CN113435133B - 一种螺旋槽管优化方法 - Google Patents
一种螺旋槽管优化方法 Download PDFInfo
- Publication number
- CN113435133B CN113435133B CN202110620556.0A CN202110620556A CN113435133B CN 113435133 B CN113435133 B CN 113435133B CN 202110620556 A CN202110620556 A CN 202110620556A CN 113435133 B CN113435133 B CN 113435133B
- Authority
- CN
- China
- Prior art keywords
- spiral groove
- optimization
- control point
- optimized
- spiral
- 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
- 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
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种螺旋槽管优化方法,属于螺旋槽管换热优化领域。本发明通过对螺旋槽形状的整体优化,可以获得性能提升更大的优化螺旋槽管,具体地,通过样条曲线对螺旋槽型线进行参数化描述,可以获得对控制点坐标变化更加敏感的型线,从而满足对型线精细调节优化的要求。本发明采用遗传算法对优化目标值中较优的螺旋槽型线进行筛选,进而可以对筛选出的螺旋槽型线对应的坐标进行选择和交叉和/或变异获得优化螺旋槽管型线,同时可以对优化螺旋槽型线再次迭代计算优化目标,可以获得更加优异的螺旋槽管型线;同时采用代理模型来预测每代种群的性能参数,代替了大量的CFD计算过程,节约了计算资源,缩短了优化周期,提高了优化过程的效率。
Description
技术领域
本发明属于螺旋槽管换热优化领域,更具体地,涉及一种螺旋槽管优化方法。
背景技术
换热器在各个工业中不仅是保证生产过程正常运转的必不可少的一环,在各种换热设备中,管壳式换热器具有结构简单、成本低、材料选择范围广、制造容易等优点,已被广泛使用。螺旋槽管是管壳式换热器中的一个重要换热元件,是一种优秀的高效异形强化传热管。换热设备的强化传热技术指的是通过各种方式提高换热设备在单位时间内、消耗单位功率所达到的换热量。通过强化换热技术可以获得更高的设备换热性能和/或减小传热装置的尺寸。一般来说,这些技术可以分为两类:主动技术和被动技术。螺旋槽管是被动传热强化技术之一,并且是在若干传热应用中最广泛使用的换热管之一。随着中国经济的不断发展和换热需求的不断提高,对螺旋槽管的强化对流换热性能提出了更高的要求。
对于螺旋槽管的优化来说,目前较为常规的优化方法是通过实验或数值仿真的方法对不同的槽深和螺距、螺旋角等结构参数的螺旋槽管进行研究,获得优化的螺旋槽管参数组合。优化螺旋槽管一般只关注螺旋槽管的主要参数,如直径、槽深、螺距、螺旋角等,对于螺旋槽的形状优化研究现在主要是针对一些预先给定的固定形状进行对比研究,如矩形、半圆弧形、三角形、梯形等。螺旋槽管的槽形状对其换热有重要的影响,现有的螺旋槽形状优化研究中没有考虑到螺旋槽形状的所有变化,从而限制了对螺旋槽管的强化换热性能的优化效果。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种螺旋槽管优化方法,其目的在于提高螺旋槽管的综合换热性能。
为实现上述目的,本发明提供了一种螺旋槽管优化方法,包括:
S1.采用基于控制点的样条曲线对螺旋槽管中的螺旋槽型线进行参数化;
S2.以各控制点坐标作为优化变量,并根据应用需求确定优化目标;所述控制点坐标满足约束条件:后一控制点的横坐标大于前一控制点的横坐标;
S3.从优化变量组成的多维变量空间中采样设定数量的样本,并对每个样本计算优化目标对应的性能参数;
S4.利用样本及对应的性能参数训练代理模型并验证其准确性;
S5.采用遗传算法和代理模型对优化变量进行迭代优化直至达到终止条件,得到优化螺旋槽型线;其中,每代种群的适应度通过训练好的代理模型预测得到;
S6.对优化螺旋槽型线的螺旋槽管进行CFD数值计算,获得真实性能参数,将其与遗传算法输出的性能参数进行对比,若误差在预设范围内,则结束;否则,补充更多样本,返回执行步骤S4。
进一步地,步骤S1包括:
采用如下表达式对螺旋槽管中的螺旋槽型线进行参数化:
