6)用K次交叉验证(Cross-Validation)检验方法对近似模型的预测精度进行检验,以确定性系数R2为误差检验标准,所述确定性系数R2数表达式如下:
式中,nt为检验样本的数量;yi为系统在检验样本点处的真实响应;为近似模型统在检验样本点处的预测响应;为真实响应的均值值;
若其值小于0.9,则表示近似模型精度未达要求,则需要增加样本点,循环步骤(4),继续进行CFD模型仿真,直到R2大于0.9或新增样本点的次数达到预设值N时,结束该循环;
若新增样本点的次数达到预设值N,近似模型的精度仍不能满足要求时,则表示构建近似模型失败,需重新调整风扇几何结构参数化的方法、试验设计的方法或近似模型的构建方法。
由图2可知,他们的确定性系数R2的检验结果均小于0.9,不满足精度要求。
(7)利用参数敏感分析方法,根据结果图3,选择中翼型倾角、叶片数、外翼型倾角、外翼型弯度、外翼型掠度、中翼型弯度6个参数为设计变量进行风扇性能优化;
(8)对满足性能约束条件(静压大于820.36Pa)的前10个效率最高的样本点的设计变量取平均,确定其他6个设计变量的取值。此外,再根据样本点中高效率分布的区域特点,适当调整前6个设计变量的取值范围,确定风扇的几何约束条件如表2:
表2主要6因素优化问题的风扇几何约束条件
(9)再次构建近似模型,初始样本点为100。经4次序惯采样,进行了500个样本点计算,结果如图4,R2为0.918,均大于0.9,满足精度要求;
(10)选择Isight软件里内置的多岛遗传(MIGA)算法进行全局寻优:
设定MIGA算法的遗传代数为200,其他参数保持默认,对近似模型进行全局探索。总计算次数为20000。得到最优风扇几何参数,如表3:
表3最优风扇几何参数
(11)对最优风扇在目标工况点(流量为2.974m3/s)进行CFD仿真,检验基于近似模型的优化结果,其结果数据对比如表4,误差在1%以内,精度非常高,所得最优风扇外形示意图如图6所示。
表4优风扇性能的近似模型预测值与仿真值对比
(12)在目标工况点(流量为2.974m3/s)下,最优风扇相对于原有风扇,静压几乎保持不变的基础上,静压效率由原来的34.53%提高到36.68%,提高2.15%,如表5所示,证明基于近似模型的优化方法可应用于冷却风扇的工程优化设计之中。
表5优风扇性能的近似模型预测值与仿真值对比
Claims (8)
1.一种基于近似模型法的冷却风扇性能优化方法,包括步骤:
(1)对风扇的几何结构进行参数化,设计相应变量;
(2)选定风扇静压和静压效率为风扇性能优化目标;
(3)采用最优拉丁超立方试验设计方法对设计空间进行初始样本采集,设置初始样本点;
(4)对初始样本进行CFD模型仿真,得到初始样本的响应,形成初始样本与响应之间的数据库;
(5)用径向基神经网络构建近似模型;
(6)用K次交叉验证检验方法对近似模型的预测精度进行检验;
(7)使用遗传算法,对风扇性能进行寻优,得到最优风扇几何参数。
2.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:步骤(1)中,所述相应变量包括:外翼型攻角、中翼型攻角、内翼型攻角、外翼型弯度、中翼型弯度、内翼型弯度、外翼型倾角、中翼型倾角、外翼型掠度、外翼型高度、轮毂直径、叶片数。
3.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:所述步骤(3)具体包括:
在n维的设计空间中,将每一维的设计区间均匀等分为m个区间,其中每个小区间可记为在保证一个因素的每个水平只出现一次的前提下,随机地选取m个点,构成随机拉丁超立方的样本设计矩阵X=[x1,x2,…,xm]T,其中每一行代表一个样本点的位置,每一列代表一个因素;
通过随机演化算法驱动元素交换,更新设计矩阵;
计算设计空间填充的最优化准则,一般使用极大极小距离准则,其计算原理如下:
式中,1≤i,j≤m,i≠j;d(xi,xj)为样本点xi,xj之间的距离;
若不满足优化准则,则改进随机演化算法探索全局最优解。
4.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:所述步骤(4)具体包括:
在Matlab软件中生成翼型曲线,输出包含翼型坐标信息的ibl文件;
在Proe软件中构建风扇3D几何模型,输出包含风扇几何信息的stp文件;
在Hypermesh软件中划分CFD网格,输出包含模型网格信息的nas文件;
在Fluent软件中进行CFD模型的计算;
在Isight计算器进行后处理,输出计算结果即样本点的响应。
5.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:所述步骤(5)中,用径向基神经网络构建近似模型时,其具有很强的非线性函数逼近能力,并以预测点与样本点之间的欧几里得范数为自变量,以径向基函数为传输函数构造的模型,其基本表达式如下:
式中,ri(x)=||x-xi||,为预测点x与第i个样本点xi之间的欧几里得范数;β为权系数;n为基函数的数量;c为控制参数;φ(ri,c)为基函数,根据实际情况,它可有多种类型,工程中以高斯函数最常用,其表达式如下:
6.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:所述步骤(6))具体包括:
以确定性系数R2为误差检验标准,所述确定性系数R2数表达式如下:
式中,nt为检验样本的数量;yi为系统在检验样本点处的真实响应;为近似模型统在检验样本点处的预测响应;为真实响应的均值;
若其值小于0.9,则表示近似模型精度未达要求,则需要增加样本点,循环步骤(4),继续进行CFD模型仿真,直到R2大于0.9或新增样本点的次数达到预设值N时,结束该循环;
若新增样本点的次数达到预设值N,近似模型的精度仍不能满足要求时,则表示构建近似模型失败,需重新调整风扇几何结构参数化的方法、试验设计的方法或近似模型的构建方法。
