CN112084596A - 一种层板结构参数的智能推荐系统及推荐方法 - Google Patents
一种层板结构参数的智能推荐系统及推荐方法 Download PDFInfo
- Publication number
- CN112084596A CN112084596A CN202010936060.XA CN202010936060A CN112084596A CN 112084596 A CN112084596 A CN 112084596A CN 202010936060 A CN202010936060 A CN 202010936060A CN 112084596 A CN112084596 A CN 112084596A
- Authority
- CN
- China
- Prior art keywords
- parameters
- cold air
- laminated plate
- laminate
- air flow
- 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
Images
Classifications
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种层板结构参数的智能推荐系统及推荐方法,涉及航空发动机领域,解决现有技术存在迭代修改周期长、次数多、计算量大、人力物力浪费等诸多实际问题。包括参数化描述模块、机器学习模型对层板流阻参数的预测模块、冷气流量计算模块以及遗传算法寻优模块;本发明通过引入层板流阻特性关联层板结构参数和冷气流量,并通过建立机器学习模型实现层板结构参数到流阻参数的快速准确预测,使得层板结构的设计具有客观基础研究理论和数据的支撑,弱化了对设计人员工程经验的过度依赖;并且预测模型的训练和测试所需的数据集通过典型层板结构最小单元的数值模拟得到,相比于现有方法,大大降低了计算量,节省了人力物力。
Description
技术领域
本发明涉及航空发动机领域,具体涉及一种层板结构参数的智能推荐系统及推荐方法。
背景技术
航空发动机的涡轮前温度不断提高,对高效强力的冷却方式的需求愈发迫切,单纯的冲击和气膜冷却已逐渐无法满足冷效要求,而发汗冷却技术尚未达到应用阶段,所以近年来世界各航空大国都在寻求一种介于这几者之间的冷却模式,探索出了一种半发汗式冷却技术——层板冷却。
以层板结构在航空发动机涡轮叶片上的应用为例,其设计主要包含内壁冲击孔、板间扰流柱、外壁气膜孔三个基本结构的设计。现有技术流程是首先根据设计人员的工程经验直接给定层板结构的几何参数,然后通过全叶片三维流固耦合数值模拟进行冷效分析,从而明确超温区域以及冷气使用量等重要数据,据此再进行层板结构参数的修改,如此迭代,不断改进,最终得到叶片平均冷效和冷气流量均不超标的层板冷却结构。可见,现有涡轮叶片层板冷却结构设计流程的核心技术途径在于尝试和改进,一个足够合理的层板结构设计可以大幅缩短之后的迭代修改过程。然而现有技术对层板结构的设计几乎完全依赖设计人员的工程经验,并未很好地利用已有的层板流动换热机理研究成果。目前双层壁叶片在工程实际中并未广泛使用,因此面对各种不同的主流和冷气情况以及冷效指标时设计经验严重匮乏,导致层板结构的设计具有较大的盲目性。因而,针对层板结构参数的设计,现有技术存在迭代修改周期长、次数多、计算量大、人力物力浪费等诸多实际问题。
因此,如何根据每次设计中不同的主流和冷气流场信息,结合层板结构流动换热机理,快速智能推荐出当前工况下较为合理的层板结构参数,弱化对于设计经验的过分依赖,提高设计效率,是一个亟待解决的技术问题。
发明内容
本发明提供一种层板结构参数的智能推荐系统及推荐方法,能够快速推荐出较为合理的层板冷却结构,摆脱对于工程经验的过度依赖,减少后续优化设计的迭代次数,提升设计效率。
一种层板结构参数的智能推荐系统,该系统包括参数化描述模块、机器学习模型对层板流阻参数的预测模块、冷气流量计算模块以及遗传算法寻优模块;
所述参数化描述模块用于对层板结构进行参数化,并将参数化后的层板结构参数分别输入至机器学习模型对层板流阻参数的预测模块和遗传算法寻优模块;
所述机器学习模型对层板流阻参数的预测模块接收所述参数化描述模块输入的参数化的层板结构参数,并进行层板流阻参数的预测后输出层板流阻参数;
所述冷气流量计算模块接收所述机器学习模型对层板流阻参数的预测模块输出的层板流阻参数,以及用户输入的工况条件,获得层板结构通过的冷气流量;
所述遗传算法寻优模块,将参数化的层板结构参数作为种群个体,将所述冷气流量计算模块获得的冷气流量和冷气流量设计值之间的偏差作为优化目标,通过遗传算法进行给定结构参数范围内的全局寻优,获得冷气流量与设计值偏差最小的层板结构参数组合作为最佳的输出结果。
一种层板结构参数的智能推荐方法,该方法由以下步骤实现:
步骤一、用户通过交互界面输入层板结构各原始设计参数以及对应的取值范围,本次设计的工况条件和冷气流量设计值;
步骤二、通过参数化描述模块将步骤一输入的层板结构各原始设计参数以及对应的取值范围通过无量纲化转换为参数化描述方式;并通过遗传算法寻优模块对每个层板结构个体含有的各设计参数进行二进制编码,获得第一代种群;
步骤三、采用机器学习模型对层板流阻参数的预测模块调用已训练得到的机器学习模型对当代种群中所有层板结构个体的流阻参数进行预测,获得所有结构个体的流阻参数并存储;
步骤四、采用冷气流量计算模块,将当代种群所有层板结构个体的流阻参数和用户输入的本次设计的工况条件应用于层板流阻特性公式,计算获得每个结构个体实际通过的冷气流量;
根据所述冷气流量计算模块获得的层板结构实际通过的冷气流量和冷气设计值之间的偏差;
步骤五、计算当代种群所有结构个体实际通过的冷气流量和用户输入的冷气流量设计值之间的偏差绝对值的相反数作为适应度函数值,采用遗传算法寻优模块对每个层板结构个体进行适应度函数值进行评价,复制适应度函数值最高的层板结构个体单独存储;
步骤六、选择符合预设比例的层板结构个体保留,剩余层板结构个体淘汰;
步骤七、将保留的个体随机两两配对,再根据预设数目随机交换两个个体之间的部分基因,补全种群个体数目;
步骤八、按预设比例随机改变个体的部分基因,即由0变为1或由1变为0,获得新一代种群;
步骤九、循环执行步骤三至步骤八,直至完成迭代;
步骤十、对单独储存的每一代种群中的最优的层板结构个体进行比较,获得适应度函数值最优的个体;对所述最优的个体进行解码得到最优层板结构参数组合,并转换为用户最初输入的层板结构原始设计参数形式,通过交互界面输出。
本发明的有益效果:本发明所述的智能推荐系统,采用参数化描述模块将对层板结构进行参数化,从而将层板结构设计转化为各参数的寻优,为流阻参数的预测模块提供输入参数,同时为遗传算法寻优模块提供待筛选的种群个体;机器学习模型对层板流阻参数的预测模块接收层板结构参数作为输入参数,将层板流阻特性参数作为输出参数,实现其快速准确预测,并将流阻参数传递给冷气流量计算模块,后者综合流阻参数和流场参数,计算得到相应的冷气流量;最后,在遗传算法寻优模块,将层板结构参数作为种群个体,将已计算得到的冷气流量和设计值偏差作为优化目标,通过遗传算法进行给定结构参数范围内的全局寻优,从而得到冷气流量与设计值偏差最小的层板结构参数组合作为最佳结果输出。
相比于目前涡轮叶片层板冷却结构参数依靠工程经验直接给定的方法,具备具有以下优点:
(1)本发明通过引入层板流阻特性关联层板结构参数和冷气流量,并通过建立机器学习模型实现层板结构参数到流阻参数的快速准确预测,使得层板结构的设计具有客观基础研究理论和数据的支撑,弱化了对设计人员工程经验的过度依赖;并且预测模型的训练和测试所需的数据集通过典型层板结构最小单元的数值模拟得到,相比于传统设计流程中每次迭代都需要进行的全叶片三维数值模拟,大大降低了计算量,节省了人力物力。
(2)本发明将层板实际可通过的冷气流量和设计值的偏差作为目标函数,从而将层板结构设计问题转化为冷气流量最优化问题,通过遗传算法在结构参数给定范围内进行全局自动寻优,可以很好地解决该最优化问题,实现层板冷却结构最佳参数组合的智能推荐。与传统经验设计方法相比,起到了对冷气流量的控制作用,能够保证所得层板结构可通过的冷气流量与设计值尽可能接近,很好地避免了层板结构设计的盲目性。
附图说明
图1为本发明所述的一种层板结构参数的智能推荐系统的原理框图;
图2为本发明所述的一种层板结构参数的智能推荐方法的流程图。
具体实施方式
具体实施方式一、结合图1说明本实施方式,一种层板结构参数的智能推荐系统,该系统包括参数化描述模块、机器学习模型对层板流阻参数的预测模块、冷气流量计算模块以及遗传算法寻优模块;
所述参数化描述模块用于对层板结构进行参数化,并将参数化后的层板结构参数分别输入至机器学习模型对层板流阻参数的预测模块和遗传算法寻优模块;
考虑到层板结构是由大量相同单元周期性拼接而得,因此可认为层板整体性质与其中最小单元的性质基本相同,故针对层板结构建立参数化描述体系需要针对最小单元进行分析和参数化,主要包括进气板和出气板厚度、板间夹层高度、冲击孔孔径和角度、扰流柱直径、气膜孔孔径和角度等参数,并对其进行无量纲化以提升其通用性,从而将层板冷却结构设计转化为对层板诸多结构参数的给定。
所述机器学习模型对层板流阻参数的预测模块接收所述参数化描述模块输入的参数化的层板结构参数,并进行层板流阻参数的预测后输出层板流阻参数;
本实施方式以层板流阻特性研究为基础,通过多孔介质流阻模型推导得到内外压力均匀分布条件下的层板结构流阻特性,如式(1)。
式中,p1和p2分别为层板内外侧的压力,μ为冷气动力粘性系数,R为通用气体常数,为冷气流经层板结构的平均温度,L为层板厚度,为通过的冷气流量,a和b分别代表粘性阻力系数和惯性阻力系数。经研究表明,流阻参数a和b仅跟层板结构相关。
根据此结论,本发明针对层板结构建立机器学习预测模型,输入参数为上述第一模块中已经参数化的层板结构参数,输出参数即为流阻参数a和b,由此建立结构和流阻之间的映射关系。该模块可采用当前成熟的机器学习框架,如人工神经网络(ANN)、随机森林(RF)、支持向量机(SVM)等,因为具有明确的标签(流阻参数),因此属于监督学习一类;模型的训练也采用目前回归模型常用的均方差作为损失函数,数据来源于自主积累的大量不同结构参数组合的层板最小单元三维数值模拟结果,数据集中各结构参数的取值范围涵盖工程实际中常见的范围,以此保证预测模型在常规设计范围内均准确有效。
所述冷气流量计算模块利用上述层板流阻参数预测模块,即可通过给定层板结构参数快速得到该层板结构对应的流阻参数a和b;再调用上述层板流阻特性方程,即式(1),并根据用户输入的必要工况条件,如内外压力、温度等信息,即可计算得到该层板结构在当前工况下实际可通过的冷气流量。
所述遗传算法寻优模块,将参数化的层板结构参数作为种群个体,将所述冷气流量计算模块获得的冷气流量和冷气流量设计值之间的偏差作为优化目标,通过遗传算法进行给定结构参数范围内的全局寻优,获得冷气流量与设计值偏差最小的层板结构参数组合作为最佳的输出结果。
本实施方式中,所述遗传算法寻优模块将不同层板结构作为个体,每个个体含有多个结构参数,如孔径、角度等,每个结构参数又通过二进制编码方式在给定范围内进行编码,转化为一串二进制数,作为代表该参数的染色体,其中每个二进制数0或1则作为基因,由此通过改变基因即可改变层板结构参数。在将层板结构编码以后,还需要一定的准则,即适应度函数,来评价该结构个体被保留或者淘汰的概率。通过已建立的流阻参数机器学习模型和流阻特性计算可得到层板结构实际可通过的冷气流量,并将该冷气流量和冷气设计值之间的偏差绝对值的相反数作为其适应度函数,如式(2)所示。适应度高的结构个体代表其冷气流量更接近设计值,故有更高的概率被保留,而较低者代表冷气流量与设计值偏差较大,则更容易被直接淘汰。
有了不同层板结构的编码以及所对应的适应度值,就可以对一代种群中所有的个体进行选择、交叉、变异等遗传算法操作,其中选择操作是为了保留适应度高的个体而淘汰适应度低的个体;交叉操作是为了优秀个体之间可以交换部分基因得到可能更好的下一代个体;变异操作则是为了给基因的变化带来一定的随机性,避免搜索陷入局部最优。通过每一代种群循环重复上述过程,即可实现优胜劣汰,种群进化。
最后,对每代种群中的最优个体进行比较,再选择其中最佳个体输出,它所带有的染色体和基因可以认为已经进化足够,具有最高的适应度,对它解码得到的层板结构参数即可认为是冷气流量和设计值最为接近的一组层板结构参数组合,由此获得较为优秀的层板结构设计参数。
具体实施方式二、结合图2说明本实施方式,本实施方式为具体实施方式一所述的一种层板结构参数的智能推荐系统的推荐方法,以上四个模块即为本发明的主体,对于用户具体使用,具体执行流程如附图2所示:
(1)用户根据提示通过交互界面输入层板结构各原始设计参数以及对应的取值范围、本次设计的工况条件和冷气流量设计值(指标);
(2)在参数化描述模块,程序将用户输入的层板结构各原始设计参数及范围通过无量纲化转换为本发明所建立的参数化描述方式;
(3)在遗传算法寻优模块,对每个层板结构个体含有的各设计参数进行二进制方式编码,得到第一代种群;
(4)在流阻参数预测模块,调用已训练得到的机器学习模型对当代种群中所有层板结构个体的流阻参数进行预测,快速得到所有结构个体的流阻参数并储存;
(5)在冷气流量计算模块,将当代种群所有个体的流阻参数和用户输入的本次设计的工况条件应用于层板流阻特性,计算得到每个结构个体实际可通过的冷气流量;
(6)在遗传算法寻优模块,通过计算当代种群所有结构个体实际可通过的冷气流量和用户输入的冷气流量设计值之间的偏差,对每个个体进行适应度评价,复制适应度最高的个体单独储存;
(7)按遗传算法中经典的“轮盘赌”方法选择预设比例的层板结构个体进行保留(根据预高值选择适应度函数值高的层板结构个体保留),剩余的层板结构个体淘汰(适应度函数值低的);
(8)将保留的个体随机两两配对,再根据预设数目随机交换两个个体之间的部分基因,补全种群个体数目;
(9)按预设比例随机改变个体的部分基因,即由0变为1或由1变为0,获得新一代种群
(10)循环重复运行(4)~(9)步骤,直至给定代数,完成迭代;
(11)对单独储存的每代种群中的最佳个体进行比较,得到其中适应度最佳的个体;
(12)对该最佳个体进行解码得到最佳层板结构参数组合,并转换为用户最初输入的层板结构原始设计参数形式,通过交互界面输出,完成本次设计。
通过本实施方式,对于各种不同的涡轮叶片工况和设计指标,用户只需将相应参数输入程序,即可完全由程序快速自动输出与冷气流量设计值最为接近的层板冷却结构参数组合,由此控制冷气流量,实现层板结构参数的智能推荐,从而较好地解决针对不同的工况条件和设计指标如何快速地得到合理有效的层板冷却结构设计这一技术问题。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种层板结构参数的智能推荐系统,该系统包括参数化描述模块、机器学习模型对层板流阻参数的预测模块、冷气流量计算模块以及遗传算法寻优模块;其特征是:
所述参数化描述模块用于对层板结构进行参数化,并将参数化后的层板结构参数分别输入至机器学习模型对层板流阻参数的预测模块和遗传算法寻优模块;
所述机器学习模型对层板流阻参数的预测模块接收所述参数化描述模块输入的参数化的层板结构参数,并进行层板流阻参数的预测后输出层板流阻参数;
所述冷气流量计算模块接收所述机器学习模型对层板流阻参数的预测模块输出的层板流阻参数,以及用户输入的工况条件,获得层板结构通过的冷气流量;
所述遗传算法寻优模块,将参数化的层板结构参数作为种群个体,将所述冷气流量计算模块获得的冷气流量和冷气流量设计值之间的偏差作为优化目标,通过遗传算法进行给定结构参数范围内的全局寻优,获得冷气流量与设计值偏差最小的层板结构参数组合作为最佳的输出结果。
2.根据权利要求1所述的一种层板结构参数的智能推荐系统,其特征在于:所述参数化描述模块对层板结构建立结构参数化描述,所述结构参数包括进气板和出气板厚度,板间夹层高度,冲击孔孔径和角度,扰流柱直径,气膜孔孔径和角度,并对所述结构参数进行无量纲化,实现将层板冷却结构设计转化为对层板多个结构参数的设定形式。
4.根据权利要求3所述的一种层板结构参数的智能推荐系统,其特征在于:所述冷气流量计算模块的具体计算过程为:
根据机器学习模型对层板流阻参数的预测模块输出的流阻参数a和b;再调用所述层板流阻特性公式,并根据用户输入的工况条件,获得所述层板结构在当前工况条件下实际通过的冷气流量。
5.根据权利要求4所述的一种层板结构参数的智能推荐系统,其特征在于:所述遗传算法寻优模块的具体步骤为:
步骤A、将不同层板结构作为种群个体,每个种群个体包含多个层板结构参数,每个层板结构参数通过二进制编码方式进行编码,采用二进制数的形式表示该层板结构参数的染色体,其中每个二进制数0或1作为基因,即实现通过改变基因的方式改变层板结构参数;
步骤B、确定适应度函数值;
根据所述冷气流量计算模块获得的层板结构实际通过的冷气流量和冷气设计值之间的偏差绝对值的相反数作为适应度函数值;
步骤C、根据步骤A获得的不同层板结构的编码和步骤B获得的对应的适应度值,对一代种群中所有的层板结构个体进行选择、交叉、变异的遗传算法操作,
最终通过每一代种群循环重复适应度计算、选择、交叉、变异等遗传算法操作,获得每一代种群中的最优层板结构个体,实现种群进化;
步骤D、对步骤C获得的每一代种群中的最优个体进行比较,选择最优的层板结构个体输出,即:输出最优的层板结构设计参数。
6.根据权利要求1至5任意一项所述的一种层板结构参数的智能推荐系统的推荐方法,其特征是:该方法由以下步骤实现:
步骤一、用户通过交互界面输入层板结构各原始设计参数以及对应的取值范围,本次设计的工况条件和冷气流量设计值;
步骤二、通过参数化描述模块将步骤一输入的层板结构各原始设计参数以及对应的取值范围通过无量纲化转换为参数化描述方式;并通过遗传算法寻优模块对每个层板结构个体含有的各设计参数进行二进制编码,获得第一代种群;
步骤三、采用机器学习模型对层板流阻参数的预测模块调用已训练得到的机器学习模型对当代种群中所有层板结构个体的流阻参数进行预测,获得所有结构个体的流阻参数并存储;
步骤四、采用冷气流量计算模块,将当代种群所有层板结构个体的流阻参数和用户输入的本次设计的工况条件应用于层板流阻特性公式,计算获得每个结构个体实际通过的冷气流量;
根据所述冷气流量计算模块获得的层板结构实际通过的冷气流量和冷气设计值之间的偏差;
步骤五、计算当代种群所有结构个体实际通过的冷气流量和用户输入的冷气流量设计值之间的偏差绝对值的相反数作为适应度函数值,采用遗传算法寻优模块对每个层板结构个体进行适应度函数值进行评价,复制适应度函数值最高的层板结构个体单独存储;
步骤六、选择符合预设比例的层板结构个体保留,剩余层板结构个体淘汰;
步骤七、将保留的个体随机两两配对,再根据预设数目随机交换两个个体之间的部分基因,补全种群个体数目;
步骤八、按预设比例随机改变个体的部分基因,即由0变为1或由1变为0,获得新一代种群;
步骤九、循环执行步骤三至步骤八,直至完成迭代;
步骤十、对单独储存的每一代种群中的最优的层板结构个体进行比较,获得适应度函数值最优的个体;对所述最优的个体进行解码得到最优层板结构参数组合,并转换为用户最初输入的层板结构原始设计参数形式,通过交互界面输出。
7.根据权利要求6所述的一种层板结构参数的智能推荐方法,其特征在于:所述本次设计的工况条件包括层板结构的内外压力及温度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936060.XA CN112084596B (zh) | 2020-09-08 | 2020-09-08 | 一种层板结构参数的智能推荐系统及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936060.XA CN112084596B (zh) | 2020-09-08 | 2020-09-08 | 一种层板结构参数的智能推荐系统及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084596A true CN112084596A (zh) | 2020-12-15 |
CN112084596B CN112084596B (zh) | 2021-06-15 |
Family
ID=73732695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936060.XA Active CN112084596B (zh) | 2020-09-08 | 2020-09-08 | 一种层板结构参数的智能推荐系统及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084596B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357876A (zh) * | 2021-12-27 | 2022-04-15 | 北京航空航天大学 | 一种层板结构外壁温度的计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526228A (zh) * | 2009-04-07 | 2009-09-09 | 北京航空航天大学 | 一种折返式复合冷却结构 |
CN105019950A (zh) * | 2015-06-25 | 2015-11-04 | 西安理工大学 | 透平叶片前缘仿生微细通道内冷结构及其成形方法 |
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
US20170072641A1 (en) * | 2015-09-11 | 2017-03-16 | Caterpillar Inc. | Systems and Methods for Managing Distributed 3D Printed Structures |
CN106844905A (zh) * | 2017-01-04 | 2017-06-13 | 滨州东瑞机械有限公司 | 一种液力透平叶轮优化设计方法 |
CN107194118A (zh) * | 2017-06-19 | 2017-09-22 | 南京航空航天大学 | 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法 |
CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN110378016A (zh) * | 2019-07-17 | 2019-10-25 | 哈尔滨工业大学 | 一种针对泵轮可调式液力变矩器的多目标优化设计方法 |
US20200103243A1 (en) * | 2018-09-30 | 2020-04-02 | Strong Force Intellectual Capital, Llc | Intelligent transportation systems |
-
2020
- 2020-09-08 CN CN202010936060.XA patent/CN112084596B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526228A (zh) * | 2009-04-07 | 2009-09-09 | 北京航空航天大学 | 一种折返式复合冷却结构 |
CN105019950A (zh) * | 2015-06-25 | 2015-11-04 | 西安理工大学 | 透平叶片前缘仿生微细通道内冷结构及其成形方法 |
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
US20170072641A1 (en) * | 2015-09-11 | 2017-03-16 | Caterpillar Inc. | Systems and Methods for Managing Distributed 3D Printed Structures |
CN106844905A (zh) * | 2017-01-04 | 2017-06-13 | 滨州东瑞机械有限公司 | 一种液力透平叶轮优化设计方法 |
CN107194118A (zh) * | 2017-06-19 | 2017-09-22 | 南京航空航天大学 | 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法 |
US20200103243A1 (en) * | 2018-09-30 | 2020-04-02 | Strong Force Intellectual Capital, Llc | Intelligent transportation systems |
CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN110378016A (zh) * | 2019-07-17 | 2019-10-25 | 哈尔滨工业大学 | 一种针对泵轮可调式液力变矩器的多目标优化设计方法 |
Non-Patent Citations (3)
Title |
---|
JULIAN GIRARDEAU,ET AL: "Turbine Blade Cooling System Optimization", 《JOURNAL OF TURBOMACHINERY》 * |
卢少鹏: "具有气膜及气热耦合优化功能的涡轮气动设计体系研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
迟重然 等: "涡轮导叶气膜冷却结构半反设计优化方法", 《工程热物理学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357876A (zh) * | 2021-12-27 | 2022-04-15 | 北京航空航天大学 | 一种层板结构外壁温度的计算方法 |
CN114357876B (zh) * | 2021-12-27 | 2024-05-14 | 北京航空航天大学 | 一种层板结构外壁温度的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112084596B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
Chang et al. | Intelligent control for modeling of real‐time reservoir operation, part II: artificial neural network with operating rule curves | |
CN111612252B (zh) | 大规模应急设施的自动选址方法、装置及可读存储介质 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN103297626A (zh) | 排班方法及装置 | |
CN111119282A (zh) | 一种针对供水管网的压力监测点优化布置方法 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
CN108985577B (zh) | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 | |
CN105930916A (zh) | 一种基于并行模块化神经网络的副产煤气实时预测方法 | |
CN111415025A (zh) | 一种赤潮等级预测的方法 | |
CN109242021A (zh) | 一种基于多阶段混合模型的分类预测方法 | |
CN105184415A (zh) | 一种配电网络重构设计方法 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
Liu | A group decision-making method with fuzzy set theory and genetic algorithms in quality function deployment | |
CN112084596B (zh) | 一种层板结构参数的智能推荐系统及推荐方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN114742268A (zh) | 考虑设备变工况特性的综合能源系统优化及规划方法 | |
CN103761385A (zh) | 一种多热源环状管网的优化设计方法 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
CN116542001B (zh) | 基于改进谱聚类及遗传算法的供水管网独立计量分区方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |