CN113379103B - 基于降阶模型的泵类设备内部流场的预测方法 - Google Patents
基于降阶模型的泵类设备内部流场的预测方法 Download PDFInfo
- Publication number
- CN113379103B CN113379103B CN202110554417.2A CN202110554417A CN113379103B CN 113379103 B CN113379103 B CN 113379103B CN 202110554417 A CN202110554417 A CN 202110554417A CN 113379103 B CN113379103 B CN 113379103B
- Authority
- CN
- China
- Prior art keywords
- pump equipment
- reduced
- reduced order
- order model
- internal 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F2111/10—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)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (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降阶模型的泵类设备内部流场的预测方法,包括:构建泵类设备流动及运行特性的数值数据库;基于数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型;对每个区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数;对相邻区域的交界处进行光顺化处理;对比第一降阶模型的预测结果的精度和计算效率,并修正数值数据库,得到第二降阶模型。本发明提供的基于降阶模型的泵类设备内部流场的预测方法,利用相同的内存工作站进行模拟,采用CFD方法耗时约3小时,采用本方法仅需要15s,极大地提高了计算效率,降低了内存以及运行时间的消耗。
Description
技术领域
本发明涉及泵类设备内部流场技术领域,尤其涉及一种基于降阶模型的泵类设备内部流场的预测方法。
背景技术
泵类设备是船舶动力系统的重要设备,负责流体介质(通常为水、油等液体介质)的增压和输运,对动力系统的安全可靠运行、隐身性、效率等具有直接影响,提升泵类设备效率、降低其振动噪声、优化内部流场对动力系统优化设计至关重要,明晰不同工况下泵内部流场、压力场分布规律对泵类设备优化设计意义重大。然而泵内部流场复杂、涉及因素众多、多场耦合作用,传统经验分析或一维分析难以全面获得泵内部流场、压力场等分布信息。随着计算能力、物理模型及数值算法的发展,三维数值模拟已经成为研究泵类设备的重要手段,然而传统泵类设备的三维数值模拟计算耗费巨大、并且往往针对单一工况,对于多工况下泵类设备的协同优化设计计算量和耗时均过大,且对于工况或结构发生一定偏离时需要重新计算,这给泵类设备三维数值模拟应用于实际工程设计提出了巨大挑战,发展一种快速、高效的船舶泵类设备计算流体动力学方法具有十分重要的应用价值。
降阶模型是一种降低系统自由度的方法,以远少于原数值模型的阶数和计算量提供仿真对象主要动力学特征较为精准的数学描述,能在较短时间内获得目标变量三维分布,且可方便与其他学科模型进行耦合,适用于多学科耦合分析与协同优化,是应用于泵类设备流动控制及结构优化的一种理想数值计算方法。对于泵类部件,通常降阶模型做法是通过对泵类设备不同工况开展样本空间的数值计算,建立研究对象的仿真数据库,之后以泵内部流场或压力场等全三维信息为对象,利用POD等方法得到降阶系统的POD基模态,再获得相关投影系数,从而预测新工况下的泵类流动特性及运行特性。采用该方法存在问题在于泵类部件的三维仿真模拟数据量一般较为庞大,在开展降阶分析时需要消耗内存过大,常规工作站难以实施且耗时长。
发明内容
本发明提供一种基于降阶模型的泵类设备内部流场的预测方法,用以解决现有技术中开展降阶分析时消耗内存过大,耗时过长的缺陷。
本发明提供一种基于降阶模型的泵类设备内部流场的预测方法,包括:构建泵类设备流动及运行特性的数值数据库;基于所述数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型;对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数;对相邻区域的交界处进行光顺化处理;对比所述第一降阶模型的预测结果的精度和计算效率,并修正所述数值数据库,得到第二降阶模型。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述构建泵类设备流动及运行特性的数值数据库的步骤进一步包括:分析泵类设备的流动特性及影响流动特性的关键参数,对泵类设备的相关结构进行简化并划分网格;对泵类设备进行数值模拟,开展不同工况下泵类设备内部流场数值模拟,建立泵类设备的所述数值数据库。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述基于所述数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型的步骤进一步包括:
所述第一降阶模型的公式为:
F=C·Ψ,
其中,F为待预测工况目标参数矩阵;Ψ为采用向量基函数组成的矩阵;C为待预测工况对应基向量的权重系数矩阵。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:根据特征值的累计含能分布选取满足能量要求的重要特征向量,获得相应第一降阶模型的基向量。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述构建第一向量基的计算公式为:
其中,ΨM×N为向量基,UM×N为目标参数矩阵,BN×N为QN×N正交分解后得到的矩阵。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:采用机器学习方法计算基系数矩阵。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:采用样条插值法计算所述基系数。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:采用径向基函数插值法计算所述基系数。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对相邻区域的交界处进行光顺化处理的步骤进一步包括:提取不同区域边界及相邻网格点的位置参数信息;通过所述第一降阶模型计算对应区域边界及边界相邻节点的目标参数值;基于所述目标参数值,结合边界参数值,进行插值处理,并重新赋值。
根据本发明提供的一种基于降阶模型的泵类设备内部流场的预测方法,所述对比所述第一降阶模型的预测结果的精度和计算效率,并修正所述数值数据库,得到第二降阶模型的步骤进一步包括:将所述第一降阶模型与仿真结果进行对比;采用均方根误差定量衡量所述第一降阶模型的预测结果的精度;采用逐次枚举的拉丁超立方计算试验设计方法和基于模糊聚类的逐次加点策略修正数值数据库。
本发明提供的基于降阶模型的泵类设备内部流场的预测方法,通过对泵类设备内部区域进行分区建模,分区构建泵类设备流动特性降阶模型并重组方法,实现了在可接收内存条件下的泵类设备降阶分析,为克服边界处不同区域降阶模型预测值存在偏差,形成目标参数分布不连续的问题,根据相邻节点计算值,采用插值光顺化处理,本发明实施例提供的基于降阶模型的泵类设备内部流场的预测方法,利用CPU i7-10700 32G内存工作站进行模拟,采用CFD方法耗时约3小时,采用本发明提供的预测方法仅需要15s,极大地提高了计算效率,降低了内存的消耗,以及运行时间的消耗。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于降阶模型的泵类设备内部流场的预测方法的流程图之一;
图2是多层神经网络的方法图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1描述本发明的基于降阶模型的泵类设备内部流场的预测方法。
如图1所示,在本发明的一个实施例中,基于降阶模型的泵类设备内部流场的预测方法的步骤包括:
步骤01:构建泵类设备流动及运行特性的数值数据库。
具体来说,针对给定的泵类设备,分析其流动特性及影响其流动特性的关键参数,对相关结构进行简化并划分网格,采用CFD仿真软件对目标泵类设备进行数值模拟验证计算模型,结合拉丁超立方采样思路,确定需开展计算的样本空间,开展一系列不同工况下泵内流场数值模拟,建立泵类设备流动及运行特性的数值数据库。进一步地,数值数据库包括泵类设备本身的结构参数,如叶片参数、蜗壳参数等;也包括泵类设备的运行参数,如转速以及内部流体的流速等参数。
步骤02:基于数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型。
具体来说,基于数值数据库,根据泵类设备内部流动及运行特性,以及本身的结构特征,对泵类设备进行分区处理,通常分为入口区、导叶区、叶片区、蜗壳区、出口区等,分别对每个区域进行POD降阶分解,建立第一降阶模型。
步骤03:对每个区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数。
具体来说,对于目标预测参数U,其具有N个样本、划分为N个网格状态可记为:
其中,UM×N为目标参数矩阵,M为网格状态个数,N为样本个数,x为样本点,g为网格位置点。
采用Sirovich方法构建矩阵:
其中,QN×N为Sirovich方法构建的新矩阵。
对上述矩阵进行正交分解:
其中,BN×N为QN×N正交分解后得到的矩阵。
构建第一向量基:
其中,ΨM×N为向量基。
根据特征值的累计含能分布选取满足能量要求的重要特征向量,最终获得相应第一降阶模型的基向量。
可选地,基系数的获取方式有多种,如样条插值法、径向基函数插值法以及通过机器学习确定,可选地,在本发明的实施例中,基系数的获取采用通过机器学习确定。
步骤04:对相邻区域的交界处进行光顺化处理。
具体来说,由于经过了分区处理,不同区域通过POD第一降阶模型获得基向量及基系数有所不同,交界处通过第一降阶模型预测的目标参数值也存在差异,为使其更符合物理量连续分布特征,需要在交界处进行光顺化处理,其具体步骤包括:提取不同区域边界及相邻网格点位置参数信息;通过POD第一降阶模型计算对应区域边界及边界相邻节点目标参数值;如果相邻区域在边界处计算结果相差过大,则重新进行基向量及基系数选取,反之,则利用边界相邻网格点目标参数值,结合边界参数值,进行插值处理,并重新赋值,保证边界目标参数的连续性。
步骤05:对比第一降阶模型的预测结果的精度和计算效率,并修正数值数据库,得到第二降阶模型。
具体来说,为验证第一降阶模型的精度,将通过与相关CFD仿真结果进行比对,采用均方根误差定量衡量第一降阶模型预测结果的精度,对比计算时间衡量第一降阶模型的计算效率,利用逐次枚举的拉丁超立方计算试验设计方法和基于模糊聚类的逐次加点策略改进数值数据库,进一步提高第一降阶模型的预测精度和提高构造第一降阶模型的效率,得到第二降阶模型,该第二降阶模型即为最终的泵类设备的降阶模型。
本发明实施例提供的基于降阶模型的泵类设备内部流场的预测方法,通过对泵类设备内部区域进行分区建模,分区构建泵类设备流动特性降阶模型并重组方法,实现了在可接收内存条件下的泵类设备降阶分析,为克服边界处不同区域降阶模型预测值存在偏差,形成目标参数分布不连续的问题,根据相邻节点计算值,采用插值光顺化处理,本发明实施例提供的基于降阶模型的泵类设备内部流场的预测方法,利用CPU i7-10700 32G内存工作站进行模拟,采用CFD方法耗时约3小时,采用本发明提供的预测方法仅需要15s,极大地提高了计算效率,降低了内存的消耗,以及运行时间的消耗。
进一步地,在本发明的一个实施例中,构建泵类设备流动及运行特性的数值数据库的步骤进一步包括:针对给定的泵类设备,分析其流动特性及影响其流动特性的关键参数,对相关结构进行简化并划分网格,采用CFD仿真软件对目标泵类设备进行数值模拟验证计算模型,结合拉丁超立方采样思路,确定需开展计算的样本空间,开展一系列不同工况下泵内流场数值模拟,建立泵类设备流动及运行特性的数值数据库。进一步地,数值数据库包括泵类设备本身的结构参数,如叶片参数、蜗壳参数等;也包括泵类设备的运行参数,如转速以及内部流体的流速等参数。
在本发明的一个实施例中,基于数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型的步骤进一步包括:基于数值数据库,根据泵类设备内部流动及运行特性,以及本身的结构特征,对泵类设备进行分区处理,通常分为入口区、导叶区、叶片区、蜗壳区、出口区等,分别对每个区域进行POD降阶分解,建立第一降阶模型。其中,该第一降阶模型的公式为:
F=C·Ψ.............(5),
其中,F为待预测工况目标参数矩阵;Ψ为采用向量基函数组成的矩阵;C为待预测工况对应基向量的权重系数矩阵。
在本发明的一个实施例中,对每个区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:根据特征值的累计含能分布选取满足能量要求的重要特征向量,获得相应第一降阶模型的基向量。
具体来说,对于目标预测参数U,其具有N个样本、划分为N个网格状态可记为:
其中,UM×N为目标参数矩阵,M为网格状态个数,N为样本个数,x为样本点,g为网格位置点。
采用Sirovich方法构建矩阵:
其中,QN×N为Sirovich方法构建的新矩阵。
对上述矩阵进行正交分解:
其中,BN×N为QM×N正交分解后得到的矩阵。
提取最大特征值对应的特征向量,构建第一POD向量基:
其中,ΨM×N为POD向量基。
根据特征值的累计含能分布选取满足能量要求的重要特征向量,最终获得相应第一降阶模型的基向量。
基系数的确定方法,可选地,包括以下几种:
方法一:样条插值法,三次样条插值是指在每两个点之间都使用一个三次多项式进行插值,对于N个点((x1,y1),(x2,y2),...,(xN,yN))来说,三次样条是由N-1个三次多项式(S1(x),S2(x)....,SN-1(x))组成的,有Si(xi)=yi,Si(xi+1)=yi+1(i=1,2,...,N-1)。对于中间的点来说,两边的三次多项式要在该点处“平滑连接”,即满足下列条件:
方法二:径向基函数插值法,径向基函数是指取值依赖于离中心点c距离的实值函数,即
φ(x,c)=φ(||x-c||).......(7)
其中,φ为径向基函数,例如高斯函数及多二次函数等;x为待求变量;c为中心点向量,||x-c||表示向量二范数,即待求变量x到中心点c之间的距离。
方法三:通过机器学习确定,例如,采用多层神经网络的方法,如图2所示,
其中,a=(a1,a2,...,an)表示特征向量;w=(w1,w2,...,wn)表示神经元的权重系数;b为偏置;z为神经元值,在经过选定的激活函数σ作用得到σ(z)的值即为下一个神经元的值。
在本发明的一个实施例中,对相邻区域的交界处进行光顺化处理的步骤进一步包括:由于经过了分区处理,不同区域通过POD第一降阶模型获得基向量及基系数有所不同,交界处通过第一降阶模型预测的目标参数值也存在差异,为使其更符合物理量连续分布特征,需要在交界处进行光顺化处理,其具体步骤包括:提取不同区域边界及相邻网格点位置参数信息;通过POD第一降阶模型计算对应区域边界及边界相邻节点目标参数值;如果相邻区域在边界处计算结果相差过大,则重新进行基向量及基系数选取,反之,则利用边界相邻网格点目标参数值,结合边界参数值,进行插值处理,并重新赋值,保证边界目标参数的连续性。
在本发明的一个实施例中,对比第一降阶模型的预测结果的精度和计算效率,并修正数值数据库,得到第二降阶模型的步骤进一步包括:为验证第一降阶模型的精度,将通过与相关CFD仿真结果进行比对,采用均方根误差定量衡量第一降阶模型预测结果的精度,对比计算时间衡量第一降阶模型的计算效率,利用逐次枚举的拉丁超立方计算试验设计方法和基于模糊聚类的逐次加点策略改进数值数据库,进一步提高第一降阶模型的预测精度和提高构造第一降阶模型的效率,得到第二降阶模型,该第二降阶模型即为最终的泵类设备的降阶模型,该第二降阶模型实现了对泵类设备目标参数的快速智能预测,同时,可将结果输出做可视化处理。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于降阶模型的泵类设备内部流场的预测方法,其特征在于,包括:
构建泵类设备流动及运行特性的数值数据库;
基于所述数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型;
对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数;
对相邻区域的交界处进行光顺化处理;
对比所述第一降阶模型的预测结果的精度和计算效率,并修正所述数值数据库,得到第二降阶模型。
2.根据权利要求1所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述构建泵类设备流动及运行特性的数值数据库的步骤进一步包括:
分析泵类设备的流动特性及影响流动特性的关键参数,对泵类设备的相关结构进行简化并划分网格;
对泵类设备进行数值模拟,开展不同工况下泵类设备内部流场数值模拟,建立泵类设备的所述数值数据库。
3.根据权利要求1所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述基于所述数值数据库,根据泵类设备内部流动及结构特征,对泵类设备进行分区,并对每个区域进行降阶分解,建立第一降阶模型的步骤进一步包括:
所述第一降阶模型的公式为:
F=C·Ψ,
其中,F为待预测工况目标参数矩阵;Ψ为采用向量基函数组成的矩阵;C为待预测工况对应基向量的权重系数矩阵。
4.根据权利要求3所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:
根据特征值的累计含能分布选取满足能量要求的重要特征向量,获得相应第一降阶模型的基向量。
6.根据权利要求4所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:
采用机器学习方法计算基系数矩阵。
7.根据权利要求4所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:
采用样条插值法计算所述基系数。
8.根据权利要求4所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对每个所述区域进行降阶分解,并获取相应第一降阶模型的基向量和基系数的步骤进一步包括:
采用径向基函数插值法计算所述基系数。
9.根据权利要求1所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对相邻区域的交界处进行光顺化处理的步骤进一步包括:
提取不同区域边界及相邻网格点的位置参数信息;
通过所述第一降阶模型计算对应区域边界及边界相邻节点的目标参数值;
基于所述目标参数值,结合边界参数值,进行插值处理,并重新赋值。
10.根据权利要求1所述的基于降阶模型的泵类设备内部流场的预测方法,其特征在于,所述对比所述第一降阶模型的预测结果的精度和计算效率,并修正所述数值数据库,得到第二降阶模型的步骤进一步包括:
将所述第一降阶模型与仿真结果进行对比;
采用均方根误差定量衡量所述第一降阶模型的预测结果的精度;
采用逐次枚举的拉丁超立方计算试验设计方法和基于模糊聚类的逐次加点策略修正数值数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554417.2A CN113379103B (zh) | 2021-05-20 | 2021-05-20 | 基于降阶模型的泵类设备内部流场的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554417.2A CN113379103B (zh) | 2021-05-20 | 2021-05-20 | 基于降阶模型的泵类设备内部流场的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379103A CN113379103A (zh) | 2021-09-10 |
CN113379103B true CN113379103B (zh) | 2022-05-13 |
Family
ID=77571438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554417.2A Active CN113379103B (zh) | 2021-05-20 | 2021-05-20 | 基于降阶模型的泵类设备内部流场的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150951B (zh) * | 2023-08-10 | 2024-03-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2356788B1 (es) * | 2007-12-18 | 2012-02-22 | Airbus Operations, S.L. | Método y sistema para un cálculo rápido de las fuerzas aerodinámicas en una aeronave. |
CN105975645B (zh) * | 2016-02-26 | 2019-01-04 | 西北工业大学 | 一种基于多步的含激波区域飞行器流场快速计算方法 |
CN105930585B (zh) * | 2016-04-21 | 2019-05-24 | 厦门大学 | 基于CFD的Shell气化炉流场和温度场的模拟方法 |
KR102181989B1 (ko) * | 2018-08-27 | 2020-11-23 | 이에이트 주식회사 | 복수의 프로세서를 이용한 입자 기반의 유체 시뮬레이션 방법 및 유체 시뮬레이션 장치 |
-
2021
- 2021-05-20 CN CN202110554417.2A patent/CN113379103B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113379103A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nikiforov et al. | Simulation of gas-dynamic characteristics of a centrifugal compressor vane diffuser using neural networks | |
CN107609141B (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、系统及介质 | |
CN113642105B (zh) | 船舶动力系统的多尺度模型构建方法、装置及电子设备 | |
CN111159941B (zh) | 一种用于汽车液力变矩器内流场瞬态数值模拟的方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
De Donno et al. | Shape optimization of the ERCOFTAC centrifugal pump impeller using open-source software | |
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 | |
CN113379103B (zh) | 基于降阶模型的泵类设备内部流场的预测方法 | |
CN115481549A (zh) | 圆筒直线电机多目标优化方法、设备及存储介质 | |
CN112417773A (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
Chen et al. | Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
Feng et al. | Physics-informed deep learning cascade loss model | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
Bock et al. | Practical shape optimization for turbine and compressor blades by the use of PRSQP methods | |
Ji et al. | A flow information-based prediction model applied to the nonaxisymmetric hub optimization of a centrifugal impeller | |
Benamara et al. | LPC blade and non-axisymmetric hub profiling optimization using multi-fidelity non-intrusive POD surrogates | |
CN113609585B (zh) | 船舶动力系统的多层级模型构建方法、装置及电子设备 | |
Kyriacou et al. | Evolutionary algorithm based optimization of hydraulic machines utilizing a state-of-the-art block coupled CFD solver and parametric geometry and mesh generation tools | |
Gupta et al. | Analysis of Generative Adversarial Networks for Data-Driven Inverse Airfoil Design | |
CN113343390A (zh) | 基于神经网络非线性模型的发动机线性化建模方法 | |
Nigro et al. | Robust design in turbomachinery applications | |
CN117454721B (zh) | 基于数字仿真实验的风电场尾流叠加效应评估方法和介质 | |
Li et al. | Use a sequential gradient-enhanced-Kriging optimal experimental design method to build high-precision approximate model for complex simulation problem |
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 |