CN110442974A - 马蹄焰玻璃窑蓄热室性能优化方法和装置 - Google Patents
马蹄焰玻璃窑蓄热室性能优化方法和装置 Download PDFInfo
- Publication number
- CN110442974A CN110442974A CN201910725249.1A CN201910725249A CN110442974A CN 110442974 A CN110442974 A CN 110442974A CN 201910725249 A CN201910725249 A CN 201910725249A CN 110442974 A CN110442974 A CN 110442974A
- Authority
- CN
- China
- Prior art keywords
- parameter
- regenerative chamber
- optimized
- sample
- sample set
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
Landscapes
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种马蹄焰玻璃窑蓄热室性能优化方法和装置,获取预先生成的多个样本数据后,利用克里金模型计算这些样本数据之间的协方差系数,从而建立起蓄热室性能优化模型,蓄热室性能优化模型能够反映蓄热室的待优化参数与蓄热室性能指标之间的函数关系,因此,在确定蓄热室性能优化模型的误差小于误差阈值后,可以将蓄热室性能优化模型作为目标函数,利用多目标优化算法计算得到待优化参数的最优参数值,达到提高蓄热室性能的效果。本方案利用近似的蓄热室的待优化参数与蓄热室性能指标之间的函数关系进行目标优化,相对于现有的基于数值模拟结果进行人为调参的方法,摆脱了主观经验的影响,因此能够进一步提高蓄热室的性能。
Description
技术领域
本发明涉及蓄热室设计技术领域,特别涉及一种马蹄焰玻璃窑蓄热室性能优化方法和装置。
背景技术
蓄热室是马蹄焰玻璃窑中,用于实现能源循环利用的重要设备。通过调节蓄热室的参数来优化蓄热室的性能,可以有效的提高马蹄焰玻璃窑的能源利用率。
目前的优化蓄热室性能的方法,主要是,给定一组参数的参数值后,利用数值模拟的方法计算出这组参数值对应的蓄热室的性能指标的指标值,然后由设计人员根据以往的经验,结合当前蓄热室的性能指标的指标值,人为调整某些参数的参数值,调整后参数的参数值与其他未被调整的参数的参数值组合得到一组新的参数值,然后再计算新的这一组参数值对应的指标值,以此类推,直至得到一组对应的蓄热室性能较好的参数值为止。
现有的基于数值模拟进行人为调参的优化方法中,具体调节哪些参数,以及每个参数的具体调节方式都完全取决于设计人员的主观经验。这就导致蓄热室的性能受主观经验的限制,只能达到设计人员认为的一个较良好的水平,而无法得到进一步的提升。
发明内容
基于上述现有技术缺点,本发明提供一种马蹄焰玻璃窑蓄热室性能优化方法和装置,以解决现有技术中人为调参导致的对蓄热室性能的限制。
本发明第一方面提供一种马蹄焰玻璃窑蓄热室性能优化方法,包括:
获取由多个预先生成的样本数据构成的第一样本集合;其中,每一个所述样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据所述待优化参数的参数值计算得到的蓄热室性能指标的指标值;所述待优化参数根据显著性分析方法从蓄热室的多个类别的参数中确定;
利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型;其中,所述蓄热室性能优化模型用于表示所述蓄热室的待优化参数与所述蓄热室性能指标之间的函数关系;
判断所述蓄热室性能优化模型的误差是否小于误差阈值;
若所述蓄热室性能优化模型的误差小于所述误差阈值,以所述蓄热室性能优化模型作为目标函数,利用多目标优化算法对所述待优化参数进行优化,得到所述待优化参数的最优参数值;其中,所述最优参数值作为设计所述蓄热室的依据。
可选的,所述根据所述待优化参数的参数值计算得到蓄热室性能指标的指标值的过程包括:
获取一组待优化参数的参数值;其中,所述待优化参数的参数值用于建立蓄热室的计算机三维模型;
预先配置边界条件后,根据所述蓄热室的计算机三维模型,利用数值模拟方法计算得到所述待优化参数的参数值对应的蓄热室性能指标的指标值。
可选的,所述根据显著性分析方法从蓄热室的多种参数中确定待优化参数的过程,包括:
获取多个输入数据;其中,每一个输入数据均包括所述蓄热室的每个类别的参数的一个参数值;
计算每个所述输入数据对应的蓄热室性能指标;其中,每一个所述输入数据以及对应的蓄热室性能指标构成一个初始数据样本;
根据所述多个初始数据样本,计算得到所述蓄热室的多个类别的参数中,每个类别的参数对应的方差;
将所述蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为所述蓄热室的待优化参数。
可选的,所述判断所述蓄热室性能优化模型的误差是否小于误差阈值,包括:
针对第一样本集合和测试样本集合中的每一个样本数据,利用所述蓄热室性能优化模型计算所述样本数据中的待优化参数的参数值,得到所述样本数据对应的蓄热室性能指标的估计值;其中,所述测试样本集合包括多个预先生成的样本数据;
针对第一样本集合和测试样本集合中的每一个样本数据,计算所述样本数据的蓄热室性能指标的指标值,和所述样本数据对应的蓄热室性能指标的估计值之间的差值,得到所述样本数据的误差;
若所述第一样本集合和所述测试样本集合中,任意一个所述样本数据的误差大于或等于所述误差阈值,则判断出所述蓄热室性能优化模型的误差大于或等于所述误差阈值;
若所述第一样本集合和所述测试样本集合中,每一个所述样本数据的误差均小于所述误差阈值,则判断出所述蓄热室性能优化模型的误差小于所述误差阈值。
可选的,所述判断所述蓄热室性能优化模型的误差是否小于误差阈值之后,还包括:
若所述蓄热室性能优化模型的误差大于或等于所述误差阈值,生成多个更新样本数据,并用所述更新样本数据更新所述第一样本集合,得到更新后的样本集合;
将所述更新后的样本集合作为第一样本集合,返回执行所述利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
本发明第二方面提供一种马蹄焰玻璃窑蓄热室性能优化装置,包括:
获取单元,用于获取由多个预先生成的样本数据构成的第一样本集合;其中,每一个所述样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据所述待优化参数的参数值计算得到的蓄热室性能指标的指标值;所述待优化参数根据显著性分析方法从蓄热室的多个类别的参数中确定;
计算单元,用于利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型;其中,所述蓄热室性能优化模型用于表示所述蓄热室的待优化参数与所述蓄热室性能指标之间的函数关系;
判断单元,用于判断所述蓄热室性能优化模型的误差是否小于误差阈值;
优化单元,用于若所述蓄热室性能优化模型的误差小于所述误差阈值,以所述蓄热室性能优化模型作为目标函数,利用多目标优化算法对所述待优化参数进行优化,得到所述待优化参数的最优参数值;其中,所述最优参数值作为设计所述蓄热室的依据。
可选的,所述获取单元还用于,获取一组待优化参数的参数值;其中,所述待优化参数的参数值用于建立蓄热室的计算机三维模型;
所述计算单元还用于,预先配置边界条件后,根据所述蓄热室的计算机三维模型,利用数值模拟方法计算得到所述待优化参数的参数值对应的蓄热室性能指标的指标值。
可选的,所述装置还包括确定单元,所述确定单元包括:
获取子单元,用于获取多个输入数据;其中,每一个输入数据均包括所述蓄热室的每个类别的参数的一个参数值;
计算子单元,用于计算每个所述输入数据对应的蓄热室性能指标;其中,每一个所述输入数据以及对应的蓄热室性能指标构成一个初始数据样本,并且,根据所述多个初始数据样本,计算得到所述蓄热室的多个类别的参数中,每个类别的参数对应的方差;
确定子单元,用于将所述蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为所述蓄热室的待优化参数。
可选的,所述判断单元具体用于:
针对第一样本集合和测试样本集合中的每一个样本数据,利用所述蓄热室性能优化模型计算所述样本数据中的待优化参数的参数值,得到所述样本数据对应的蓄热室性能指标的估计值;其中,所述测试样本集合包括多个预先生成的样本数据;
针对第一样本集合和测试样本集合中的每一个样本数据,计算所述样本数据的蓄热室性能指标的指标值,和所述样本数据对应的蓄热室性能指标的估计值之间的差值,得到所述样本数据的误差;
若所述第一样本集合和所述测试样本集合中,任意一个所述样本数据的误差大于或等于所述误差阈值,则判断出所述蓄热室性能优化模型的误差大于或等于所述误差阈值;
若所述第一样本集合和所述测试样本集合中,每一个所述样本数据的误差均小于所述误差阈值,则判断出所述蓄热室性能优化模型的误差小于所述误差阈值。
可选的,所述装置还包括:
更新单元,用于若所述蓄热室性能优化模型的误差大于或等于所述误差阈值,生成多个更新样本数据,并用所述更新样本数据更新所述第一样本集合,得到更新后的样本集合;
其中,所述计算单元,用于将所述更新后的样本集合作为第一样本集合,返回执行所述利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
本发明提供一种马蹄焰玻璃窑蓄热室性能优化方法和装置,获取预先生成的多个样本数据后,利用克里金模型计算这些样本数据之间的协方差系数,从而建立起蓄热室性能优化模型,蓄热室性能优化模型能够反映蓄热室的待优化参数与蓄热室性能指标之间的函数关系,因此,在确定蓄热室性能优化模型的误差小于误差阈值后,可以将蓄热室性能优化模型作为目标函数,利用多目标优化算法计算得到待优化参数的最优参数值,达到提高蓄热室性能的效果。本方案利用近似的蓄热室的待优化参数与蓄热室性能指标之间的函数关系进行目标优化,相对于现有的基于数值模拟结果进行人为调参的方法,摆脱了主观经验的影响,因此能够进一步提高蓄热室的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种马蹄焰玻璃窑蓄热室性能优化方法的流程图;
图2为本发明实施例提供的一种确定马蹄焰玻璃窑蓄热室的待优化参数的方法的流程图;
图3为本发明实施例提供的一种利用数值模拟方法计算出马蹄焰玻璃窑蓄热室的性能的方法;
图4为本发明实施例提供的一种马蹄焰玻璃窑蓄热室性能优化装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
马蹄焰玻璃窑是一种用于烧制玻璃的设备。马蹄焰玻璃窑中配置有蓄热室,蓄热室是马蹄焰玻璃窑用于能源循环利用的重要设备,其作用是能够回收60%~65%的废气余热,然后将回收的废气余热用于加热助燃空气,进而达到节约马蹄焰玻璃窑的燃料的效果。并且,蓄热室回收余热的能力越强,则经过蓄热室加热后,助燃空气提高的温度越高,能够节约的燃料就越多。因此,优化马蹄焰玻璃窑蓄热室的性能,从而加强蓄热室的余热回收能力,对于降低马蹄焰玻璃窑的整体能耗具有重要意义。
综上所述,本申请实施例提供一种马蹄焰玻璃窑蓄热室性能优化方法,利用蓄热室的样本数据,基于克里金模型理论建立用于描述蓄热室的参数(包括蓄热室的工况参数和蓄热室的结构参数)与蓄热室性能之间的函数关系的蓄热室性能优化模型,进而利用蓄热室性能优化模型计算出蓄热室的最优参数,从而提高设计出来的蓄热室的性能。
请参考图1,该方法包括下述步骤:
S101、获取第一样本集合。
第一样本集合包括蓄热室的多个样本数据,其中的每一个样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据待优化参数的参数值计算得到的蓄热室性能指标的指标值。
其中,待优化参数是根据显著性分析方法从蓄热室的多个类别的参数中确定出来的参数。
蓄热室的包括多种参数,其中常用的一些参数有:助燃空气进口温度t,助燃空气进口速度v,烟道口面积a,格子体当量直径d,格子体孔隙率L,格子体高度h等。同时对所有的常用的参数进行优化,一方面计算量较大,另一方面其中的一些参数对蓄热室性能影响较小,优化这些参数并不能显著提高蓄热室性能。
因此,执行本实施例提供的方法之前,可以利用显著性分析方法从这些参数中确定出对蓄热室的性能具有显著影响的参数,将这些参数确定为待优化参数,然后再利用本实施例提供的方法对这些待优化参数进行优化,这样既能减少计算量,又能显著提高蓄热室性能。
本实施例中,经过显著性分析确定的待优化参数包括助燃空气进口速度v、烟道口面积a、格子体孔隙率L和助燃空气进口温度t四种。
因此,上述每一个样本数据,均包括待优化参数的一组参数值,以及根据这一组参数值计算得到的对应的蓄热室性能指标的指标值。
给定的一组待优化参数的参数值对应的蓄热室性能指标的指标值,可以利用数值模拟方法计算得到。
具体的,为除了待优化参数以外的蓄热室的其他参数设定一个默认参数值后,给定一组待优化参数的参数值就可以唯一的确定出一个蓄热室的计算机三维模型,利用数值模拟方法就可以计算出这个蓄热室模型对应的蓄热室性能指标的指标值。
其中,蓄热室性能指标,是预先确定的用于描述蓄热室性能的评价指标。本实施例中,主要利用热效率指标y和温度均匀性指标z作为蓄热室性能指标,并且基于这两种评价指标进行后续的优化过程。
可选的,在本申请的其他实施例中,也可以选择其他评价指标作为蓄热室性能指标,而不限于本实施例使用的热效率评价指标和温度均匀性评价指标。
本实施例中涉及的样本数据,可以用下述表1的形式表示:
表1
表1中,v1,a1,L1和t1就是待优化参数的一组参数值,对应的y1和z1就是这一组参数值对应的蓄热室性能指标的指标值。一个样本数据中的参数值构成这个样本数据的输入样本,这个样本数据的蓄热室性能指标的指标值就是输入样本对应的响应。
可选的,为了尽量用较少的参数值来表示以上四个待优化参数构成的变量空间,可以结合待优化参数的取值范围以及蓄热室的性能指标的类型,运用拉丁超立方采样方法确定各个样本数据中的输入样本。
本实施例中,助燃空气进口速度v的取值范围是2m/s至9m/s,烟道口面积a的取值范围是302500mm2至1562500mm2,格子体孔隙率L的取值范围是0.3至0.7,助燃空气进口温度t的取值范围是300K至500K。
S102、利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
其中,蓄热室性能优化模型用于表示蓄热室的待优化参数与蓄热室性能指标之间的函数关系。
建立蓄热室性能优化模型的过程包括:基于克里金(Kriging)模型理论,建立蓄热室性能优化模型的初始函数表达式,初始函数表达式中包括多个需要计算得到的超参数;然后利用最大似然估计方法计算第一样本集合中的各个样本数据,得到初始函数表达式中的各个超参数,将这些超参数代入至前述初始函数表达式中,就可以得到一个完整的蓄热室性能优化模型。
具体的,基于克里金模型理论建立的初始函数表达式如下:
上述公式中,x表示任意一组给定的待优化参数的参数值,也就是给定助燃空气进口速度vx,烟道口面积ax,格子体孔隙率Ex,以及助燃空气进口温度tx,yx和zx分别表示这一组待优化参数的参数值对应的蓄热室的热效率指标的指标值,以及温度均匀性指标的指标值。公式中的Ay记为热效率指标的均值,其表达式如下述公式(3):
Az记为温度均匀性指标的均值,其表达式如下述公式(4):
在前述初始函数表达式,热效率指标的均值的表达式,以及温度均匀性指标的均值表达式中:
E均表示一个n维列向量,并且组成这个列向量的n个数字均为1,其中,n是第一样本集合中样本数据的个数,ET表示对向量E转置后得到的向量。
Ry表示根据第一样本集合中的各个样本数据计算得到的热效率相关性矩阵,Rz表示根据第一样本集合中的各个样本数据计算得到温度均匀性相关性矩阵,Ry -1表示的矩阵Ry的逆矩阵,Rz -1表示矩阵Rz的逆矩阵。Ry和Rz均为n阶方阵。
r(x)y表示根据一组给定的待优化参数的参数值x和第一样本集合计算得到的热效率相关向量,r(x)z表示根据一组给定的待优化参数的参数值x和第一样本集合计算得到的温度均匀性相关向量。r(x)y和r(x)z均为n维列向量。
Y是由第一样本集合中各个样本数据的热效率指标的指标值构成的列向量,Z是由第一样本集合中各个样本数据的温度均匀性效率指标的指标值构成的列向量。
矩阵Ry的第i行,第j列的元素的计算公式如下述公式(5)所示:
矩阵Rz的第i行,第j列的元素的计算公式如下述公式(6)所示:
vi,ti,ai,Li表示第一样本集合中的第i个样本数据中的四个待优化参数的参数值,vj,tj,aj,Lj表示第一样本集合中的第j个样本数据中的四个待优化参数的参数值。
一组给定的待优化参数的参数值x对应的热效率相关向量r(x)y中的第i个元素r(x)y,i的计算公式如下述公式(7)所示:
一组给定的待优化参数的参数值x对应的温度均匀性相关向量r(x)z中的第i个元素r(x)z,i的计算公式如下述公式(8)所示:
其中,vi,ti,ai,Li表示第一样本集合中的第i个样本数据中的四个待优化参数的参数值,vx,tx,ax,Lx表示给定的这一组待优化参数的参数值x中的四个对应的参数值。
前述公式(5)至公式(8)中,e表示自然对数函数的底数,qy1至qy4,py1至py4,qz1至qz4,pz1至pz4就是需要计算得到的蓄热室性能优化模型的16个超参数。结合公式(5)至公式(8),可以理解,确定了上述16个超参数后,就可以计算出热效率相关性矩阵Ry和温度均匀性相关性矩阵Rz,进而能够利用前述初始函数表达式(1)和(2),计算出任意一组待优化参数的参数值对应的热效率指标的指标值,和温度均匀性指标的指标值。
也就是说,计算出上述16个超参数,初始函数表达式(1)就可以作为蓄热室的待优化参数和蓄热室的热效率指标之间的函数关系式,初始函数表达式(2)就可以作为蓄热室的待优化参数和蓄热室的温度均匀性指标之间的函数关系式。
具体的,蓄热室优化模型的超参数可以利用以下方法根据第一样本集合计算得到:
首先以一组初始值作为蓄热室优化模型的第一组超参数,然后针对第一组当前超参数,计算得到对应的热效率相关性矩阵,温度均匀性相关性矩阵,热效率指标的均值,以及温度均匀性指标的均值。
然后根据第一组超参数对应的热效率相关性矩阵,温度均匀性相关性矩阵,热效率指标的均值,以及温度均匀性指标的均值,根据下述公式(9)计算得到当前超参数对应的热效率方差αy:
并根据下述公式(10)计算得到温度均匀性方差αz:
然后对第一组超参数进行调整得到第二组超参数,并依据上述过程计算得到第二组超参数对应的热效率方差αy和温度均匀性方差αz,将第一组超参数和第二组超参数中,对应的热效率方差αy和温度均匀性方差αz较小的一组超参数作为当前的最优超参数。
其中,若其中一组超参数对应的热效率方差αy和温度均匀性方差αz均小于另一组超参数对应的热效率方差αy和温度均匀性方差αz,则前一组超参数就是当前的最优超参数。若其中一组超参数的热效率方差αy小于另一组超参数的热效率方差αy,但是温度均匀性方差αz大于另一组超参数的温度均匀性方差αz,那么,可以根据两中方差的差值的大小确定当前的最优超参数,例如,若两组超参数的温度均匀性方差αz相差不大,但其中一组超参数的热效率方差αy远小于另一组超参数的热效率方差αy,那么就将前一组超参数作为当前的最优超参数。
从前述两组超参数中确定出当前的最优超参数后,在对当前的最优超参数进行调整,得到第三组超参数,然后重复上述过程,从当前的最优超参数和第三组超参数中确定出新的最优超参数。然后在依次产生第四组超参数,第五超参数,以此类推,直至迭代次数大于一定的阈值,或者用于比较的两组超参数对应的温度均匀性方差和热效率方差均基本一致为止,就可以将此时的最优超参数确定为蓄热室性能优化模型的超参数。
上述过程中的一组超参数对应的热效率方差和温度均匀性方差,就是利用这一组超参数计算第一样本集合中各个样本数据得到的协方差系数。
因此,步骤S102所述的利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型,可以理解为,针对每一组给定的超参数,计算得到这一组超参数对应的第一样本集合中各个样本数据之间的协方差系数,根据各组超参数对应的协方差系数,从若干组超参数中选择一组最优超参数作为蓄热室性能优化模型的超参数。
S103、判断蓄热室性能优化模型的误差是否小于误差阈值。
步骤S103的具体判断过程是:
首先依据前述生成第一样本集合的方法,生成一个测试样本集合。
针对第一样本集合和测试样本集合中的每一个样本数据,将这个样本数据的待优化参数的参数值输入步骤S102中建立的蓄热室性能优化模型,计算得到这个样本数据对应的蓄热室性能指标的估计值。
然后针对前述每一个样本数据,计算这个样本数据的蓄热室性能指标的指标值,和这个样本数据对应的蓄热室性能指标的估计值之差,得到这个样本数据的误差。
若前述第一样本集合和测试样本集合中,任意一个样本数据的误差大于或等于误差阈值,则判断出蓄热室性能优化模型的误差大于或等于误差阈值。
若前述第一样本集合和测试样本集合中,每一个样本数据的误差均小于误差阈值,则判断出蓄热室性能优化模型的误差小于误差阈值。
若判断出蓄热室性能优化模型的误差大于或等于误差阈值,则执行步骤S105,若判断出蓄热室性能优化模型的误差小于误差阈值,则执行步骤S104。
S104、根据蓄热室性能优化模型,利用多目标优化算法计算得到待优化参数的最优参数值。
具体的,利用多目标优化算法可以确定出多组较优的参数值,设计人员可以从其中选择出一组最优参数值,基于这一组最优参数值设计蓄热室,就可以得到有效的提高设计出来的蓄热室的性能。
可选的,步骤S104中使用的多目标优化算法可以是NSGA-Ⅱ算法,当然,也可以是其他的能够实现多目标优化的算法,本实施例不做限定。
如步骤S102所述,确定了超参数后,蓄热室性能优化模型就相当于前述公式(1)和公式(2)所示的两个函数表达式,以这两个函数表达式作为目标函数,给定待优化参数的取值范围后,就可以利用多目标优化算法计算出多组较优的参数值。
具体的,用于执行多目标优化算法的数学模型可以用下述公示表示:
Min F1=1-y(x)=f(v,t,a,L)
F2=z(x)=g(v,t,a,l)
S.t.2≤v≤9
0.3≤L≤0.7
302500≤a≤1562500
300≤t≤500
上述公式表示的意思是,在助燃空气进口速度v的取值范围是2m/s至9m/s,烟道口面积a的取值范围是302500mm2至1562500mm2,格子体孔隙率L的取值范围是0.3%至0.7%,助燃空气进口温度t的取值范围是300K至500K的前提下,找到一组助燃空气进口速度,烟道口面积,格子体孔隙率和助燃空气进口温度的取值,使得对应的热效率指标的指标值与1的差值达到最小,并且,对应的温度均匀性指标的指标值达到最小。
S105、利用多个更新样本数据更新第一样本集合,得到更新后的样本集合。
其中,与前述生成第一样本集合的方法类似,更新样本数据也是利用数值模拟的方法对多组待优化参数的参数值计算得到的。
可选的,利用多个更新样本数据更新第一样本集合,可以是,将当前的第一样本集合中,对应的误差大于误差阈值的样本数据删除,然后将步骤S105中的多个更新样本数据加入第一样本集合,就得到更新后的样本集合。
S106、将更新后的样本集合作为第一样本集合,返回执行步骤S102。
本发明提供一种马蹄焰玻璃窑蓄热室性能优化方法,获取预先生成的多个样本数据后,利用克里金模型计算各个样本数据之间的协方差系数,从而建立起蓄热室性能优化模型,蓄热室性能优化模型能够反映蓄热室的待优化参数与蓄热室性能指标之间的函数关系,因此,在确定蓄热室性能优化模型的误差小于误差阈值后,可以将蓄热室性能优化模型作为目标函数,利用多目标优化算法计算得到待优化参数的最优参数值,达到提高蓄热室性能的效果。本方案利用近似的蓄热室的待优化参数与蓄热室性能指标之间的函数关系进行目标优化,相对于现有的基于数值模拟结果进行人为调参的方法,摆脱了主观经验的影响,因此能够进一步提高蓄热室的性能。
下面简要介绍根据利用数值模拟的方法计算得到蓄热室的一组待优化参数的参数值对应的蓄热室性能指标的指标值的方法,请参考图2:
S201、给定一组待优化参数的参数值后,获取这组参数值对应的蓄热室的计算机三维模型。
上述蓄热室的计算机三维模型由设计人员根据给定的这一组待优化参数的参数值建立。
首先需要说明的是,尽管数值模拟方法能够针对一组待优化参数的参数值计算出对应的蓄热室性能指标的指标值。但是,本领域技术人员能够理解,一方面数值模拟的方法需要人为的根据蓄热室的参数值建立蓄热室的计算机三维模型,然后才能进行计算,另一方面,每一次利用数值模拟方法计算一组参数值,都需要消耗较长的时间和大量的计算资源。
因此,基于数值模拟的方法无法进行本申请实施例中的多目标优化算法。相对的,本申请实施例中的蓄热室优化模型建立完成后,针对任意一组待优化参数的参数值,都能够利用较少的计算资源在很短的时间内计算出对应的蓄热室性能指标的指标值,所以可以基于本申请实施例提供的蓄热室优化模型执行多目标优化算法。
另外,本领域技术人员能够通过实验手段验证,针对一个给定的蓄热室的计算机三维模型,利用数值模拟的方法计算得到的蓄热室的性能指标的指标值具有较高的可信度。也就是说,如果按照一个给定的蓄热室的计算机三维模型实际建造一个各种参数完全一致的蓄热室,在这个蓄热室实际工作工程中采集得到的实际指标值,和利用数值模拟的方法计算得到的蓄热室的性能指标的指标值基本一致。因此,利用数值模拟的方法计算得到一组参数值对应的蓄热室性能指标的指标值,能够真实的反映出,按照这组参数值实际建造的蓄热室的性能。
S202、预先配置边界条件后,利用数值模拟方法计算得到待优化参数的参数值对应的蓄热室性能指标的指标值。
数值模拟方法,也可以称为有限元方法,是一种常用的工程分析方法,利用数值模拟方法计算一个预先建立的蓄热室的计算机三维模型,可以模拟出这个蓄热室在实际运行过程的各个阶段的温度场,通过分析这个蓄热室的温度场就可以获得这个蓄热室的性能指标的指标值。
目前有多种成熟的软件可以用于执行数值模拟方法,例如fluent,ansys等,本申请实施例可以基于任意一种软件实现,此处不做限定。
参考图3,本申请实施例提供的一种从蓄热室的多种参数中确定出待优化参数的方法包括:
S301、获取多个输入数据。
其中,每一个输入数据均包括蓄热室的每个类别的参数的一个参数值。
每一个输入数据中,参数的取值由设计人员预先设定。参数的取值根据正交实验理论进行,针对蓄热室的常用的六种参数,在三个水平上分别取值。
S302、计算每个输入数据对应的蓄热室性能指标。
其中,每一个输入数据以及对应的蓄热室性能指标构成一个初始数据样本。
S303、根据多个初始数据样本,计算得到蓄热室的多个类别的参数中,每个类别的参数对应的方差。
S304、将蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为蓄热室的待优化参数。
其中,一种参数的方差越大,表示这种参数对蓄热室的性能的影响越大,也就是说这种参数的显著性越大,对应的,一种参数的方差越小,表示这种参数对蓄热室的性能的影响越小,也就是说这种参数的显著性越小。
结合本申请任一实施例提供的马蹄焰玻璃窑蓄热室性能优化方法,本申请另一实施例还提供一组马蹄焰玻璃窑蓄热室性能优化装置,参考图4,该装置包括:
获取单元401,用于获取由多个预先生成的样本数据构成的第一样本集合;其中,每一个所述样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据所述待优化参数的参数值计算得到的蓄热室性能指标的指标值;所述待优化参数根据显著性分析方法从蓄热室的多个类别的参数中确定。
计算单元402,用于利用克里金模型计算各个样本数据之间的协方差系数,得到蓄热室性能优化模型;其中,所述蓄热室性能优化模型用于表示所述蓄热室的待优化参数与所述蓄热室性能指标之间的函数关系。
判断单元403,用于判断所述蓄热室性能优化模型的误差是否小于误差阈值。
优化单元404,用于若所述蓄热室性能优化模型的误差小于所述误差阈值,以所述蓄热室性能优化模型作为目标函数,利用多目标优化算法对所述待优化参数进行优化,得到所述待优化参数的最优参数值;其中,所述最优参数值作为设计所述蓄热室的依据。
所述获取单元401还用于,获取一组待优化参数的参数值;其中,所述待优化参数的参数值用于建立蓄热室的计算机三维模型。
所述计算单元402还用于,预先配置边界条件后,根据所述蓄热室的计算机三维模型,利用数值模拟方法计算得到所述待优化参数的参数值对应的蓄热室性能指标的指标值。
所述装置还包括确定单元405,所述确定单元包括:
获取子单元,用于获取多个输入数据;其中,每一个输入数据均包括所述蓄热室的每个类别的参数的一个参数值。
计算子单元,用于计算每个所述输入数据对应的蓄热室性能指标;其中,每一个所述输入数据以及对应的蓄热室性能指标构成一个初始数据样本,并且,根据所述多个初始数据样本,计算得到所述蓄热室的多个类别的参数中,每个类别的参数对应的方差。
确定子单元,用于将所述蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为所述蓄热室的待优化参数。
所述判断单元403具体用于:
针对第一样本集合和测试样本集合中的每一个样本数据,利用所述蓄热室性能优化模型计算所述样本数据中的待优化参数的参数值,得到所述样本数据对应的蓄热室性能指标的估计值;其中,所述测试样本集合包括多个预先生成的样本数据。
针对第一样本集合和测试样本集合中的每一个样本数据,计算所述样本数据的蓄热室性能指标的指标值,和所述样本数据对应的蓄热室性能指标的估计值之间的差值,得到所述样本数据的误差。
若所述第一样本集合和所述测试样本集合中,任意一个所述样本数据的误差大于或等于所述误差阈值,则判断出所述蓄热室性能优化模型的误差大于或等于所述误差阈值。
若所述第一样本集合和所述测试样本集合中,每一个所述样本数据的误差均小于所述误差阈值,则判断出所述蓄热室性能优化模型的误差小于所述误差阈值。
所述装置还包括更新单元406,用于若所述蓄热室性能优化模型的误差大于或等于所述误差阈值,生成多个更新样本数据,并用所述更新样本数据更新所述第一样本集合,得到更新后的样本集合;
其中,所述计算单元,用于将所述更新后的样本集合作为第一样本集合,返回执行所述利用克里金模型计算第一集合中各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
