CN111859730A - 一种燃料电池离心压缩机转子构形优化设计方法 - Google Patents

一种燃料电池离心压缩机转子构形优化设计方法 Download PDF

Info

Publication number
CN111859730A
CN111859730A CN202010505234.7A CN202010505234A CN111859730A CN 111859730 A CN111859730 A CN 111859730A CN 202010505234 A CN202010505234 A CN 202010505234A CN 111859730 A CN111859730 A CN 111859730A
Authority
CN
China
Prior art keywords
rotor
electromagnetic
centrifugal compressor
rotor configuration
fuel cell
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
Application number
CN202010505234.7A
Other languages
English (en)
Other versions
CN111859730B (zh
Inventor
肖军
舒悦
刘晓明
谢传东
刘志龙
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.)
Hefei General Machinery Research Institute Co Ltd
Original Assignee
Hefei General Machinery Research Institute Co Ltd
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 Hefei General Machinery Research Institute Co Ltd filed Critical Hefei General Machinery Research Institute Co Ltd
Priority to CN202010505234.7A priority Critical patent/CN111859730B/zh
Publication of CN111859730A publication Critical patent/CN111859730A/zh
Application granted granted Critical
Publication of CN111859730B publication Critical patent/CN111859730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/26—Rotors specially for elastic fluids
    • F04D29/28—Rotors specially for elastic fluids for centrifugal or helico-centrifugal pumps for radial-flow or helico-centrifugal pumps
    • F04D29/284—Rotors specially for elastic fluids for centrifugal or helico-centrifugal pumps for radial-flow or helico-centrifugal pumps for compressors
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Fuel Cell (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明属于透平机械优化设计领域，具体涉及一种燃料电池离心压缩机转子构形优化设计方法，具体步骤为：在离心压缩机转子构形优化设计过程中，考虑叶轮气隙、轴承气膜、密封气体的流体激励及电机转子的电磁激励因素引起的转子气动刚度、气动阻尼和电磁刚度、电磁阻尼变化，利用支持向量回归机和自适应多目标灰狼算法对转子构形参数进行优化计算，最终得到分布均匀的非支配解作为转子构形参数。该方法针对燃料电池离心压缩机转子的电机一体化直驱结构和轻量化需求，将流场和电磁激励计入动力响应影响因素中，在满足质量约束的条件下，降低转子部件最大应力和变形，提高燃料电池离心压缩机的结构动力可靠性和寿命。

Description

一种燃料电池离心压缩机转子构形优化设计方法
技术领域
本发明属于透平机械优化设计领域，尤其涉及一种燃料电池离心压缩机转子构形优化设计方法。
背景技术
车用燃料电池是离心压缩机应用的新领域，车用条件下超高转速的离心压缩机转子因不平衡质量导致强迫振动，同时受叶轮气隙力、轴承气膜力、密封力等流体力作用产生自激振动，加之燃料电池轻量化的要求使压缩机转子普遍采用高速电机直驱结构，转子还受到电磁力作用，其振动响应呈现复杂的动力学行为，可能诱发振动加剧而导致重大事故。因此，压缩机转子的优化设计对于提高离心压缩机的结构动力可靠性及寿命十分关键，而常规离心压缩机设计流程针对涉及动力学特性的转子结构优化设计未有考虑，影响了离心压缩机的结构动力可靠性。
常规的透平转子构形优化设计方法在计算转子动力特性时将轴承油膜、密封气体激励引起的支承、密封刚度和阻尼数据设为常量，或直接将支承刚度和阻尼数据作为设计变量。实际情况下叶轮、轴承气膜及密封的位置和尺寸与转子构形的设计相关，转子构形的改变直接导致流场激励的变化，进而使气动刚度及阻尼数据发生变化。由于未考虑转子构形参数与相应激励引起的刚度及阻尼数据之间关系，转子结构动力计算模型与实际情况不符，导致转子构形优化方向产生偏差，优化转子的力学特性不能达到预期指标，影响转子结构动力可靠性的评估。针对燃料电池离心压缩机的轻量化特点和电机同轴直驱结构，转子构形优化设计还需考虑叶轮气隙和电磁激励引起的刚度和阻尼效应，与此相关的设计方法仍为空白。
发明内容
本发明为解决上述转子结构优化设计方法的不足，并填补燃料电池离心压缩机转子构形优化设计方面的空白，为此本发明提供一种燃料电池离心压缩机转子构形优化设计方法。本发明采用以下技术方案：
S1、建立关于叶轮气隙、轴承气膜、密封气体的流场模型及关于电机绕组的电磁模型，通过计算分析流体及电磁力，确定气动、电磁刚度和阻尼数据，进而确定对动力响应结果影响显著的转子构形设计变量X；
S2、根据设计变量X建立离心压缩机转子参数化模型；
S3、确定设计变量X的变化范围，采用实验设计方法生成转子构形参数化模型的样本集，包括训练集和测试集，并根据转子参数化模型计算获得约束条件中的转子质量值m；
S4、根据转子构形参数化模型建立流体激励及电磁激励模型，计算获得样本集的气动刚度、气动阻尼、电磁刚度和电磁阻尼数据；
S5、建立各参数化转子的有限元模型，计算得到动力响应的幅频特性，获取设计变量X对应的优化目标值；
S6、根据样本数据训练支持向量机回归模型f(X)，通过输入转子构形的设计变量X，即可获得相应的优化目标值，所述样本数据包括步骤S3中样本集和步骤S5中的优化目标值；
S7、采用基于改进灰狼算法的多目标优化方法对转子构形参数在设定的约束条件下进行优化；
S8、根据优化的转子构形，重新计算转子的气动、电磁刚度和气动、电磁阻尼，进而有限元校核优化目标的值，若误差大于设定值，则将该优化解加入训练集，返回步骤S6，若误差小于设定值，则执行步骤S9；
S9、转子设计变量的解收敛，输出优化构形数据。
本发明的优点在于：
(1)本发明在转子构形优化设计中考虑转子构形对叶轮气隙、轴承气膜、密封气体激励的气动刚度和阻尼效应，以及同轴电机绕组激励的电磁刚度和阻尼效应的影响，根据转子所受流体及电磁激励的建模和计算分析，筛选对刚度和阻尼影响显著的构形设计变量展开优化设计，更符合燃料电池离心压缩机的实际工作情况，可以获得更准确的转子优化构形。
(2)本发明面向燃料电池离心压缩机的轻量化需求，以转子最大应力和最大扰度为优化目标、质量为约束条件开展转子构形优化设计，既减小了结构应力和振动挠曲变形，又控制了结构质量，有利于提高离心压缩机结构动力可靠性和寿命。
(3)本发明采用具有较强非线性映射能力的小波核函数进行支持向量回归，使用最优拉丁超立方抽样方法生成多维设计变量空间内分布均匀的向量机训练集和测试集，用可变步长搜寻法进行向量机参数的寻优，使用非等间距划分优化样本的外部种群，显著提高了代理模型的精度，加快了优化算法的收敛速度。
附图说明
图1为本发明转子构形优化设计流程图。
图2为燃料电池离心压缩机转子结构示意图。
图3为支持向量回归机参数网格搜寻法示意图。
图中标注符号的含义如下：
1-叶轮 2-主轴 3-电机绕组
具体实施方式
如图1-2所示，一种燃料电池离心压缩机转子构形优化设计方法，包括以下步骤：
S1、建立关于叶轮1气隙、轴承气膜、密封气体的流场模型及关于电机绕组3的电磁模型，通过计算分析流体及电磁力，确定气动、电磁刚度和阻尼数据，进而确定对动力响应结果影响显著的转子构形设计变量X；所述设计变量X包括转子各段位置、各段尺寸。如图2所示，压缩机的主轴2在电机绕组3中转动。
S2、根据设计变量X建立离心压缩机转子参数化模型；根据设计变量X运用CAD手段建立离心压缩机转子参数化模型。
S3、确定设计变量X的变化范围，采用实验设计方法生成转子构形参数化模型的样本集，包括训练集和测试集，并根据转子参数化模型计算获得约束条件中的转子质量值m；具体地说，所述实验设计方法采用最优拉丁超立方抽样方法，用与水平数相同的实验次数得到均匀分布的样本，所述训练集和测试集以不同水平数分别生成，生成训练集的水平数为测试集的2倍。其中水平数是每个设计变量值的选取数目。
S4、根据转子构形参数化模型建立流体激励及电磁激励模型，计算样本集的获得气动刚度、气动阻尼、电磁刚度和电磁阻尼数据；
S5、建立各参数化转子的有限元模型，计算得到动力响应的幅频特性，获取设计变量X对应的优化目标值；所述优化目标值为最大应力σmax和最大扰度w。
S6、根据样本数据训练支持向量机回归模型f(X)，通过输入转子构形的设计变量X，即可获得相应的优化目标值，所述样本数据包括步骤S3中样本集和步骤S5中的优化目标值；采具体步骤如下：
S61、以步骤S1中的转子构形设计变量X作为样本输入，步骤S5获得相应的优化目标值作为样本输出，初始化训练集数据；
S62、设定回归精度、惩罚因子、核函数；所述的核函数为小波核函数，小波函数采用紧支撑正交的db3小波。
S63、针对训练集数据，求解最小化损失函数的拉格朗日对偶问题，得到支持向量机回归模型f(X)；
S64、计算支持向量机回归模型f(X)回归测试集数据的均方误差；
S65、采用网格搜寻法改变回归精度和惩罚因子，重复过程S63、S64，直至网格搜寻结束；所述的网格搜寻法实施时，如图3所示，先采用第一步长在回归精度和惩罚因子的设定范围内寻找回归均方误差最小的网格区域，然后在所述网格区域内以其格心为中心以第二步长继续寻找使回归均方误差最小的精细网格区域，所述第一步长大于第二步长。
S66、选取均方误差最小的支持向量机回归模型f(X)作为回归模型。
S7、采用基于改进灰狼算法的多目标优化方法对转子构形参数化模型在设定的约束条件下进行优化。
具体步骤如下：
S71、初始化狼群位置及距离控制参数a、A和C；其中A和C均为随机向量，a的每一维为随着迭代计算的进行由2线性减小至0的数；
S72、计算种群各狼的目标函数值；
S73、找到非支配解并初始化外部种群，初始化外部种群分组数、上限数和最大迭代次数；外部种群的分组依据是：根据优化目标值的上下界按非等间距分组，间距随最大应力和最大扰度值的降低按指定比例减小。
S74、按照轮盘赌的方式从外部种群依次选取3只头狼；
S75、更新种群个体狼的位置及距离控制参数a、A和C；
S76、计算种群各狼的目标函数值；
S77、找到非支配解并更新外部种群，若外部种群已满，则在最拥挤组中删除个体，然后向不拥挤组中添加，若任一新添加的个体落在外部种群的超立方之外，则更新外部种群分组网格以包括该个体；
S78、判断是否达到最大迭代次数，若是则输出外部种群非支配解，否则返回至步骤S74。
S8、根据优化的转子构形，重新计算转子的气动、电磁刚度和气动、电磁阻尼，进而有限元校核优化目标的值，若误差大于设定值，则将该优化解加入训练集，返回步骤S6，若误差小于设定值，则执行步骤S9；
S9、转子设计变量的解收敛，输出优化构形数据。
本发明在转子构形优化设计中考虑转子构形对气动、电磁刚度和阻尼数据的影响，对某燃料电池离心压缩机转子构形进行了优化，与常规优化方法的对比结果如表1所示，最大等效应力降低了19.8％，最大扰度降低了25.3％。因此，本发明提出的燃料电池离心压缩机转子构形优化设计方法，有效降低了转子部件的最大应力和挠曲变形，提升了压缩机转子的结构动力可靠性。
表1本发明与常规优化方法的优化结果对比
Figure BDA0002526302400000051
Figure BDA0002526302400000061
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (9)

1.一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，包括以下步骤：
S1、建立关于叶轮气隙、轴承气膜、密封气体的流场模型及关于电机绕组的电磁模型，通过计算分析流体及电磁力，确定气动、电磁刚度和阻尼数据，进而确定对动力响应结果影响显著的转子构形设计变量X；
S2、根据设计变量X建立离心压缩机转子参数化模型；
S3、确定设计变量X的变化范围，采用实验设计方法生成转子构形参数化模型的样本集，包括训练集和测试集，并根据转子参数化模型计算获得约束条件中的转子质量值m；
S4、根据转子构形参数化模型建立流体激励及电磁激励模型，计算获得样本集的气动刚度、气动阻尼、电磁刚度和电磁阻尼数据；
S5、建立各参数化转子的有限元模型，计算得到动力响应的幅频特性，获取设计变量X对应的优化目标值；
S6、根据样本数据训练支持向量机回归模型f(X)，通过输入转子构形的设计变量X，即可获得相应的优化目标值，所述样本数据包括步骤S3中样本集和步骤S5中的优化目标值；
S7、采用基于改进灰狼算法的多目标优化方法对转子构形参数在设定的约束条件下进行优化；
S8、根据优化的转子构形，重新计算转子的气动、电磁刚度和气动、电磁阻尼，进而有限元校核优化目标的值，若误差大于设定值，则将该优化解加入训练集，返回步骤S6，若误差小于设定值，则执行步骤S9；
S9、转子设计变量的解收敛，输出优化构形数据。
2.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S6具体如下：
S61、以步骤S1中的转子构形设计变量X作为样本输入，步骤S5获得相应的优化目标值作为样本输出，初始化训练集数据；
S62、设定回归精度、惩罚因子、核函数；
S63、针对训练集数据，求解最小化损失函数的拉格朗日对偶问题，得到支持向量机回归模型f(X)；
S64、计算支持向量机回归模型f(X)回归测试集数据的均方误差；
S65、采用网格搜寻法改变回归精度和惩罚因子，重复过程S63、S64，直至网格搜寻结束；
S66、选取均方误差最小的支持向量机回归模型f(X)作为回归模型。
3.根据权利要求2所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S62所述的核函数为小波核函数，小波函数采用紧支撑正交的db3小波。
4.根据权利要求2所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S65所述的网格搜寻法实施时，先采用第一步长在回归精度和惩罚因子的设定范围内寻找回归均方误差最小的网格区域，然后在所述网格区域内以其格心为中心以第二步长继续寻找使回归均方误差最小的精细网格区域，所述第一步长大于第二步长。
5.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S7具体包括以下步骤：
S71、初始化狼群位置及距离控制参数a、A和C；
S72、计算种群各狼的目标函数值；
S73、找到非支配解并初始化外部种群，初始化外部种群分组数、上限数和最大迭代次数；
S74、按照轮盘赌的方式从外部种群依次选取3只头狼；
S75、更新种群个体狼的位置及距离控制参数a、A和C；
S76、计算种群各狼的目标函数值；
S77、找到非支配解并更新外部种群，若外部种群已满，则在最拥挤组中删除个体，然后向不拥挤组中添加，若任一新添加的个体落在外部种群的超立方之外，则更新外部种群分组网格以包括该个体；
S78、判断是否达到最大迭代次数，若是则输出外部种群非支配解，否则返回至步骤S74。
6.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S73中，外部种群的分组依据是：根据优化目标值的上下界按非等间距分组，间距随最大应力和最大扰度值的降低按指定比例减小。
7.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S3所述实验设计方法采用最优拉丁超立方抽样方法，用与水平数相同的实验次数得到均匀分布的样本，所述训练集和测试集以不同水平数分别生成，生成训练集的水平数为测试集的2倍。
8.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S1所述的设计变量X包括转子各段位置、各段尺寸。
9.根据权利要求1所述的一种燃料电池离心压缩机转子构形优化设计方法，其特征在于，步骤S5所述优化目标值为最大应力σmax和最大扰度w。
CN202010505234.7A 2020-06-05 2020-06-05 一种燃料电池离心压缩机转子构形优化设计方法 Active CN111859730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505234.7A CN111859730B (zh) 2020-06-05 2020-06-05 一种燃料电池离心压缩机转子构形优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505234.7A CN111859730B (zh) 2020-06-05 2020-06-05 一种燃料电池离心压缩机转子构形优化设计方法

Publications (2)

Publication Number Publication Date
CN111859730A true CN111859730A (zh) 2020-10-30
CN111859730B CN111859730B (zh) 2023-10-13

Family

ID=72985015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505234.7A Active CN111859730B (zh) 2020-06-05 2020-06-05 一种燃料电池离心压缩机转子构形优化设计方法

Country Status (1)

Country Link
CN (1) CN111859730B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417723A (zh) * 2020-11-19 2021-02-26 上海电气集团股份有限公司 一种流场优化方法、装置及存储介质
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
CN112784379A (zh) * 2021-03-09 2021-05-11 重庆邮电大学 一种叶轮转子系统的优化设计方法
CN115270361A (zh) * 2022-09-30 2022-11-01 北京科技大学 高效求解约束问题的离心压气机叶轮优化设计方法及装置
CN115481511A (zh) * 2022-09-30 2022-12-16 北京科技大学 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
CN117494530A (zh) * 2023-12-29 2024-02-02 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130051981A1 (en) * 2011-08-26 2013-02-28 Honeywell International Inc. Gas turbine engines including broadband damping systems and methods for producing the same
CN108680322A (zh) * 2018-03-29 2018-10-19 合肥通用机械研究院有限公司 一种离心叶轮振动阻尼测试系统及方法
CN111062177A (zh) * 2018-12-29 2020-04-24 山东大学 一种基于围带阻尼的汽轮机转子系统稳定性动态优化方法
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130051981A1 (en) * 2011-08-26 2013-02-28 Honeywell International Inc. Gas turbine engines including broadband damping systems and methods for producing the same
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
CN108680322A (zh) * 2018-03-29 2018-10-19 合肥通用机械研究院有限公司 一种离心叶轮振动阻尼测试系统及方法
CN111062177A (zh) * 2018-12-29 2020-04-24 山东大学 一种基于围带阻尼的汽轮机转子系统稳定性动态优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHANG, W等: "Multiple-objective design optimization of squirrel cage for squeeze film damper by using cell mapping method and experimental validation", 《MECHANISM AND MACHINE THEORY》, pages 66 - 79 *
马英 等: "电动车轮构型分析与结构研究", 《中国博士学位论文全文数据库》, no. 12, pages 1 - 122 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417723A (zh) * 2020-11-19 2021-02-26 上海电气集团股份有限公司 一种流场优化方法、装置及存储介质
CN112417723B (zh) * 2020-11-19 2024-04-12 上海电气集团股份有限公司 一种流场优化方法、装置及存储介质
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
CN112784379A (zh) * 2021-03-09 2021-05-11 重庆邮电大学 一种叶轮转子系统的优化设计方法
CN115270361A (zh) * 2022-09-30 2022-11-01 北京科技大学 高效求解约束问题的离心压气机叶轮优化设计方法及装置
CN115481511A (zh) * 2022-09-30 2022-12-16 北京科技大学 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
CN115270361B (zh) * 2022-09-30 2023-01-24 北京科技大学 高效求解约束问题的离心压气机叶轮优化设计方法及装置
CN115481511B (zh) * 2022-09-30 2023-08-29 北京科技大学 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
CN117494530A (zh) * 2023-12-29 2024-02-02 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法
CN117494530B (zh) * 2023-12-29 2024-03-26 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法

Also Published As

Publication number Publication date
CN111859730B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111859730A (zh) 一种燃料电池离心压缩机转子构形优化设计方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
RU2559718C2 (ru) Система и способ настройки/калибровки семейств ступеней турбомашин
CN113673129A (zh) 一种超超高效感应电机的多目标鲁棒优化设计方法
CN113048086B (zh) 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
CN104750948B (zh) 一种处理飞行器设计中多极值多约束问题的优化方法
CN112270139B (zh) 基于母型库的燃料电池离心压缩机气动优化设计方法
Tsoutsanis et al. Non-linear model calibration for off-design performance prediction of gas turbines with experimental data
CN114254460B (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
CN115903484A (zh) 基于合作博弈的航空发动机多变量鲁棒控制器优化方法
CN113688565B (zh) 基于最优权衡的超临界co2离心压缩机贝叶斯优化方法
Song et al. Blade shape optimization of transonic axial flow fan in terms of sectional profiles and stacking line
Salnikov et al. A centrifugal compressor impeller: a multidisciplinary optimization to improve its mass, strength, and gas-dynamic characteristics
CN114841091B (zh) 一种基于代理模型技术的离心通风机的气动优化设计方法
CN114021492B (zh) 一种基于神经网络的超临界翼型抖振优化方法
Bitikofer et al. Characteristic Moore-Greitzer model parameter identification for a one stage axial compressor system
CN115577453A (zh) 一种变距螺旋桨气动设计方法、装置及系统
CN111783236B (zh) 基于自适应模型和子集模拟的涡轮机匣灵敏度分析方法
CN114841032B (zh) 一种燃气轮机热部件寿命稳健性的设计方法
LIU et al. Study on Component Characteristic Correction Algorithm of Turbofan Engine
Popov et al. Axial compressor optimization method
Shuai et al. Study on Component Characteristic Correction Algorithm of Turbofan Engine
Goriachkin et al. Method for Improving Multi-stage Compressor Parameters using the IOSO Optimizer.
CN115758602A (zh) 一种抑制强迫风冷感应电机电磁噪声的机壳结构优化设计方法
Kang et al. Machine Learning-Based Multi-Disciplinary Optimization of Transonic Axial Compressor Blade Considering Aeroelasticity

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