CN112949165A - 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 - Google Patents
一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 Download PDFInfo
- Publication number
- CN112949165A CN112949165A CN202110115104.7A CN202110115104A CN112949165A CN 112949165 A CN112949165 A CN 112949165A CN 202110115104 A CN202110115104 A CN 202110115104A CN 112949165 A CN112949165 A CN 112949165A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- jet pump
- genetic algorithm
- nsga
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 5
- 239000012530 fluid Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06F30/27—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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络模型与NSGA‑II遗传算法的射流泵多目标优化方法，主要步骤包括：确定射流泵设计参数、优化目标、约束条件，基于抽样方法获取样本点设计参数；通过CFD软件仿真获取样本点设计参数对应的优化目标值；利用样本点数据，构建射流泵设计参数与优化目标的神经网络模型，验证其预测精度；基于神经网络模型，采用NSGA‑II遗传算法，获取最终优化结果。本发明将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。
Description
技术领域
本发明涉及一种射流泵优化方法，具体涉及一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法。
背景技术
射流泵特别适用于泵送含有大量固体颗粒(矿物、活鱼、砾石等)的流体。因此广泛适用于海洋工程、海岸工程、物质输运等工程领域。虽然射流泵综合利用价值很高，但较低的传能效率一直是影响其进一步发展的主要因素。如何合理地设计射流泵中各个结构参数来实现不同应用环境下的效率最优化，也是困扰许多专家的问题。
尽管目前国内外学者已经开始进行射流泵优化方法的研究，但整体研究与分析仍然不够全面。这些方法很多采用了计算流体力学(CFD)技术。CFD是流体力学的一个分支，它通过对真实流动进行有效的模拟来补充实验研究的不足，从而以较低的成本提供比实验更详细和全面的信息。但是，由于CFD模型是大型复杂的计算机程序，复杂流动过程的分析需要大量的时间才能获得良好的数值解。这通常会带来大量的模拟工作量，可能需要数小时甚至数天的计算时间。此外，传统利用CFD技术提高射流泵水力性能的方法，总是依赖于设计师的工程经验，需要一个不断尝试的过程来达到一个令人满意的水平。同时，这些传统方法得到的最终结果是分散的“点”，而不是“线”或“面”，因此不能全面的对设计空间进行分析。通过构建神经网络模型，构建射流泵设计参数与优化目标之间的映射关系，可以更全面更综合的分析设计参数对射流泵性能的影响。
此外，现有的优化方法也多集中于单目标优化，不能满足实际工程需求。如海底挖沟作业中，不同的沟深对扬程比和效率有不同要求。
因此，深入研究射流泵多目标优化是一个亟待解决的关键问题。
发明内容
本发明的目的是提供一种能够满足不同工作需求，能够提高射流泵效率与扬程的多目标优化设计方法。
本发明的目的是这样实现的：包括以下步骤：
步骤1：获取射流泵设计参数，优化目标，约束条件；
步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数；
步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟。通过数值模拟，得到所有样本点的优化目标值，作为神经网络模型的输出响应；
步骤4：构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量；
步骤5：对第4步构建的近似模型进行了测试和验证。然后将预测值与仿真值进行比较，若吻合较好，则进行第5步；否则，回到第4步继续更新近似模型；
步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。
步骤1中所述设计参数包含收缩角α，扩散角β，面积比m、流量比q。
步骤1中所述优化目标包含扬程比h和效率η。
步骤4中的神经网络模型构建包括如下步骤：
第1步：对样本数据进行正则化处理，并将其分为训练集与测试集；
第2步：RBF神经网络初始化，给Wih、Who、Th、To分别赋予初值；其中Wih、Who、Th、To分别表示输入层和隐含层的权值、隐含层和输出层的权值、隐含层神经元的阈值、输出层神经元的阈值。
所述神经网络结构中，输入层含4个单元，隐含层含9个单元，输出层含2个单元，输入为设计参数收缩角α，扩散角β，面积比m、流量比q，输出为目标参数扬程比h和效率η；
第3步：将第1步归一化处理后的测试集样本点数据放入RBF神经网络中进行训练，满足收敛条件后终止训练；
第4步：用测试集对已经训练好的神经网络模型进行测试，优化目标的误差到达目标要求即实现了扬程比h和效率η预测。
骤6中的NSGA-II遗传算法包括如下步骤
第1步：设置算法参数；
第2步：产生初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；
第3步：从第二代开始，将父代种群与子代种群合并，进行快速非支配排序；
第4步：对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
第5步：通过遗传算法的基本操作产生新的子代种群；
第6步：判断是否达到收敛条件，如满足收敛条件，生成最终的设计参数；如不满足，重新生成新父种群。
与现有技术相比，本发明的有益效果是：本发明将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。
附图说明
图1为本发明的优化方法流程图；
图2为本发明的射流泵结构示意图；
图3为本发明的射流泵CFD计算域；
图4a-b为本发明的仿真与实验数据比较图；
图5a-b为本发明的神经网络模型误差分析；
图6a-b为本发明的效率与扬程比寻优过程变化趋势图；
图7本发明的NSGA-II算法优化结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其流程如图1所示，包括以下步骤：
步骤1：获取射流泵设计参数，优化目标，约束条件。
射流泵结构如图2所示。设计参数包含吸入室的收缩角α，扩散管的扩散角β，面积比m、流量比q。无量纲参数m和q计算公式：
式中，A为流体喷嘴出口面积，Q为体积流量，脚标w、s、o分别为进口处工作流体、进口处被吸流体和出口处混合流体。
优化目标包含扬程比h和效率η：
式中，p为静压，γ为容重，g为重力加速度，z为位置水头，V为断面平均流速。
射流泵的优化是双目标优化问题，优化函数定义为：
约束条件：
步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数。
采用OSF取样法，得到80个样本点，见表1。
表1样本参数
步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟。通过数值模拟，得到所有样本点的效率与扬程比，作为神经网络模型的输出响应。
所述数值模拟，采用Fluent流体计算软件对射流泵内部流动进行CFD数值模拟，计算采用压力基求解器，湍流模型采用Realizable k-ε湍流模型，压力和速度耦合方法采用SIMPLE算法。计算域如图3所示，所有流体介质都是水。所有模型的网格均为二维非结构网格，由MESH模块生成。所有入口边界均采用速度入口。湍流参数选择湍流强度与水力直径。出口设置为outflow。对流项的空间离散采用二阶迎风格式。迭代次数设置为3000步。各项检测量残差达到10-6时，可认为CFD计算结果收敛。
为了验证选用的模型和算法的准确性，引用文献[1]实验数据，其计算域结构数据如下：壁厚w＝4mm，被吸流体喷嘴直径r＝21.5mm，出口直径r0＝27.5mm，喉管直径rt＝38mm，吸入室收缩角α＝18°，喉管长度Lt＝179mm，扩散角β＝5.8°。CFD数值计算结果与实验数据对比如图4所示。从图4中可看出，数值计算结果与试验数据吻合得很好，所选用的仿真模型对射流泵性能的计算结果具有精确性和可靠性，可用于后续的优化中。
步骤4：从样本点中选取65个点构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量。具体步骤如下：
第1步：对样本数据进行正则化处理，并将其分为训练集与测试集；
第2步：RBF神经网络初始化，给Wih、Who、Th、To分别赋予初值；其中Wih、Who、Th、To分别表示输入层和隐含层的权值、隐含层和输出层的权值、隐含层神经元的阈值、输出层神经元的阈值。
所述神经网络结构中，输入层含4个单元，隐含层含9个单元，输出层含2个单元，输入为设计参数收缩角α，扩散角β，面积比m、流量比q，输出为优化目标扬程比h和效率η；
第3步：将第1步归一化处理后的测试集样本点数据放入RBF神经网络中进行训练，满足收敛条件后终止训练；
第4步：用已经训练好的神经网络模型对测试集进行测试，测试结果优化目标的误差到达目标要求即实现了扬程比h和效率η预测。
步骤5：对第4步构建的近似模型进行了测试和验证。
剩余15个点作为测试点，这些点的2个优化目标预测值与CFD模拟值拟合程度如图5所示。图中横坐标为η和h这2个优化目标神经网络模型的预测值；纵坐标为η和h这2个优化目标的CFD计算值(实际值)。点在对角线上表明实际值等于预测值。可以发现，所有点均在对角线附近。
为了进一步验证RBF建模的准确性，引入优化目标的统计指标，决定系数R2，来评价模型的近似程度。决定系数计算公式为：
采用R2对代理模型进行误差分析，R2值越接近1，代理模型的可信度越高。效率的决定系数R2为0.97033，扬程比的决定系数R2为0.99286，均大于工程要求的0.9，表明模型精度可靠，证明本文建立的RBF神经网络模型具有较高的精确度，可以用来优化射流泵。
步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。
初步设置算法参数进行优化，具体步骤如下：
第1步：设置交叉概率为0.9，选取初始种群规模为36，进化代数20；
第2步：产生初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；
第3步：从第二代开始，将父代种群与子代种群合并，进行快速非支配排序；
第4步：对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
第5步：通过遗传算法的基本操作产生新的子代种群；
第6步：判断是否达到收敛条件，如满足收敛条件，生成最终的设计参数；如不满足，重新生成新父种群。
经过721次遗传迭代进行全局寻优。图6所示的是射流泵效率和扬程比在优化过程中随迭代次数721增加的变化趋势。由两个优化目标寻优过程变化趋势可以发现，效率随迭代次数n变化波动范围较小，而扬程比波动范围较大。
优化结果敛散性验证：
通过对算法参数的正交设置，验证了优化结果的收敛性。如表2所示，种群规模分别设置为36和72，进化代数分别设置为20和40。以第一组参数为基准，效率和扬程比的最大误差分别为0.489％和0.377％。因此我们可以认为选取初始种群规模为36，进化代数20时优化结果收敛。
表2不同遗传算法参数的优化结果
| 种群规模 | 进化代数 | q | m | α(°) | β(°) | e | h |
| 36 | 20 | 0.37023 | 1.6823 | 25.02 | 5.1768 | 0.32302 | 0.44311 |
| 36 | 40 | 0.36398 | 1.6802 | 25.722 | 5.183 | 0.32149 | 0.44471 |
| 72 | 20 | 0.37081 | 1.6801 | 25.496 | 5.006 | 0.32345 | 0.44268 |
| 72 | 40 | 0.36309 | 1.68 | 25.442 | 5.1225 | 0.32144 | 0.44478 |
从图7可知，优化的两个目标存在一定的冲突，目标之间无法比较或不一定在所有目标上都是最优的解，即Pareto解，这些非支配解映射在决策空间中的原象点一定是非劣的。表3为最终优化方案参数和结果。
表3最终优化方案参数和结果
| 方案 | α/° | β/° | m | q | η | h |
| 优化方案 | 25.02 | 5.18 | 1.6822 | 0.37 | 0.3358 | 0.4758 |
实际工程应用中，可根据扬程比的需求，从Pareto解中选取恰当的设计参数。
本发明由于采取以上技术方案具有以下有益效果：本发明将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。
综上，本发明属于机械设计技术领域，具体为一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，主要步骤包括：确定射流泵设计参数、优化目标、约束条件，基于抽样方法获取样本点设计参数；通过CFD软件仿真获取样本点设计参数对应的优化目标值；利用样本点数据，构建射流泵设计参数与优化目标的神经网络模型，验证其预测精度；基于神经网络模型，采用NSGA-II遗传算法，获取最终优化结果。本发明将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。
Claims (5)
1.一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤如下：
步骤1：获取射流泵设计参数，优化目标，约束条件；
步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数；
步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟；通过数值模拟，得到所有样本点的优化目标值，作为神经网络模型的输出响应；
步骤4：构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量；
步骤5：对第4步构建的近似模型进行了测试和验证；然后将预测值与仿真值进行比较，若吻合较好，则进行第5步；否则，回到第4步继续更新近似模型；
步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。
2.根据权利要求1所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤1中所述设计参数包含收缩角α，扩散角β，面积比m、流量比q。
3.根据权利要求1或2所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤1中所述优化目标包含扬程比h和效率η。
4.根据权利要求3所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：所述的步骤4中的神经网络模型构建包括如下步骤：
第1步：对样本数据进行正则化处理，并将其分为训练集与测试集；
第2步：RBF神经网络初始化，给Wih、Who、Th、To分别赋予初值；其中Wih、Who、Th、To分别表示输入层和隐含层的权值、隐含层和输出层的权值、隐含层神经元的阈值、输出层神经元的阈值；
所述神经网络结构中，输入层含4个单元，隐含层含9个单元，输出层含2个单元，输入为设计参数收缩角α，扩散角β，面积比m、流量比q，输出为优化目标扬程比h和效率η；
第3步：将第1步归一化处理后的测试集样本点数据放入RBF神经网络中进行训练，满足收敛条件后终止训练；
第4步：用测试集对已经训练好的神经网络模型进行测试，优化目标的误差到达目标要求即实现了扬程比h和效率η预测。
5.根据权利要求4所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：所述的步骤6中的NSGA-II遗传算法包括如下步骤：
第1步：设置算法参数；
第2步：产生初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；
第3步：从第二代开始，将父代种群与子代种群合并，进行快速非支配排序；
第4步：对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
第5步：通过遗传算法的基本操作产生新的子代种群；
第6步：判断是否达到收敛条件，如满足收敛条件，生成最终的设计参数；如不满足，重新生成新父种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115104.7A CN112949165A (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115104.7A CN112949165A (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949165A true CN112949165A (zh) | 2021-06-11 |
Family
ID=76238281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110115104.7A Pending CN112949165A (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949165A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361047A (zh) * | 2021-08-10 | 2021-09-07 | 浙江大学 | 面向多层感知结构的叶轮高维优化及选型方法 |
| CN113591365A (zh) * | 2021-06-22 | 2021-11-02 | 武汉科技大学 | 一种自激振荡换热管多目标优化方法 |
| CN114861557A (zh) * | 2022-07-05 | 2022-08-05 | 武汉大学 | 一种动态使用神经网络的多目标优化方法及系统 |
| CN114997073A (zh) * | 2022-07-29 | 2022-09-02 | 浙江大学 | 冲击式水轮机喷嘴结构参数优化方法及系统 |
| CN115048861A (zh) * | 2022-06-06 | 2022-09-13 | 中国人民解放军海军工程大学 | 3d芯片嵌入式液冷通道流量的智能化分配方法及系统 |
| CN115098961A (zh) * | 2022-06-16 | 2022-09-23 | 燕山大学 | 基于抛流原理的除气u型流道优化方法 |
| CN117077508A (zh) * | 2023-07-14 | 2023-11-17 | 武汉理工大学 | 热电发电机的性能预测及优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646297A (zh) * | 2013-12-02 | 2014-03-19 | 江苏大学 | 一种基于多目标遗传算法的双流道泵优化方法 |
| CN104265652A (zh) * | 2014-07-25 | 2015-01-07 | 扬州大学 | 一种用于大流量低扬程泵站的协同优化设计方法 |
| CN105389442A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 |
| CN106521459A (zh) * | 2016-08-17 | 2017-03-22 | 中山大学 | 一种mocvd设备生长均匀性工艺参数的优化方法 |
| CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
-
2021
- 2021-01-28 CN CN202110115104.7A patent/CN112949165A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646297A (zh) * | 2013-12-02 | 2014-03-19 | 江苏大学 | 一种基于多目标遗传算法的双流道泵优化方法 |
| CN104265652A (zh) * | 2014-07-25 | 2015-01-07 | 扬州大学 | 一种用于大流量低扬程泵站的协同优化设计方法 |
| CN105389442A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 |
| CN106521459A (zh) * | 2016-08-17 | 2017-03-22 | 中山大学 | 一种mocvd设备生长均匀性工艺参数的优化方法 |
| CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杜梦星等: "RBF神经网络与遗传算法的离心泵优化设计", 《三峡大学学报(自然科学版)》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591365A (zh) * | 2021-06-22 | 2021-11-02 | 武汉科技大学 | 一种自激振荡换热管多目标优化方法 |
| CN113591365B (zh) * | 2021-06-22 | 2024-04-26 | 武汉科技大学 | 一种自激振荡换热管多目标优化方法 |
| CN113361047A (zh) * | 2021-08-10 | 2021-09-07 | 浙江大学 | 面向多层感知结构的叶轮高维优化及选型方法 |
| CN115048861A (zh) * | 2022-06-06 | 2022-09-13 | 中国人民解放军海军工程大学 | 3d芯片嵌入式液冷通道流量的智能化分配方法及系统 |
| CN115098961A (zh) * | 2022-06-16 | 2022-09-23 | 燕山大学 | 基于抛流原理的除气u型流道优化方法 |
| CN115098961B (zh) * | 2022-06-16 | 2023-11-07 | 燕山大学 | 基于抛流原理的除气u型流道优化方法 |
| CN114861557A (zh) * | 2022-07-05 | 2022-08-05 | 武汉大学 | 一种动态使用神经网络的多目标优化方法及系统 |
| CN114861557B (zh) * | 2022-07-05 | 2022-10-25 | 武汉大学 | 一种动态使用神经网络的多目标优化方法及系统 |
| CN114997073A (zh) * | 2022-07-29 | 2022-09-02 | 浙江大学 | 冲击式水轮机喷嘴结构参数优化方法及系统 |
| CN117077508A (zh) * | 2023-07-14 | 2023-11-17 | 武汉理工大学 | 热电发电机的性能预测及优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949165A (zh) | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 | |
| Afshar et al. | Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran | |
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN112417769B (zh) | 一种基于数据驱动的高增压发动机气道结构优化设计方法 | |
| CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
| Zhu et al. | Layout study of wave energy converter arrays by an artificial neural network and adaptive genetic algorithm | |
| CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
| CN113361047B (zh) | 面向多层感知结构的叶轮高维优化及选型方法 | |
| Xu et al. | Parameter identification of unsaturated seepage model of core rockfill dams using principal component analysis and multi-objective optimization | |
| CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
| CN114818487A (zh) | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 | |
| Zhu et al. | A multiscale neural network model for the prediction on the equivalent permeability of discrete fracture network | |
| CN114718556A (zh) | 人工裂缝参数的获取方法、装置及设备 | |
| CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 | |
| CN117272868A (zh) | 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 | |
| CN107038295A (zh) | 一种水锤泵内部流道评价及优化方法 | |
| CN115238602B (zh) | 一种波致海床瞬态液化对再悬浮贡献率的预测方法 | |
| CN103235879A (zh) | 基于小生境主从式并行遗传算法的双相介质参数反演方法 | |
| Chi et al. | Calculation method of probability integration method parameters based on MIV-GP-BP model | |
| CN115758918A (zh) | 一种多级离心泵空间导叶优化方法 | |
| CN113536640B (zh) | 一种基于正交试验的布风器内部流道结构的优化设计方法 | |
| CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 | |
| CN112632728B (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
| US20200124764A1 (en) | Method of characterising a subsurface volume | |
| CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
| RJ01 | Rejection of invention patent application after publication |