7.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于:所述步骤(7)中,采用多岛遗传算法对风扇性能进行寻优。
8.根据权利要求1所述的基于近似模型法的冷却风扇性能优化方法,其特征在于,使用遗传算法,对风扇性能进行寻优,得到最优风扇几何参数后还包括步骤:
(8)对设计变量的寻优结果进行CFD模型仿真,并检验近似模型预测的风扇性能结果与CFD模型仿真的结果之间的误差,若是检验结果达到要求,则寻优的结果即为最优风扇,反之则表示优化失败。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811005353 | 2018-08-30 | ||
CN2018110053535 | 2018-08-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460629A true CN109460629A (zh) | 2019-03-12 |
Family
ID=65613403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811537812.4A Pending CN109460629A (zh) | 2018-08-30 | 2018-12-15 | 一种基于近似模型法的冷却风扇性能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460629A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159828A (zh) * | 2019-12-31 | 2020-05-15 | 惠州亿纬锂能股份有限公司 | 电池箱散热优化设计方法及其装置、设备及存储介质 |
CN112765907A (zh) * | 2021-01-12 | 2021-05-07 | 同济大学 | 一种车载储氢瓶快速加注方案的优化方法和系统 |
CN112949224A (zh) * | 2021-03-18 | 2021-06-11 | 江苏大学 | 一种基于响应面模型的小型风冷内燃机冷却风扇优化设计方法 |
CN113048086A (zh) * | 2021-03-18 | 2021-06-29 | 江苏大学 | 一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法 |
EP3885851A1 (en) * | 2020-03-26 | 2021-09-29 | Tata Consultancy Services Limited | System and method for optimization of industrial processes |
CN113823359A (zh) * | 2021-09-18 | 2021-12-21 | 南京工业大学 | 一种铝合金转向器阀壳体铸造冷却工艺参数优化方法 |
CN113849912A (zh) * | 2021-09-26 | 2021-12-28 | 武汉理工大学 | 一种驾驶室参数优化方法及装置 |
CN115422827A (zh) * | 2022-08-08 | 2022-12-02 | 湖南国天电子科技有限公司 | 一种水下潜航器附体设计方法 |
CN115544815A (zh) * | 2022-11-30 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 一种风扇模型的生成方法和装置 |
CN116050009A (zh) * | 2022-12-13 | 2023-05-02 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
CN117669269A (zh) * | 2024-01-30 | 2024-03-08 | 苏州元脑智能科技有限公司 | 一种散热风扇优化方法、装置、电子设备及存储介质 |
-
2018
- 2018-12-15 CN CN201811537812.4A patent/CN109460629A/zh active Pending
Non-Patent Citations (2)
Title |
---|
周建辉等: "航空电子设备冷却轴流风扇优化设计", 《航空动力学报》 * |
唐彪: "汽车发动机冷却风扇优化设计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159828A (zh) * | 2019-12-31 | 2020-05-15 | 惠州亿纬锂能股份有限公司 | 电池箱散热优化设计方法及其装置、设备及存储介质 |
EP3885851A1 (en) * | 2020-03-26 | 2021-09-29 | Tata Consultancy Services Limited | System and method for optimization of industrial processes |
CN112765907A (zh) * | 2021-01-12 | 2021-05-07 | 同济大学 | 一种车载储氢瓶快速加注方案的优化方法和系统 |
CN113048086B (zh) * | 2021-03-18 | 2022-05-20 | 江苏大学 | 一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法 |
CN112949224A (zh) * | 2021-03-18 | 2021-06-11 | 江苏大学 | 一种基于响应面模型的小型风冷内燃机冷却风扇优化设计方法 |
CN113048086A (zh) * | 2021-03-18 | 2021-06-29 | 江苏大学 | 一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法 |