Si(x)=a1i+a2i(x-xi)+a3i(x-xi)2+a4i(x-xi)3+…+a(n+1)i(x-xi)n
if xi≤x≤xi+1
Si(x)为由m+1个控制点(xi,yi)组成的n阶样条曲线,在每个控制点处0~n-1阶连续,i=0,1,...,m,aji表示多项式前的系数,j=1,...,n+1;
将控制点坐标无因次化,Xi=xi/W,Yi=yi/W,W为槽宽。
进一步地,m≥2。
进一步地,n≥3。
进一步地,槽宽方向起点和终点除外的各中间控制点的无因次纵坐标Yi需满足以下条件:
0≤Yi≤0.5。
进一步地,将各控制点的部分或者全部横坐标固定,当控制点的横坐标固定时,只选取其纵坐标为优化变量;当控制点的横坐标不固定时,选其横坐标和纵坐标为优化变量。
进一步地,所述优化目标包括综合性能系数PEC、努塞特数或阻力系数中的一个或多个组合。
进一步地,通过正交实验设计、拉丁超立方采样或均匀采样的方法从优化变量组成的多维变量空间中采样设定数量的样本。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明通过对螺旋槽形状的整体优化,而不是针对预先给定的固定形状仅仅考虑对槽深进行优化,可以获得性能提升更大的优化螺旋槽管。
(2)本发明通过样条曲线对螺旋槽型线进行参数化描述,曲线阶数大于或等于3,可以获得对控制点坐标变化更加敏感的型线,从而满足对型线精细调节优化的要求。
(3)本发明采用遗传算法对优化目标值中较优的螺旋槽型线进行筛选,进而可以对筛选出的螺旋槽型线对应的坐标进行选择和交叉和/或变异获得优化螺旋槽管型线,同时可以对优化螺旋槽型线再次迭代计算优化目标,因此可以获得更加优异的螺旋槽管型线。
(4)本发明采用代理模型来预测每代种群的性能参数,代替了大量的CFD计算过程,节约了计算资源,缩短了优化周期,提高了优化过程的效率。
附图说明
图1为本发明方法流程图。
图2为螺旋槽型线参数化示意图。
图3为雷诺数Re=10000时优化单头螺旋槽管的型线示意图。
图4为雷诺数Re=20000时优化多头螺旋槽管的型线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本方法采用基于控制点的样条曲线作为螺旋槽参数化描述方法,槽形变化范围更广,还能获取更为精细的螺旋槽型线变化。为此,首先对螺旋槽型线进行参数化描述并确定控制参数,然后通过拉丁超立方采样、正交实验等采样方法获得一批样本参数组合,再对这批样本进行三维建模、网格划分、CFD数值求解,然后使用样本的参数组合和数值求解结果训练代理模型,最后采用遗传算法结合代理模型进行寻优,获得收敛的最优解,并将输出的优化槽形性能参数与通过CFD数值计算得到的性能参数进行对比,若误差在预设范围内,则结束优化过程,否则补充更多的样本重新进行数值求解、训练代理模型、遗传算法寻优的过程。
依据本方法对螺旋槽型线进行优化,在给定雷诺数和优化目标的情况下进行优化,得到优化的螺旋槽型线。本方法适用于雷诺数为103~105条件下的螺旋槽管优化。
具体地,参考图1本发明方法包括以下步骤:
S1.采用基于控制点的样条曲线对螺旋槽管中的螺旋槽型线进行参数化;
采用基于控制点的样条曲线的方法对螺旋槽型线进行描述:
Si(x)=a1i+a2i(x-xi)+a3i(x-xi)2+a4i(x-xi)3+…+a(n+1)i(x-xi)n
if xi≤x≤xi+1i=0,1,...,m
式中:Si(x)为由m+1个控制点(xi,yi)(i=0,1,…,m)组成的n阶样条曲线,由m段n次多项式曲线组成,m≥2。si(x)曲线必须过所有控制点,且在控制点处0~n-1阶连续。
将控制点坐标无因次化,Xi=xi/W,Yi=yi/W,W为槽宽。
螺旋槽型线的槽宽以点O、E表示,其无因次坐标分别取为(0,0)、(1,0)。对于螺旋槽的凹槽型线,由控制点O,U1,U2,……,Ui,E组成的n阶样条曲线控制。螺旋槽型线采用的样条曲线阶数不小于3阶,即n≥3,以使得螺旋槽型线光滑变化。
采用基于控制点的样条曲线的方法对螺旋槽型线进行描述能够平滑、充分地表现螺旋槽型线各种线型变化,且操作简单。
S2.以各控制点坐标作为优化变量,并根据应用需求确定优化目标;所述控制点坐标满足约束条件:后一控制点的横坐标大于前一控制点的横坐标;
关于优化变量;计算资源足够时,取螺旋槽样条曲线的各中间控制点横坐标及纵坐标(槽宽方向的起点及终点除外)作为优化变量。为节约优化计算时间,也可以将各控制点的部分或者全部横坐标固定,当控制点的横坐标固定时,只选取其纵坐标为优化变量;当控制点的横坐标不固定时,选其横坐标和纵坐标为优化变量。优化时,各控制点的纵坐标和横坐标均取为相对于槽宽的无因次量。
关于优化目标;根据应用情况不同,可以取综合性能系数PEC、努塞特数或阻力系数中的一个或多个组合作为优化目标;
关于约束条件;本优化方法仅针对螺旋槽管的螺旋槽形状,优化过程中螺旋槽管的直径和螺距、槽宽、头数等其他无关参数在优化过程中保持不变。
样条曲线的生成与控制点的坐标紧密相关,为保证螺旋槽形状的相对合理,对控制点的顺序做出约束,后一控制点的横坐标应大于前一控制点的横坐标:
Xo<XU1<XU2<…<XE
根据实验经验,为保证各优化变量具有较大的寻优范围,限定螺旋槽型线处于无因次长度(相对于槽宽)为1,无因次深度(相对于槽宽)为0.5的长方形内。
螺旋槽型线任一点(代表槽宽的起点及终点除外)的无因次纵坐标Yi需满足以下条件:
0≤Yi≤0.5。
S3.从优化变量组成的多维变量空间中采样设定数量的样本,并对每个样本计算优化目标对应的性能参数;
对于K个优化变量组成的K维变量空间,选择正交实验设计、拉丁超立方采样、均匀采样等方法,采集合适的样本量。然后将样本坐标导入建模软件进行三维建模,再将模型导入CFD软件的前处理软件并通过其脚本文件实现网格的自动划分,然后通过数值计算软件的脚本宏文件实现计算条件的自动设置,采用数值仿真方法计算螺旋槽管的换热Nu数和阻力系数等性能参数,进而计算其综合性能系数PEC。
S4.利用样本及对应的性能参数训练代理模型并验证其准确性;
代理模型可选择人工神经网络、SVR模型等各种机器学习算法,训练后最终获得可根据优化变量高精度预测性能参数的代理模型。
S5.采用遗传算法和代理模型对优化变量进行迭代优化直至达到终止条件,得到优化螺旋槽型线;其中,每代种群的适应度通过训练好的代理模型预测得到;
本发明通过训练好的代理模型预测每代种群的性能参数,代替了大量的CFD计算过程,节约了计算资源,缩短了优化周期,提高了优化过程的效率。
S6.对优化螺旋槽型线的螺旋槽管进行CFD数值计算,获得真实性能参数,将其与遗传算法输出的性能参数进行对比,若误差在预设范围内,则结束;否则补充更多样本,返回执行步骤S4。
下面以雷诺数Re=10000,优化目标为综合换热性能,对单头螺旋槽管(直径为8mm,螺距为16mm,槽宽为1mm)进行单目标优化为例对本发明方法进行说明,具体步骤如下:
螺旋槽型线描述
如图2所示,螺旋槽型线由一段3阶样条曲线拟合。其中O点和E点分别为样条曲线起点和终点,对应无因次坐标分别为(0,0)和(1,0)。O,U1、U2、U3,E为样条曲线控制点,控制螺旋槽型线。
优化变量
通过对螺旋槽型线的描述,为了更好地控制螺旋槽型线的生成并减少优化计算时间,将各控制点的横坐标固定,即U1、U2、U3的无因次横坐标固定为0.25、0.5、0.75,选取各控制点的纵坐标为优化变量,即:
P=(YU1,YU2,YU3)。
约束条件
生成的螺旋槽型线应在无因次长度为1,无因次深度为0.5的矩形中。即螺旋槽型线任一点的无因次纵坐标应为:
0≤Yi≤0.5;
数值仿真
针对本实施例,湍流模型选为Realizable k-ε模型,计算工质为不可压缩空气,采用SIMPLE算法对速度和压力场进行耦合,离散化设置中湍动能、湍流耗散率、能量都选用QUICK格式,进出口设置为周期性进出口条件,对周期性进出口给定质量流量条件和温度条件,能量方程收敛残差设置为10-6,其他收敛残差为10-3。
采样及训练代理模型
对优化变量X=(YU1,YU2,YU3)进行拉丁超立方采样,获得150组优化变量样本。针对每一组优化变量确定的合理螺旋槽型线,剔除多峰等不合理型线。通过数值模拟计算得到相应的螺旋槽管的换热努塞特数和阻力系数。采用各样本对应的优化变量及相应的性能数据训练BP人工神经网络作为代理模型,获得能高精度预测螺旋槽管换热Nu数和阻力系数的人工神经网络代理模型。
优化目标
本实施例以综合性能系数(PEC)为目标进行单目标优化,因此优化目标函数为:
式中,Nu与f分别为螺旋槽管的努塞特数和阻力系数,Nu0与f0分别为对应的光滑管的努塞特数和阻力系数。
优化算法
采用遗传算法进行求解。参数设定为:种群数量为100,最大遗传代数为200,交叉概率和变异概率设定为Constraint dependent,遗传算法终止准则设置为达到最大遗传代数或者种群适应度收敛停滞。将遗传算法与代理模型结合求解螺旋槽管的综合换热性能,寻求最优性能的螺旋槽型线。
优化结果
图3为通过本方法得到的优化螺旋槽型线。表1为优化槽形单头螺旋槽管的性能参数表,从表中可以看出,模型预测结果与数值计算结果基本相符,努塞特数Nu和阻力系数f相对误差非常小,满足工业设计要求。优化后的螺旋槽管对流换热Nu数与原型螺旋槽管相差不大,但阻力系数f大幅下降,其综合性能系数PEC比原型提高了11.6%。
表1
Nu | f | PEC | |
优化螺旋槽管(神经网络预测结果) | 42.8994 | 0.04309 | 1.32 |
优化螺旋槽管(数值计算结果) | 42.9622 | 0.04439 | 1.309 |
原型螺旋槽管(半圆弧槽形) | 47.4634 | 0.0832 | 1.173 |
通过此方法还可对其他不同结构参数的螺旋槽管进行槽形状优化,图4为在Re=20000工况下,以综合性能系数PEC为优化目标对双头螺旋槽管(直径为12.2mm,导程为35mm,槽宽为2mm)进行单目标优化,获得的优化螺旋槽型线图。表2为优化槽形双头螺旋槽管的性能参数表,从表中可以看出,模型预测结果与数值计算结果基本相符,误差非常小,满足工业设计要求;优化后的双头螺旋槽综合换热性能比工业常用的半圆弧型双头螺旋槽管有了较大提升,对流换热能力提高了,流动阻力减小了,综合性能系数PEC提升了25.4%,具有良好的综合换热性能。
表2
Nu | f | PEC | |
优化双头螺旋槽管(神经网络预测结果) | 254.5588 | 0.0380 | 1.336 |
优化双头螺旋槽管(数值计算结果) | 255.9857 | 0.03945 | 1.327 |
原型双头螺旋槽管(半圆弧槽形) | 240.8835 | 0.0649 | 1.058 |
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种螺旋槽管优化方法,其特征在于,包括:
S1.采用基于控制点的样条曲线对螺旋槽管中的螺旋槽型线进行参数化;
S2.以各控制点坐标作为优化变量,并根据应用需求确定优化目标;所述控制点坐标满足约束条件:后一控制点的横坐标大于前一控制点的横坐标;
S3.从优化变量组成的多维变量空间中采样设定数量的样本,并对每个样本计算优化目标对应的性能参数;
S4.利用样本及对应的性能参数训练代理模型并验证其准确性;
S5.采用遗传算法和代理模型对优化变量进行迭代优化直至达到终止条件,得到优化螺旋槽型线;其中,每代种群的适应度通过训练好的代理模型预测得到;
S6.对优化螺旋槽型线的螺旋槽管进行CFD数值计算,获得真实性能参数,将其与遗传算法输出的性能参数进行对比,若误差在预设范围内,则结束;否则,补充更多样本,返回执行步骤S4。
2.根据权利要求1所述的一种螺旋槽管优化方法,其特征在于,步骤S1包括:
采用如下表达式对螺旋槽管中的螺旋槽型线进行参数化:
Si(x)=a1i+a2i(x-xi)+a3i(x-xi)2+a4i(x-xi)3+...+a(n+1)i(x-xi)n
if xi≤x≤xi+1
Si(x)为由m+1个控制点(xi,yi)组成的n阶样条曲线,在每个控制点处0~n-1阶连续,i=0,1,...,m,aji表示多项式前的系数,j=1,...,n+1;
将控制点坐标无因次化,Xi=xi/W,Yi=yi/W,W为槽宽。
3.根据权利要求2所述的一种螺旋槽管优化方法,其特征在于,m≥2。
4.根据权利要求2或3所述的一种螺旋槽管优化方法,其特征在于,n≥3。
5.根据权利要求2-4任一项所述的一种螺旋槽管优化方法,其特征在于,槽宽方向起点和终点除外的各中间控制点的无因次纵坐标Yi需满足以下条件:
0≤Yi≤0.5。
6.根据权利要求5所述的一种螺旋槽管优化方法,其特征在于,将各控制点的部分或者全部横坐标固定,当控制点的横坐标固定时,只选取其纵坐标为优化变量;当控制点的横坐标不固定时,选其横坐标和纵坐标为优化变量。
7.根据权利要求1-6任一项所述的一种螺旋槽管优化方法,其特征在于,所述优化目标包括综合性能系数PEC、努塞特数或阻力系数中的一个或多个组合。
8.根据权利要求1-7任一项所述的一种螺旋槽管优化方法,其特征在于,通过正交实验设计、拉丁超立方采样或均匀采样的方法从优化变量组成的多维变量空间中采样设定数量的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620556.0A CN113435133B (zh) | 2021-06-03 | 2021-06-03 | 一种螺旋槽管优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620556.0A CN113435133B (zh) | 2021-06-03 | 2021-06-03 | 一种螺旋槽管优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435133A CN113435133A (zh) | 2021-09-24 |
CN113435133B true CN113435133B (zh) | 2022-04-26 |
Family
ID=77803558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110620556.0A Active CN113435133B (zh) | 2021-06-03 | 2021-06-03 | 一种螺旋槽管优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435133B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016055743A1 (fr) * | 2014-10-08 | 2016-04-14 | Snecma | Procédé de modélisation d'une pale d'une hélice non-carénée |
CN106934087A (zh) * | 2015-12-31 | 2017-07-07 | 上海汽轮机厂有限公司 | 透平机械的叶片根部和转子轮槽的型线的优化设计方法 |
CN107563074A (zh) * | 2017-09-08 | 2018-01-09 | 哈尔滨工业大学 | 一种风扇/压气机端壁型线的优化设计方法与优化平台 |
CN110750855A (zh) * | 2019-09-06 | 2020-02-04 | 华中科技大学 | 一种外形定尺寸限制下的蜗壳型线设计方法 |
CN112231836A (zh) * | 2020-10-21 | 2021-01-15 | 华中科技大学 | 一种基于遗传算法和数值仿真的翼型优化方法 |
CN112395700A (zh) * | 2020-11-10 | 2021-02-23 | 华中科技大学 | 一种代理模型驱动的梯度点阵夹层结构优化方法 |
CN112507471A (zh) * | 2020-10-23 | 2021-03-16 | 湖北工业大学 | 一种大攻角范围条件下垂直轴风力机翼型设计方法 |
-
2021
- 2021-06-03 CN CN202110620556.0A patent/CN113435133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016055743A1 (fr) * | 2014-10-08 | 2016-04-14 | Snecma | Procédé de modélisation d'une pale d'une hélice non-carénée |
CN106934087A (zh) * | 2015-12-31 | 2017-07-07 | 上海汽轮机厂有限公司 | 透平机械的叶片根部和转子轮槽的型线的优化设计方法 |
CN107563074A (zh) * | 2017-09-08 | 2018-01-09 | 哈尔滨工业大学 | 一种风扇/压气机端壁型线的优化设计方法与优化平台 |
CN110750855A (zh) * | 2019-09-06 | 2020-02-04 | 华中科技大学 | 一种外形定尺寸限制下的蜗壳型线设计方法 |
CN112231836A (zh) * | 2020-10-21 | 2021-01-15 | 华中科技大学 | 一种基于遗传算法和数值仿真的翼型优化方法 |
CN112507471A (zh) * | 2020-10-23 | 2021-03-16 | 湖北工业大学 | 一种大攻角范围条件下垂直轴风力机翼型设计方法 |
CN112395700A (zh) * | 2020-11-10 | 2021-02-23 | 华中科技大学 | 一种代理模型驱动的梯度点阵夹层结构优化方法 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法的贯流风机蜗壳型线优化研究;黄驰等;《工程热物理学报》;20200531;第41卷(第5期);第1110-1115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435133A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Numerical design of efficient slotted fin surface based on the field synergy principle | |
CN110289111B (zh) | 自然循环回路的流量确定方法、装置及服务器 | |
Han et al. | Development and design optimization of novel polymer heat exchanger using the multi-objective genetic algorithm | |
CN111709096A (zh) | 一种强化自然对流换热的异型翅片结构设计方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
Wansaseub et al. | Optimal U-shaped baffle square-duct heat exchanger through surrogate-assisted self-adaptive differential evolution with neighbourhood search and weighted exploitation-exploration | |
CN111259596B (zh) | 基于有限体积理论的管壳式热交换器全三维耦合模拟方法 | |
CN112836435A (zh) | 粗网格数值模拟结果修正方法、装置及电子设备 | |
CN113435133B (zh) | 一种螺旋槽管优化方法 | |
CN112417773A (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
CN111081400A (zh) | 一种基于机器学习的棒束子通道热工水力特性预测方法 | |
CA2930824A1 (en) | U-bends with the reduced pressure losses to fluid distributing networks | |
Soleimani et al. | Multi-objective optimization of 3D micro-fins using NSGA-II | |
Sun et al. | An intelligent plate fin-and-tube heat exchanger design system through integration of CFD, NSGA-II, ANN and TOPSIS | |
CN114611350A (zh) | 一种基于fcn的相变蓄热装置流道拓扑优化设计方法 | |
CN110196987B (zh) | 基于代理模型的风道结构尺寸优化方法 | |
CN110245408B (zh) | 一种汽轮机单圆弧压力面叶型设计方法 | |
CN113591365B (zh) | 一种自激振荡换热管多目标优化方法 | |
CN115935808A (zh) | 一种涡轮叶片交叉肋冷却结构参数化优化设计方法及系统 | |
Teck et al. | Simulation of Shell and Tube Heat Exchanger: Influence of the Lower Flows and the Baffles on a Fluid Dynamics | |
Aghayari et al. | Numerical investigation of heat transfer in a helically coiled tube using copper/water nano-fluid under constant heat flux and prediction of the results using perceptron and radial basis function networks | |
Xie et al. | Computational optimization of the internal cooling passages of a guide vane by a gradient-based algorithm | |
Malanichev et al. | Pressure loss reduction in ventilation ducts by shape optimization of the removable profiled components | |
CN111861011B (zh) | 一种超临界压力流体对流换热性能预测方法及系统 | |
Ranut | Optimization and inverse problems in heat transfer |
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 |