CN111859771A - 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 - Google Patents
一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 Download PDFInfo
- Publication number
- CN111859771A CN111859771A CN202010562824.3A CN202010562824A CN111859771A CN 111859771 A CN111859771 A CN 111859771A CN 202010562824 A CN202010562824 A CN 202010562824A CN 111859771 A CN111859771 A CN 111859771A
- Authority
- CN
- China
- Prior art keywords
- channel water
- radiator
- formula
- cooled radiator
- water
- 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
- 241000251555 Tunicata Species 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 18
- 239000000110 cooling liquid Substances 0.000 claims abstract description 16
- 238000001816 cooling Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 23
- 230000017525 heat dissipation Effects 0.000 claims description 15
- 241000251557 Ascidiacea Species 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000002826 coolant Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 3
- 230000008646 thermal stress Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K11/00—Arrangement in connection with cooling of propulsion units
- B60K11/02—Arrangement in connection with cooling of propulsion units with liquid cooling
-
- 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
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20218—Modifications to facilitate cooling, ventilating, or heating using a liquid coolant without phase change in electronic enclosures
- H05K7/20263—Heat dissipaters releasing heat from coolant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Combustion & Propulsion (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,主要是将多通道水冷散热器的散热翅片数目n,冷却液流速v作为待优化的结构参数,将igbt的最高温度Tmax,面均温差Tav和冷却液的压力损失ΔP作为优化目标,以标准樽海鞘群算法为基础,通过在更新樽海鞘领导者位置公式的地方引入引力算法,有效地对多通道水冷散热器结构参数进行全局搜索,实现对多通道水冷散热器进行整体优化,大幅度改善多通道水冷散热器的散热性能,并且稳定性高。
Description
技术领域
本发明涉及多通道水冷散热器技术领域,特别涉及一种基于改进樽海鞘算法的多通道水冷散热器优化方法。
背景技术
IGBT(Insulated Gate Bipolar Transistor,绝缘栅双极型晶体管)是由BJT(双极型三极管)和MOS(绝缘栅型场效应管)组成的复合全控型电压驱动式功率半导体器件,兼有MOSFET的高输入阻抗和GTR的低导通压降两方面的优点。非常适合应用于直流电压为600V及以上的变流系统如交流电机、变频器、开关电源、照明电路、牵引传动等领域。
目前,新能源汽车变流器上均需安装冷却设备来给IGBT模块散热,以保证各相关设备的正常工作。冷却设备多采用水冷式散热器,包括底托、底盖和散热翅片,底托和底盖之间形成封闭腔体,在面板上设置有进水口和出水口,底托上设置有散热翅片,冷却介质从进水口流入,然后在散热翅片形成的通路中穿行后从出水口流出,并将热量带出,实现散热。
针对散热器的散热问题,国内外学者进行了一系列研究,提出了多种有助于散热器散热的结构,如S式,翅柱式,针肋式(PIN-FIN)、平板式等。董伟杰从IGBT的功耗分析入手,对散热器肋片的设计方法进行研究,得出采用波纹肋片比平板肋片更有利于散热的结论。刘桓龙等通过流体分析软件计算散热器在不同工况和不同散热结构条件下的热参数,并将其作为热载荷进行结构热应力与热应变分析,最后综合分析了翅片结构对散热器散热性能、热应力、热应变的影响,为车用电机控制器的散热设计提供了理论参考。国建鸿等采用蒸发冷却的方式来冷却大功率电子器件的方法,不过该方法成本较高,不适于新能源汽车节能减排的指标。揭贵生等用统一量纲的方法从理论上分析了某一种平板式水冷散热器尺寸参数对散热效果的影响,并进行了优化设计,得出小通道尺寸的平板式水冷散热器对解决大热流密度器件的散热更为有效的结论,但是分析的散热板结构过于简单,得出的结果不具有普适性。
上述多目标优化在一定程度上解决了水冷散热器多目标,多变量,多约束的问题,但是仍存在整体效率低、稳定性不高等问题。
发明内容
针对多通道水冷散热器整体散热效率低、稳定性不高的问题,本发明提出一种基于改进的樽海鞘群算法的多通道水冷散热器优化方法。
为了解决上述技术问题,本发明的技术方案为:
一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,包括以下步骤:
S1:计算多通道水冷散热器的初始结构参数;
S2:选取多通道水冷散热器待优化的结构参数;
S3:针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型,仿真得到多通道水冷散热器的性能参数;
S4:根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数,构建样本数据,并将样本数据作为参数向量;
S5:训练样本数据,得到待优化的多通道水冷散热器模型;
S6:根据待优化的多通道水冷散热器模型,以散热器待优化结构参数为优化对象,以igbt的最高温度Tmax、面均温差Tav和冷却液的压力损失ΔP为优化目标,对多通道水冷散热器结构参数进行优化,得到最优结构参数。
优选的,步骤S1中所述多通道水冷散热器不变的初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力Pin和出水口压力Pout。
优选的,步骤S2中所述多通道水冷散热器待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。
优选的,步骤S6包括以下步骤:
S61:初始化种群参数;
S62:随机初始化每组参数向量和当前最优的多通道水冷散热器结构参数值F;
S63:计算每个樽海鞘个体的适应度值,将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F;
S64:引入引力算法,更新第一组参数向量,把这组参数向量定义为首组参数;
S65:更新跟随者樽海鞘的位置,并且修正参数向量辨识范围的上下限;
S66:根据当前位置重新计算每个樽海鞘个体的适应度值,更新当前最优的多通道水冷散热器结构参数值F;
S67:判断是否达到最大迭代次数Tm:是,则输出最优的多通道水冷散热器结构参数值F;否,则返回步骤S63。
优选的,步骤S61中所述种群参数包括种群个数N、参数向量辨识范围的上限ubj和下限lbj、搜索空间的维度D和最大迭代次数Tm;随机初始化产生的种群位置,公式如下:
式中:xij为第i个樽海鞘在j维度的种群位置,i=1,...,N;j=1,...,D。
优选的,步骤S63中将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差,并加入权重因子,得到适应度函数的公式如下:
f=λ1|Tmax-Tmax0|+λ2|Tav-Tav0|+λ3|ΔP-ΔP0| (2)
式中,Tmax0、Tav0和ΔP0分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失;Tmax、Tav、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失;λ1,λ2,λ3分别为Tmax、Tav、ΔP的权重因子,且λ1+λ2+λ3=1。
优选的,λ1=λ2=λ3=1/3。
优选的,步骤S64包括以下步骤:
S641:根据适应度值的优劣,更新第i个樽海鞘个体的惯性质量Mi(t),公式如下:
式中,fiti(t)是t时刻多通道水冷散热器的结构参数;best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值;
S642:计算任意两个樽海鞘个体之间的引力大小,公式如下:
式中,Mi(t)和Mj(t)分别是t时刻樽海鞘i和j的惯性质量;ε是一个常量;Rij(t)是t时刻樽海鞘i和j之间的欧氏距离;和分别表示t时刻d个樽海鞘在j和i维空间的位置;G(t)是t时刻的引力系数,表示为:
式中,G0是引力系数初值,取值100;α是衰减系数,取值20;
S643:定义在d维空间上粒子i受到的合力Fi d(t)表达式为:
式中,rand(0,1)为[0,1]中的一个随机数;
S645:更新第一组参数向量采用如下公式:
式中,t为当前迭代次数;Tm是最大迭代次数;系数r2和r3是在[0,1]范围内的随机数,r3指示下一个位置的移动方向。
与现有技术相比,本发明的有益效果是:
本发明以标准樽海鞘群算法为基础,通过在更新樽海鞘领导者位置公式的地方引入引力算法,能够提高每组参数向量搜索范围的有效性,进而提高参数向量的搜索性能,有效地对多通道水冷散热器结构参数进行全局搜索,实现对多通道水冷散热器进行整体优化,大幅度改善多通道水冷散热器的散热性能,并且稳定性高。
附图说明
图1为本发明一种基于改进樽海鞘群算法的多通道水冷散热器优化方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,主要是将多通道水冷散热器的散热翅片数目n,冷却液流速v作为待优化的结构参数,将igbt的最高温度Tmax,面均温差Tav和冷却液的压力损失ΔP作为优化目标,主要包括以下步骤:
S1:计算多通道水冷散热器的初始结构参数。
初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力Pin和出水口压力Pout。
S2:选取多通道水冷散热器待优化的结构参数。
待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。
S3:针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型,仿真得到多通道水冷散热器的性能参数:igbt的最高温度Tmax、面均温差Tav和冷却液的压力损失ΔP;
S4:根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数,构建样本数据,并将样本数据作为参数向量。
S5:训练样本数据,得到待优化的多通道水冷散热器模型。
S6:根据待优化的多通道水冷散热器模型,以散热器待优化结构参数为优化对象,以igbt的最高温度Tmax、面均温差Tav和冷却液的压力损失ΔP为优化目标,对多通道水冷散热器结构参数进行优化,得到最优结构参数。
S61:初始化种群参数;
种群参数包括种群个数N、搜索空间的上限ubj和下限lbj(参数向量辨识范围)、搜索空间的维度D和最大迭代次数Tm;随机初始化产生的种群位置,公式如下:
式中:xij为第i个樽海鞘在j维度的种群位置,i=1,...,N;j=1,...,D。
S62:随机初始化领导者樽海鞘的位置(即每组参数向量)和食物源位置F(即当前最优的多通道水冷散热器结构参数值);
S63:计算每个樽海鞘个体的适应度值,适应度值是指根据适应度函数计算得到的函数值,其值越小,表示适应度值越高,将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F;
将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差,并加入权重因子,得到适应度函数的公式如下:
f=λ1|Tmax-Tmax0|+λ2|Tav-Tav0|+λ3|ΔP-ΔP0| (2)
式中,Tmax0、Tav0和ΔP0分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失;Tmax、Tav、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失;λ1,λ2,λ3分别为Tmax、Tav、ΔP的权重因子,且λ1+λ2+λ3=1。本发明适应度函数的三个权重因子视为相等且都等于1/3。
S64:引入引力算法,根据引力算法,更新领导者樽海鞘的位置,即更新第一组参数向量,把这组参数向量定义为首组参数;
S641:为提高樽海鞘群算法的搜索性能,有效的进行全局搜索,根据适应度值的优劣,更新第i个樽海鞘个体的惯性质量Mi(t),公式如下:
式中,fiti(t)是t时刻多通道水冷散热器的结构参数;best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值;
式中,Mi(t)和Mj(t)分别是t时刻樽海鞘i和j的惯性质量;ε是一个常量;Rij(t)是t时刻樽海鞘i和j之间的欧氏距离;和分别表示t时刻d个樽海鞘在j和i维空间的位置;G(t)是t时刻的引力系数,表示为:
式中,G0是引力系数初值,取值100;α是衰减系数,取值20;
S643:为增加领导者樽海鞘位置的随机性,提高樽海鞘领导者搜索范围的有效性,更准确且快速的计算出多通道水冷散热器的结构参数,定义在d维空间上粒子i受到的合力Fi d(t)表达式为:
式中,rand(0,1)为[0,1]中的一个随机数;
S645:领导者根据食物源更新位置,即更新第一组参数向量,使其总在食物源附近进行探索开发,使其总在多通道水冷散热器最优结构参数附近进行搜索,其公式为:
式中,t为当前迭代次数;Tm是最大迭代次数;系数r2和r3是在[0,1]范围内的随机数,r3指示下一个位置的移动方向。
S65:更新跟随者樽海鞘的位置,并且修正每一个超过上限或者下限樽海鞘个体的位置,目的是为了使每一个樽海鞘不超过参数向量的辨识范围;
S66:根据当前位置重新计算每个樽海鞘个体的适应度值,更新食物源位置F,即更新当前最优的多通道水冷散热器结构参数值F;
S67:判断是否达到最大迭代次数Tm:是,则输出当前樽海鞘的位置值,当前位置值即是最优的多通道水冷散热器结构参数值;否,则返回步骤S63。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (8)
1.一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于,包括以下步骤:
S1:计算多通道水冷散热器的初始结构参数;
S2:选取多通道水冷散热器待优化的结构参数;
S3:针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型,仿真得到多通道水冷散热器的性能参数;
S4:根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数,构建样本数据,并将样本数据作为参数向量;
S5:训练样本数据,得到待优化的多通道水冷散热器模型;
S6:根据待优化的多通道水冷散热器模型,以散热器待优化结构参数为优化对象,以igbt的最高温度Tmax、面均温差Tav和冷却液的压力损失ΔP为优化目标,对多通道水冷散热器结构参数进行优化,得到最优结构参数。
2.根据权利要求1所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于:步骤S1中所述多通道水冷散热器不变的初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力Pin和出水口压力Pout。
3.根据权利要求2所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于:步骤S2中所述多通道水冷散热器待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。
4.根据权利要求3所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于,步骤S6包括以下步骤:
S61:初始化种群参数;
S62:随机初始化每组参数向量和当前最优的多通道水冷散热器结构参数值F;
S63:计算每个樽海鞘个体的适应度值,将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F;
S64:引入引力算法,更新第一组参数向量,把这组参数向量定义为首组参数;
S65:更新跟随者樽海鞘的位置,并且修正参数向量辨识范围的上下限;
S66:根据当前位置重新计算每个樽海鞘个体的适应度值,更新当前最优的多通道水冷散热器结构参数值F;
S67:判断是否达到最大迭代次数Tm:是,则输出最优的多通道水冷散热器结构参数值F;否,则返回步骤S63。
6.根据权利要求5所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于,步骤S63中将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差,并加入权重因子,得到适应度函数的公式如下:
f=λ1|Tmax-Tmax0|+λ2|Tav-Tav0|+λ3|ΔP-ΔP0| (2)
式中,Tmax0、Tav0和ΔP0分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失;Tmax、Tav、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失;λ1,λ2,λ3分别为Tmax、Tav、ΔP的权重因子,且λ1+λ2+λ3=1。
7.根据权利要求6所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于:λ1=λ2=λ3=1/3。
8.根据权利要求4所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法,其特征在于,步骤S64包括以下步骤:
S641:根据适应度值的优劣,更新第i个樽海鞘个体的惯性质量Mi(t),公式如下:
式中,fiti(t)是t时刻多通道水冷散热器的结构参数;best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值;
S642:计算任意两个樽海鞘个体之间的引力大小,公式如下:
式中,Mi(t)和Mj(t)分别是t时刻樽海鞘i和j的惯性质量;ε是一个常量;Rij(t)是t时刻樽海鞘i和j之间的欧氏距离;和分别表示t时刻d个樽海鞘在j和i维空间的位置;G(t)是t时刻的引力系数,表示为:
式中,G0是引力系数初值,取值100;α是衰减系数,取值20;
S643:定义在d维空间上粒子i受到的合力Fi d(t)表达式为:
式中,rand(0,1)为[0,1]中的一个随机数;
S645:更新第一组参数向量采用如下公式:
式中,t为当前迭代次数;Tm是最大迭代次数;系数r2和r3是在[0,1]范围内的随机数,r3指示下一个位置的移动方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562824.3A CN111859771B (zh) | 2020-06-19 | 2020-06-19 | 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562824.3A CN111859771B (zh) | 2020-06-19 | 2020-06-19 | 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859771A true CN111859771A (zh) | 2020-10-30 |
CN111859771B CN111859771B (zh) | 2024-02-23 |
Family
ID=72986809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010562824.3A Active CN111859771B (zh) | 2020-06-19 | 2020-06-19 | 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859771B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761758A (zh) * | 2021-11-09 | 2021-12-07 | 飞腾信息技术有限公司 | 一种水冷头散热器散热性能优化方法、散热器及服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN109873810A (zh) * | 2019-01-14 | 2019-06-11 | 湖北工业大学 | 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法 |
CN110100371A (zh) * | 2016-12-20 | 2019-08-06 | 皇家飞利浦有限公司 | 用于对负载进行供电的负载装置 |
-
2020
- 2020-06-19 CN CN202010562824.3A patent/CN111859771B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110100371A (zh) * | 2016-12-20 | 2019-08-06 | 皇家飞利浦有限公司 | 用于对负载进行供电的负载装置 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN109873810A (zh) * | 2019-01-14 | 2019-06-11 | 湖北工业大学 | 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法 |
Non-Patent Citations (3)
Title |
---|
宋佳音;池志祥;张晓鹏;朱庆林;: "基于樽海鞘和自适应差分进化的相机内参优化", 自动化与仪表, no. 04, 25 April 2020 (2020-04-25) * |
张小平;饶盛华;张铸;赵轩;: "基于混沌果蝇算法的SRM多目标协同优化研究", 系统仿真学报, no. 07, 8 July 2018 (2018-07-08) * |
王彦军;王秋萍;王晓峰;: "改进的樽海鞘群算法及在焊接梁问题中的应用", 西安理工大学学报, no. 04, 30 December 2019 (2019-12-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761758A (zh) * | 2021-11-09 | 2021-12-07 | 飞腾信息技术有限公司 | 一种水冷头散热器散热性能优化方法、散热器及服务器 |
CN113761758B (zh) * | 2021-11-09 | 2022-03-04 | 飞腾信息技术有限公司 | 一种水冷头散热器散热性能优化方法、散热器及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111859771B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | A review on air cooled and air centric hybrid thermal management techniques for Li-ion battery packs in electric vehicles | |
CN115397187B (zh) | 用于车辆功率模块的散热器的设计方法 | |
CN110581114B (zh) | 一种热管、相变材料与浸没式液冷相结合的散热系统 | |
CN106159379A (zh) | 一种动力电池系统用热管翅片的冷却装置及模式选择方法 | |
CN111859771A (zh) | 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 | |
CN105451518A (zh) | 水冷式散热排及其制造方法、具有该散热排的散热装置 | |
CN112757893A (zh) | 车辆格栅控制方法、介质、设备及车辆 | |
Wu et al. | Genetic algorithm design of a 3D printed heat sink | |
CN116522755A (zh) | 车用电池组及其热管理模块耦合建模与联合仿真方法 | |
CN106777754A (zh) | 一种平板微热管阵列散热器优化方法 | |
CN112231860A (zh) | 基于遗传算法的矩形截面形状微通道热沉的优化设计方法 | |
CN114647967A (zh) | 一种超高效均温板设计方法 | |
Huang et al. | An inverse design method for optimizing design parameters of heat sink modules with encapsulated chip | |
Kim et al. | Dynamic reconfiguration of thermoelectric generators for vehicle radiators energy harvesting under location-dependent temperature variations | |
Xinlong et al. | An improved air supply scheme for battery energy storage systems | |
Feng et al. | Analysis and optimization control of finned heat dissipation performance for automobile power lithium battery pack | |
US11428478B2 (en) | Fin geometries for manifold microchannel heat sinks | |
Ning et al. | Selection of heatsink and fan for high-temperature power modules under weight constraint | |
e Silva et al. | Analysis and modeling of a liquid cooled heat sink for ev traction inverter systems | |
CN116796593A (zh) | 水平波状通道自由建模与优化设计方法 | |
Nakatsu et al. | The next-generation high power density inverter technology for vehicle | |
CN113784583B (zh) | 一种散热结构、功率驱动器及电动伺服装置 | |
Hanafi et al. | Heat sink model and design analysis based on particle swarm optimization | |
Fabbri et al. | An optimized heat sink for thermophotovoltaic panels | |
Terekhov et al. | Heat transfer in a high vertical enclosure with multiple fins attached to the wall |
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 |