CN113823359A (zh) * | 2021-09-18 | 2021-12-21 | 南京工业大学 | 一种铝合金转向器阀壳体铸造冷却工艺参数优化方法 |
CN113849912A (zh) * | 2021-09-26 | 2021-12-28 | 武汉理工大学 | 一种驾驶室参数优化方法及装置 |
CN115422827A (zh) * | 2022-08-08 | 2022-12-02 | 湖南国天电子科技有限公司 | 一种水下潜航器附体设计方法 |
CN115544815A (zh) * | 2022-11-30 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 一种风扇模型的生成方法和装置 |
CN116050009A (zh) * | 2022-12-13 | 2023-05-02 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
CN116050009B (zh) * | 2022-12-13 | 2024-04-19 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
CN117669269A (zh) * | 2024-01-30 | 2024-03-08 | 苏州元脑智能科技有限公司 | 一种散热风扇优化方法、装置、电子设备及存储介质 |
CN117669269B (zh) * | 2024-01-30 | 2024-05-03 | 苏州元脑智能科技有限公司 | 一种散热风扇优化方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460629A (zh) | 一种基于近似模型法的冷却风扇性能优化方法 | |
CN105718634B (zh) | 一种基于非概率区间分析模型的翼型鲁棒优化设计方法 | |
Wang et al. | Dual-convolutional neural network based aerodynamic prediction and multi-objective optimization of a compact turbine rotor | |
US20200184131A1 (en) | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
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 | |
CN112016167B (zh) | 基于仿真和优化耦合的飞行器气动外形设计方法及系统 | |
Sóbester et al. | Engineering design applications of surrogate-assisted optimization techniques | |
CN106055791B (zh) | 基于预估校正算法的飞行器全局气动优化方法 | |
CN106126860B (zh) | 一种考虑加工误差的高超声速机翼鲁棒优化设计方法 | |
Tao et al. | Robust optimization for a wing at drag divergence Mach number based on an improved PSO algorithm | |
CN102682173A (zh) | 基于自适应径向基函数代理模型的飞行器优化设计方法 | |
CN114065662B (zh) | 适用于网格拓扑可变的翼型流场快速预测方法 | |
CN102495924B (zh) | 客机与涡扇发动机一体化性能优化计算机辅助设计装置及其方法 | |
CN106126791B (zh) | 一种考虑几何不确定性的高超声速机翼气动力/热分析方法 | |
CN102682172B (zh) | 基于参数分类的超临界机翼极多参数优化设计方法 | |
CN110162895B (zh) | 一种两阶段的高能效船型优化设计方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN106815551B (zh) | 一种森林资源管理的变异函数参数拟合的优化方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN104834772A (zh) | 基于人工神经网络的飞机翼型/机翼反设计方法 | |
CN105844025B (zh) | 一种针对高超声速舵面的非概率热气动弹性可靠性设计方法 | |
CN108804850A (zh) | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 | |
Kenway et al. | Aerodynamic shape optimization of the CRM configuration including buffet-onset conditions | |
Neufeld et al. | Aircraft wing box optimization considering uncertainty in surrogate models | |
Maheri | Multiobjective optimisation and integrated design of wind turbine blades using WTBM-ANSYS for high fidelity structural analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |
|
RJ01 | Rejection of invention patent application after publication |