本发明提供一种马蹄焰玻璃窑蓄热室性能优化装置,获取单元401获取预先生成的多个样本数据后,计算单元402利用克里金模型计算各个样本数据之间的协方差系数,从而建立起蓄热室性能优化模型,蓄热室性能优化模型能够反映蓄热室的待优化参数与蓄热室性能指标之间的函数关系,因此,在判断单元403确定蓄热室性能优化模型的误差小于误差阈值后,可以将蓄热室性能优化模型作为目标函数,由优化单元404利用多目标优化算法计算得到待优化参数的最优参数值,达到提高蓄热室性能的效果。本方案利用近似的蓄热室的待优化参数与蓄热室性能指标之间的函数关系进行目标优化,相对于现有的基于数值模拟结果进行人为调参的方法,摆脱了主观经验的影响,因此能够进一步提高蓄热室的性能。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种马蹄焰玻璃窑蓄热室性能优化方法,其特征在于,包括:
获取由多个预先生成的样本数据构成的第一样本集合;其中,每一个所述样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据所述待优化参数的参数值计算得到的蓄热室性能指标的指标值;所述待优化参数根据显著性分析方法从蓄热室的多个类别的参数中确定;
利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型;其中,所述蓄热室性能优化模型用于表示所述蓄热室的待优化参数与所述蓄热室性能指标之间的函数关系;
判断所述蓄热室性能优化模型的误差是否小于误差阈值;
若所述蓄热室性能优化模型的误差小于所述误差阈值,以所述蓄热室性能优化模型作为目标函数,利用多目标优化算法对所述待优化参数进行优化,得到所述待优化参数的最优参数值;其中,所述最优参数值作为设计所述蓄热室的依据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待优化参数的参数值计算得到蓄热室性能指标的指标值的过程包括:
获取一组待优化参数的参数值;其中,所述待优化参数的参数值用于建立蓄热室的计算机三维模型;
预先配置边界条件后,根据所述蓄热室的计算机三维模型,利用数值模拟方法计算得到所述待优化参数的参数值对应的蓄热室性能指标的指标值。
3.根据权利要求1所述的方法,其特征在于,所述根据显著性分析方法从蓄热室的多种参数中确定待优化参数的过程,包括:
获取多个输入数据;其中,每一个输入数据均包括所述蓄热室的每个类别的参数的一个参数值;
计算每个所述输入数据对应的蓄热室性能指标;其中,每一个所述输入数据以及对应的蓄热室性能指标构成一个初始数据样本;
根据所述多个初始数据样本,计算得到所述蓄热室的多个类别的参数中,每个类别的参数对应的方差;
将所述蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为所述蓄热室的待优化参数。
4.根据权利要求1所述的方法,其特征在于,所述判断所述蓄热室性能优化模型的误差是否小于误差阈值,包括:
针对第一样本集合和测试样本集合中的每一个样本数据,利用所述蓄热室性能优化模型计算所述样本数据中的待优化参数的参数值,得到所述样本数据对应的蓄热室性能指标的估计值;其中,所述测试样本集合包括多个预先生成的样本数据;
针对第一样本集合和测试样本集合中的每一个样本数据,计算所述样本数据的蓄热室性能指标的指标值,和所述样本数据对应的蓄热室性能指标的估计值之间的差值,得到所述样本数据的误差;
若所述第一样本集合和所述测试样本集合中,任意一个所述样本数据的误差大于或等于所述误差阈值,则判断出所述蓄热室性能优化模型的误差大于或等于所述误差阈值;
若所述第一样本集合和所述测试样本集合中,每一个所述样本数据的误差均小于所述误差阈值,则判断出所述蓄热室性能优化模型的误差小于所述误差阈值。
5.根据权利要求1所述的方法,其特征在于,所述判断所述蓄热室性能优化模型的误差是否小于误差阈值之后,还包括:
若所述蓄热室性能优化模型的误差大于或等于所述误差阈值,生成多个更新样本数据,并用所述更新样本数据更新所述第一样本集合,得到更新后的样本集合;
将所述更新后的样本集合作为第一样本集合,返回执行所述利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
6.一种马蹄焰玻璃窑蓄热室性能优化装置,其特征在于,包括:
获取单元,用于获取由多个预先生成的样本数据构成的第一样本集合;其中,每一个所述样本数据均包括蓄热室的每个类别的待优化参数的一个参数值,以及根据所述待优化参数的参数值计算得到的蓄热室性能指标的指标值;所述待优化参数根据显著性分析方法从蓄热室的多个类别的参数中确定;
计算单元,用于利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型;其中,所述蓄热室性能优化模型用于表示所述蓄热室的待优化参数与所述蓄热室性能指标之间的函数关系;
判断单元,用于判断所述蓄热室性能优化模型的误差是否小于误差阈值;
优化单元,用于若所述蓄热室性能优化模型的误差小于所述误差阈值,以所述蓄热室性能优化模型作为目标函数,利用多目标优化算法对所述待优化参数进行优化,得到所述待优化参数的最优参数值;其中,所述最优参数值作为设计所述蓄热室的依据。
7.根据权利要求6所述的装置,其特征在于,所述获取单元还用于,获取一组待优化参数的参数值;其中,所述待优化参数的参数值用于建立蓄热室的计算机三维模型;
所述计算单元还用于,预先配置边界条件后,根据所述蓄热室的计算机三维模型,利用数值模拟方法计算得到所述待优化参数的参数值对应的蓄热室性能指标的指标值。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括确定单元,所述确定单元包括:
获取子单元,用于获取多个输入数据;其中,每一个输入数据均包括所述蓄热室的每个类别的参数的一个参数值;
计算子单元,用于计算每个所述输入数据对应的蓄热室性能指标;其中,每一个所述输入数据以及对应的蓄热室性能指标构成一个初始数据样本,并且,根据所述多个初始数据样本,计算得到所述蓄热室的多个类别的参数中,每个类别的参数对应的方差;
确定子单元,用于将所述蓄热室的多个类别的参数中,对应的方差大于方差阈值的参数确定为所述蓄热室的待优化参数。
9.根据权利要求6所述的装置,其特征在于,所述判断单元具体用于:
针对第一样本集合和测试样本集合中的每一个样本数据,利用所述蓄热室性能优化模型计算所述样本数据中的待优化参数的参数值,得到所述样本数据对应的蓄热室性能指标的估计值;其中,所述测试样本集合包括多个预先生成的样本数据;
针对第一样本集合和测试样本集合中的每一个样本数据,计算所述样本数据的蓄热室性能指标的指标值,和所述样本数据对应的蓄热室性能指标的估计值之间的差值,得到所述样本数据的误差;
若所述第一样本集合和所述测试样本集合中,任意一个所述样本数据的误差大于或等于所述误差阈值,则判断出所述蓄热室性能优化模型的误差大于或等于所述误差阈值;
若所述第一样本集合和所述测试样本集合中,每一个所述样本数据的误差均小于所述误差阈值,则判断出所述蓄热室性能优化模型的误差小于所述误差阈值。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
更新单元,用于若所述蓄热室性能优化模型的误差大于或等于所述误差阈值,生成多个更新样本数据,并用所述更新样本数据更新所述第一样本集合,得到更新后的样本集合;
其中,所述计算单元,用于将所述更新后的样本集合作为第一样本集合,返回执行所述利用克里金模型计算第一样本集合中的各个样本数据之间的协方差系数,得到蓄热室性能优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725249.1A CN110442974B (zh) | 2019-08-07 | 2019-08-07 | 马蹄焰玻璃窑蓄热室性能优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725249.1A CN110442974B (zh) | 2019-08-07 | 2019-08-07 | 马蹄焰玻璃窑蓄热室性能优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442974A true CN110442974A (zh) | 2019-11-12 |
CN110442974B CN110442974B (zh) | 2022-11-11 |
Family
ID=68433654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725249.1A Active CN110442974B (zh) | 2019-08-07 | 2019-08-07 | 马蹄焰玻璃窑蓄热室性能优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442974B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931418A (zh) * | 2020-07-21 | 2020-11-13 | 广东工业大学 | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 |
WO2022032682A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | Parameter optimization method, device, and storage medium |
CN116447615A (zh) * | 2023-06-02 | 2023-07-18 | 杭州久控科技有限公司 | 天然气锅炉的燃烧监控方法、装置和设备 |
CN117612656A (zh) * | 2024-01-22 | 2024-02-27 | 江苏瑞斯达安全防护用品有限公司 | 一种基于手套储能的相变材料剩余蓄热量测量方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090083680A1 (en) * | 2007-09-24 | 2009-03-26 | Solido Design Automation Inc. | Model-building optimization |
CN104915478A (zh) * | 2015-05-24 | 2015-09-16 | 浙江大学 | 基于多参数不确定性分析的产品设计模型等效简化方法 |
CN108388759A (zh) * | 2018-05-29 | 2018-08-10 | 广东工业大学 | 一种马蹄焰玻璃窑能耗建模与局部能耗标杆方法 |
CN109933906A (zh) * | 2019-03-13 | 2019-06-25 | 广东工业大学 | 玻璃窑蓄热室的热效率评估方法、装置、系统及存储介质 |
-
2019
- 2019-08-07 CN CN201910725249.1A patent/CN110442974B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090083680A1 (en) * | 2007-09-24 | 2009-03-26 | Solido Design Automation Inc. | Model-building optimization |
CN104915478A (zh) * | 2015-05-24 | 2015-09-16 | 浙江大学 | 基于多参数不确定性分析的产品设计模型等效简化方法 |
CN108388759A (zh) * | 2018-05-29 | 2018-08-10 | 广东工业大学 | 一种马蹄焰玻璃窑能耗建模与局部能耗标杆方法 |
CN109933906A (zh) * | 2019-03-13 | 2019-06-25 | 广东工业大学 | 玻璃窑蓄热室的热效率评估方法、装置、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
乐军,张兆宏,孙承绪: "燃煤气玻璃窑炉蓄热室的优化设计", 《华东理工大学学报》 * |
邬永国等: "玻璃窑炉蓄热室内温度场的数学模型", 《华东理工大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931418A (zh) * | 2020-07-21 | 2020-11-13 | 广东工业大学 | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 |
CN111931418B (zh) * | 2020-07-21 | 2023-06-02 | 广东工业大学 | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 |
WO2022032682A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | Parameter optimization method, device, and storage medium |
CN116447615A (zh) * | 2023-06-02 | 2023-07-18 | 杭州久控科技有限公司 | 天然气锅炉的燃烧监控方法、装置和设备 |
CN116447615B (zh) * | 2023-06-02 | 2023-11-14 | 杭州久控科技有限公司 | 天然气锅炉的燃烧监控方法、装置和设备 |
CN117612656A (zh) * | 2024-01-22 | 2024-02-27 | 江苏瑞斯达安全防护用品有限公司 | 一种基于手套储能的相变材料剩余蓄热量测量方法及系统 |
CN117612656B (zh) * | 2024-01-22 | 2024-04-02 | 江苏瑞斯达安全防护用品有限公司 | 一种基于手套储能的相变材料剩余蓄热量测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110442974B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442974A (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
CN111191316B (zh) | 一种基于响应面的建筑自然通风性能优化模型及优化方法 | |
US9230055B2 (en) | Method of optimizing film cooling performance for turbo-machinery components | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN107273693A (zh) | 一种碳氢燃料机理简化方法 | |
CN104951628A (zh) | 一种基于多目标优化的发动机热力学仿真模型标定方法 | |
CN114036861B (zh) | 基于infoGAN的三维温度场预测方法 | |
CN114462319B (zh) | 航空发动机燃烧性能主动调控方法及智能预测模型 | |
CN104091028A (zh) | 一种螺旋油楔轴承的多目标优化设计方法 | |
CN110061524A (zh) | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统 | |
Bryden et al. | Optimization of heat transfer utilizing graph based evolutionary algorithms | |
Zhai | Developing an integrated building design tool by coupling building energy simulation and computational fluid dynamics programs | |
CN108984842A (zh) | 一种骨料烘干煤粉燃烧器的设计方法及设计平台 | |
Waibel et al. | Physics meets machine learning: Coupling FFD with regression models for wind pressure prediction on high-rise facades | |
McCorkle et al. | A new methodology for evolutionary optimization of energy systems | |
CN110728030B (zh) | 基于表面式凝汽器数值模拟汽水两侧耦合的方法 | |
CN112270109A (zh) | 一种高温碳化炉中石墨棒加热性能的模拟方法 | |
CN116542164A (zh) | 一种基于物理驱动参数化代理模型的燃烧系统优化设计方法 | |
Borup et al. | Comparison of four non-derivative optimization methods on two problems containing heuristic and analytic knowledge | |
CN109977559A (zh) | 一种基于改进遗传算法的煤粉炉炉膛辐射反问题求解方法 | |
de Wilde et al. | Energy modelling | |
CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 | |
CN110083861A (zh) | 一种构建碳氢燃料射流火焰拓扑结构的方法 | |
Zaglauer et al. | Evolutionary algorithms for the automatic calibration of simulation models for the virtual engine application | |
JP4192804B2 (ja) | エンジン性能の予測解析方法、予測解析システム及びその制御プログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |