CN113779704B - 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 - Google Patents
喉栓式变推力固体火箭发动机喷管型面多目标优化方法 Download PDFInfo
- Publication number
- CN113779704B CN113779704B CN202111144474.XA CN202111144474A CN113779704B CN 113779704 B CN113779704 B CN 113779704B CN 202111144474 A CN202111144474 A CN 202111144474A CN 113779704 B CN113779704 B CN 113779704B
- Authority
- CN
- China
- Prior art keywords
- throat
- spray pipe
- plug
- optimization
- nozzle
- 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]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
- G06F30/28—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
喉栓式变推力固体火箭发动机喷管型面多目标优化方法,以喉栓式喷管构型参数为设计变量,以实际推力及需用喉栓伺服力为目标函数建立多目标优化模型,首先利用拉丁超立方试验设计生成初始样本点,计算样本点所对应的喉栓式喷管的实际推力及需用喉栓伺服力后为每一目标函数建立Kriging模型,采用多目标优化算法对Kriging模型进行基于非精确搜索的辅助优化,基于辅助优化得到的种群,得到新的样本点,不断循环迭代直至满足收敛条件,输出最优解对应的设计变量取值。相比于其他实现方案,本发明在实现高效优化设计的同时可保证设计结果中各目标函数都处于较为优秀的水平。
Description
技术领域
本发明属于数据处理技术领域,特别涉及一种喉栓式变推力固体火箭发动机喷管型面多目标优化方法。
背景技术
固体火箭发动机具有可靠性高、反应迅速等优点,已广泛应用于各类战略、战术导弹的动力系统。近年来,为应对未来复杂战场态势,增强导弹机动性能,提升推进剂能量利用效率,各类固体火箭发动机推力调控技术受到越来越多的关注。其中,喉栓式变推力发动机能够实现推力主动、实时、大范围地无极调节,已成为固体火箭发动机推力调控技术的重要研究方向之一。喉栓式变推力发动机在固体发动机中增加轴向喉栓装置,可在伺服机构作用下沿喷管轴向往复运动,改变喷管通气面积,进而实现发动机推力调节。但是,喉栓结构的介入必然会对喷管中原有的流场结构造成影响,增大流动损失或造成一定的推力损失。同时,喉栓伺服机构需克服喉栓在流场中所受到的气动力,以驱动其到达指定位置。若喉栓所受气动力较大,则需要增大伺服电机功率,这也意味着伺服机构质量的增加。因此,喉栓式变推力固体火箭发动机设计过程中需对喷管型面及喉栓型面进行详细设计,以优化喷管内流场结构,减小其性能损失的同时降低喉栓所受到的气动力,减轻伺服机构等消极质量。
目前常用的喉栓式喷管型面优化设计方法有:
(1)基于已有的型面设计方案,沿用或微调使用工况较为接近的已有设计方案。此方法简单方便,易于实现,有效避免了复杂的运算过程,但是此类方法需要有经验的工程师参与,且结果可能不是最优设计方案。
(2)基于喉栓式喷管内流畅数值模型,直接进行单目标优化设计。该方法通常以喷管及喉栓的尺寸参数为设计变量,分别以流动损失或需用喉栓伺服力建立优化模型后进行独立地优化设计。此方法能够实现型面参数的自动优化设计,且设计结果较为精确。但是此方法直接使用优化算法需进行大量的喷管内流场仿真计算,此过程计算复杂耗时,最终导致数值优化设计计算成本难以接受,难以直接应用于工程实际;此外,此方法最终优化设计结果难以保证流动损失或需用喉栓伺服力同时达到最优。
(3)基于喉栓式喷管内流畅数值模型,将多目标聚合为单目标后应用代理模型技术进行优化设计。该方法以喉栓式喷管型面控制参数为设计变量,并将流动损失及需用喉栓伺服力聚合后作为目标函数建立优化模型后,应用基于代理模型的优化框架进行优化设计。此方法能够以较小的计算代价实现喉栓式型面的优化设计,结果合理、可靠。但是将多目标聚合为单目标的过程需要额外的偏好信息。
发明内容
针对喉栓式喷管型面优化设计效率较低,且优化过程中无法同时考虑喷管内的流动损失及喉栓伺服机构可能引起的消极质量增加等问题,本发明提供一种智喉栓式变推力固体火箭发动机喷管型面多目标优化方法。该方法以喉栓式喷管型面控制参数为设计变量,以喉栓式喷管实际推力及需用喉栓伺服力为目标函数建立多目标优化模型,运用代理模型优化框架,实现了喉栓式喷管更加高效、可靠地优化设计。
为实现上述技术目的,本发明提出的技术方案为:
喉栓式变推力固体火箭发动机喷管型面多目标优化方法,包括:
S1.给定喉栓式喷管几何构型,选定多个喉栓式喷管构型参数作为设计变量,给定设计变量的设计空间,以喉栓式喷管实际推力及需用喉栓伺服力为目标函数构建第一优化模型:min:[-factual(x),fpintle(x)],其中x为设计变量,factual(x)为设计变量x对应的喉栓式喷管实际推力,fpintle(x)为设计变量x对应的喉栓式喷管需用喉栓伺服力;
S2.采用拉丁超立方试验设计方法,在设计变量的设计空间内生成一系列的样本点,构建样本集;
S3.计算样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力;
S4.当前所有已计算对应喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的样本点构成当前已评估点集,获得当前已评估点集的Pareto前沿,并存储于样本点前沿库,作为非精确搜索算法参考值;
S5.基于已有样本点分别为喉栓式喷管实际推力、喉栓式喷管需用喉栓伺服力建立Kriging模型;
S6.采用多目标优化算法对Kriging模型进行基于非精确搜索的辅助优化,构建辅助优化模型:min:其中为喉栓式喷管实际推力Kriging模型在设计变量x处的预测值;为喉栓式喷管需用喉栓伺服力Kriging模型在设计变量x处的预测值;
S7.基于辅助优化得到的种群,得到新的样本点,返回S3继续迭代,直至满足收敛条件,则终止并输出当前样本点前沿库作为优化结果。
在本发明中,喉栓式喷管构型参数包括喷管构型参数和喉栓构型参数。喷管构型参数包括但不限于扩张段过渡圆弧半径、扩张段过渡圆弧角、喷管出口半径、喷管出口倾角以及喷管扩张段长度。喉栓构型参数包括但不限于喉栓头部长度、喉栓头体过渡圆弧半径以及喉栓头部圆弧半径。在实际设计过程中,可以选定一个以上的喷管构型参数和一个以上的喉栓构型参数作为设计变量。
在本发明中,喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的计算方法,如下:
根据喉栓式喷管等效喉部面积,计算燃烧室压强;
以燃烧室压强为入口总压,调用CFD仿真模型计算当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,包括喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压及喷管内流场的压强分布;
根据当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,计算当前样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力。
在本发明中,燃烧室压强由下式计算:
式中,ρ为推进剂密度,c*为特征速度,a为燃速系数,Ab为燃面面积,At为喉栓式喷管等效喉部面积,n为压强指数。
在本发明中,喉栓式喷管实际推力由下式计算:
factual=qmve+Ae(pe-pa)
式中,Ae为喷管出口截面面积,pa为环境压强,qm、ve、pe分别为喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压。
在本发明中,喉栓式喷管需用喉栓伺服力由下式计算:
式中Sp代表喉栓表面,为上式的积分域,p为喉栓表面的喷管内流场压强分布。
在本发明中,所述辅助优化,包括:
1)初始化,随机生成初始种群;
2)使用基于参考点的非支配排序方法的进化多目标优化算法对Kriging模型进行搜索;
3)辅助优化收敛判定:对当前种群及样本点前沿库中个体进行非支配等级排序,若前沿库中个体被当前种群支配的比例达到阈值,则当前种群即为辅助优化得到的种群Pobt,将其输出并终止辅助优化;否则继续迭代。
在本发明中,通过以下步骤选择新的样本点:
1)根据要求的序列采样数目Nr,在目标空间内生成Nr个均匀分布的参考向量;
2)将辅助优化得到的种群Pobt中所有个体根据垂直距离依附于距其最近的参考向量;
3)根据辅助优化得到的种群Pobt与样本点前沿库Arc的支配关系对禁忌列表进行更新;
4)根据更新后的禁忌列表TLP进行禁忌操作:如果任何点在禁忌列表TLP中出现的次数超过给定次数Nno,则距其最近的参考向量将被标记为禁忌向量,与它依附于同一参考向量的样本点将被删除;
5)对于未被禁忌的参考向量,从所依附的个体中选择最近的个体作为新的样本点。
在本发明中,所述禁忌列表的更新包括:若样本点前沿库Arc中某些样本点不被辅助优化得到的种群Pobt中的任何点支配,这些点将被添加到禁忌列表TLP中;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,且这些点已经在禁忌列表TLP中,则将这些点将从禁忌列表TLP中删除;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,但这些点不在禁忌列表TLP中,则不进行禁忌列表TLP的更新操作。
可以理解,预设的收敛条件是指预先设置的模型计算约束条件,用于约束模型进行性能计算的过程趋向收敛,以使模型能够输出满足条件的设计变量。本发明中可以将S7中的收敛条件设置为:迭代次数达到设定阈值。实际应用中,也可设定其他的收敛条件。
又一方面,本发明还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一喉栓式变推力固体火箭发动机喷管型面多目标优化方法的步骤。
再一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一喉栓式变推力固体火箭发动机喷管型面多目标优化方法的步骤。
与现有技术相比,本发明的优点在于:
本发明针对喉栓式喷管型面优化设计效率较低,且无法同时考虑喷管内的流动损失及喉栓需用伺服力等多个目标函数的问题,提出喉栓式变推力固体火箭发动机喷管型面多目标优化设计方法,以喉栓式喷管实际推力及需用喉栓伺服力为目标函数构建多目标优化模型,运用代理模型优化技术,实现喉栓式喷管型面多目标优化设计,显著提高设计效率。
具体地,相对于沿用或微调已有设计方案,本发明优化设计结果更加合理、可靠,且更有可能给出全局最优设计方案;相对于直接采用优化算法进行单目标优化设计,本发明能够小降低计算成本,优化效率较高,且设计结果能够保证多个目标函数同时处于较为优秀的水平;相对于将多目标聚合为单目标后应用代理模型技术进行优化设计的方法,本发明无需额外的偏好信息,且设计结果的选择具有多样性,优化效果更佳显著。
附图说明
图1是本发明一实施例的流程图;
图2为本发明一实施例中在目标空间内生成多个均匀分布的参考向量的示意图;
图3是本发明一实施例中给出的喷管及喉栓型面示意图;
图4是本发明一实施例中型面优化Pareto解集图;
图5是本发明一实施例中喉栓式喷管基准型面的流程马赫数云图;
图6是本发明一实施例中实际推力最优解所生成型面的流场马赫数云图;
图7是本发明一实施例中优化后型面的喷管出口径向速度示意图;
图8是本发明一实施例中喉栓式喷管基准型面的流场压强云图;
图9是本发明一实施例中最优需用喉栓伺服力所生成型面的流场压强云图;
图10是本发明一实施例中优化前后喉栓表面压强分布对比示意图;
图11是本发明一实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面将以附图及详细叙述清楚说明本发明所揭示内容的精神,任何所属技术领域技术人员在了解本发明内容的实施例后,当可由本发明内容所教示的技术,加以改变及修饰,其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
喉栓式变推力固体火箭发动机喷管型面多目标优化方法,包括:
S1.给定喉栓式喷管几何构型,选定多个喉栓式喷管构型参数作为设计变量,给定设计变量的设计空间,以喉栓式喷管实际推力及需用喉栓伺服力为目标函数构建第一优化模型:min:[-factual(x),fpintle(x)],其中x为设计变量,factual(x)为设计变量x对应的喉栓式喷管实际推力,fpintle(x)为设计变量x对应的喉栓式喷管需用喉栓伺服力。
可以根据实际设计需求,给定相应的喉栓式喷管几何构型。喉栓式喷管构型参数包括喷管构型参数和喉栓构型参数。喷管构型参数包括但不限于扩张段过渡圆弧半径、扩张段过渡圆弧角、喷管出口半径、喷管出口倾角以及喷管扩张段长度。喉栓构型参数包括但不限于喉栓头部长度、喉栓头体过渡圆弧半径以及喉栓头部圆弧半径。在实际设计过程中,可以选定多个喷管构型参数和多个喉栓构型参数共同作为设计变量。
在本发明一实施例中,选择扩张段过渡圆弧半径rdiv、扩张段过渡圆弧角θdrv、喷管出口半径dout、喷管出口倾角θout、喷管扩张段长度LN、喉栓头部长度LP、喉栓头体过渡圆弧半径rp1以及喉栓头部圆弧半径rp2作为设计变量,即x=[rdiv,θdrv,dout,θout,LN,LP,rp1,rp2]。
S2.采用拉丁超立方试验设计方法,在设计变量的设计空间内生成m个初始样本点,构建初始的样本集。
可以理解,关于本实施例中拉丁超立方试验设计方法本身及其应用方式的具体解释说明,可以参照本领域中设计固体火箭发动机的已有方法中的同类应用方式,进行同理理解,本说明书中不再展开赘述。
S3.计算样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力。
在本发明中,喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的计算方法,如下:
根据喉栓式喷管等效喉部面积,计算燃烧室压强;
式中,ρ为推进剂密度,c*为特征速度,a为燃速系数,Ab为燃面面积,At为喉栓式喷管等效喉部面积,n为压强指数。
以燃烧室压强为入口总压,调用CFD仿真模型计算当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,包括喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压及喷管内流场的压强分布;
根据当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,计算当前样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力。
喉栓式喷管实际推力由下式计算:
factual=qmve+Ae(pe-pa)
式中,Ae为喷管出口截面面积,pa为环境压强,qm、ve、pe分别为喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压。
喉栓式喷管需用喉栓伺服力由下式计算:
式中Sp代表喉栓表面,为上式的积分域,p为喉栓表面的喷管内流场压强分布。
S4.当前所有已计算对应喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的样本点构成当前已评估点集,获得当前已评估点集的Pareto前沿并存储于样本点前沿库Arc,作为非精确搜索算法参考值,N为当前已评估点集的Pareto前沿中点的个数。
S5.基于已有样本点分别为喉栓式喷管实际推力、喉栓式喷管需用喉栓伺服力建立Kriging模型,即喉栓式喷管实际推力Kriging模型和喉栓式喷管需用喉栓伺服力Kriging模型。
S6.采用多目标优化算法对Kriging模型进行基于非精确搜索的辅助优化,构建第二优化模型:其中为喉栓式喷管实际推力Kriging模型在设计变量x处的预测值;为喉栓式喷管需用喉栓伺服力Kriging模型在设计变量x处的预测值。
所述辅助优化,包括:
1)初始化,随机生成一定种群规模(如5m)的初始种群;
2)使用基于参考点的非支配排序方法的进化多目标优化算法(NSGA-Ⅲ)对Kriging模型进行搜索;
3)辅助优化收敛判定:对当前种群及样本点前沿库中个体进行非支配等级排序,若样本点前沿库中个体被当前种群支配的比例达到设定阈值,则当前种群即为辅助优化得到的种群Pobt,将其输出并终止辅助优化;否则继续迭代。
S7.基于辅助优化得到的种群,得到新的样本点,返回S3继续迭代,直至满足收敛条件,则终止并输出当前样本点前沿库Arc作为优化结果。
其中,通过以下步骤选择新的样本点:
1)根据要求的序列采样数目Nr,在目标空间(即喉栓式喷管实际推力及需用喉栓伺服力两个目标函数形成的空间,目标空间的横纵坐标分别为两个目标函数,)内生成Nr个均匀分布的参考向量,如图2所示;
2)将辅助优化得到的种群Pobt中所有个体根据垂直距离依附于距其最近的参考向量;
3)根据辅助优化得到的种群Pobt与样本点前沿库Arc的支配关系对禁忌列表进行更新:若样本点前沿库Arc中某些样本点不被辅助优化得到的种群Pobt中的任何点支配,这些点将被添加到禁忌列表TLP中;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,且这些点已经在禁忌列表TLP中,则将这些点将从禁忌列表TLP中删除;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,但这些点不在禁忌列表TLP中,则不进行禁忌列表TLP的更新操作;
4)根据更新后的禁忌列表TLP进行禁忌操作:如果任何点在禁忌列表TLP中出现的次数超过给定次数Non,则距其最近的参考向量将被标记为禁忌向量,与它依附于同一参考向量的样本点将被删除;
5)对于未被禁忌的参考向量,从所依附的个体中选择最近的个体作为新的样本点。
可以理解,预设的收敛条件是指预先设置的模型计算约束条件,用于约束模型进行性能计算的过程趋向收敛,以使模型能够输出满足条件的设计变量。本发明中可以将S7中的收敛条件设置为:CFD仿真模型调用的次数达到设定的最大调用次数,即当CFD仿真模型调用的次数达到设定的最大调用次数,则输出当前样本点前沿库Arc作为优化结果。当然,实际应用中,也可设定其他的收敛条件。
下面以某变推力固体火箭发动机喉栓式喷管为例,利用本发明提供的喉栓式变推力固体火箭发动机喷管型面多目标优化方法进行优化设计,步骤如下:
1)案例所给喉栓式喷管几何构型及设计参数如图3所示,其中基准构型及设计变量取值范围表1所示;发动机工作参数如表2所示;
2)采用优化拉丁超立方设计方法在设计空间内生成20个初始样本点;
3)对于每个样本点,建立其喉栓式喷管的几何模型并计算该构型条件下的燃烧室压强;
4)以燃烧室压强为入口总压,调用CFD仿真模型分别计算实际推力及需用喉栓伺服力;
5)建立或更新样本点前沿库Arc作为非精确搜索算法参考值,并根据采样点分别为实际推力及需用喉栓伺服力建立Kriging模型;
6)基于非精确搜索算法,采样多目标进化算法搜索新的样本点;
7)调用CFD模型计算新生成样本点的实际推力及需用喉栓伺服力;
8)收敛判定:若真实模型调用次数大于设定的最大调用次数(本案例中最大调用次数设定为168),则终止优化算法并输出最优解;否则合并样本点后继续迭代优化。
表1设计变量取值范围及基准构型
表2变推力发动机工作参数
变推力固体火箭发动机喉栓式喷管型面多目标优化设计结果Pareto最优解如图4所示,相较与基准外形,喉栓式喷管最优实际推力增加1.94%,最小需用喉栓伺服力可减小17.96%。为比较优化结果,分别选择实际推力最优解(即Pareto前沿左上角最优解)、需用喉栓伺服力最优解(即Pareto前沿左上角最优解)的两种型面设计方案与基准外形进行比较,其设计参数取值及目标函数值如表3所示。
表3优化结果对比
图5和图6给出喉栓式喷管基准型面及实际推力最优解所生成型面的流场马赫数云图,可以看出,优化后型面内流场结构明显改善。某种程度上,发动机的流动损失与径向速度成正相关,由图5可知,优化后型面径向速度明显减小,因此其流动损失减小,实际推力增大。
图6和图7给出喉栓式喷管基准型面及最优需用喉栓伺服力所生成型面的流场压强云图。同时,图8和图9给出优化前后喉栓表面的压强分布。可以看出,优化后喉栓表面压强减小,在其直径不变的条件下,喉栓所受气动力减小,则需用喉栓伺服力减小。
在本一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述喉栓式变推力固体火箭发动机喷管型面多目标优化方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中喉栓式变推力固体火箭发动机喷管型面多目标优化方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中喉栓式变推力固体火箭发动机喷管型面多目标优化方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,包括:
S1.给定喉栓式喷管几何构型,选定多个喉栓式喷管构型参数作为设计变量,给定设计变量的设计空间,以喉栓式喷管实际推力及需用喉栓伺服力为目标函数构建第一优化模型:min:[-factual(x),fpintle(x)],其中x为设计变量,factual(x)为设计变量x对应的喉栓式喷管实际推力,fpintle(x)为设计变量x对应的喉栓式喷管需用喉栓伺服力;
S2.采用拉丁超立方试验设计方法,在设计变量的设计空间内生成一系列的样本点,构建样本集;
S3.计算样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力;
S4.当前所有已计算对应喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的样本点构成当前已评估点集,获得当前已评估点集的Pareto前沿,并存储于样本点前沿库,作为非精确搜索算法参考值;
S5.基于已有样本点分别为喉栓式喷管实际推力、喉栓式喷管需用喉栓伺服力建立Kriging模型;
S6.采用多目标优化算法对Kriging模型进行基于非精确搜索的辅助优化,构建辅助优化模型:min:其中为喉栓式喷管实际推力Kriging模型在设计变量x处的预测值;为喉栓式喷管需用喉栓伺服力Kriging模型在设计变量x处的预测值;
S7.基于辅助优化得到的种群,得到新的样本点,返回S3继续迭代,直至满足收敛条件,则终止并输出当前样本点前沿库作为优化结果。
2.根据权利要求1所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于:喉栓式喷管构型参数包括喷管构型参数和喉栓构型参数,喷管构型参数包括扩张段过渡圆弧半径、扩张段过渡圆弧角、喷管出口半径、喷管出口倾角以及喷管扩张段长度;喉栓构型参数包括喉栓头部长度、喉栓头体过渡圆弧半径以及喉栓头部圆弧半径,选定一个以上的喷管构型参数和一个以上的喉栓构型参数作为设计变量。
3.根据权利要求1所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力的计算方法,如下:
根据喉栓式喷管等效喉部面积,计算燃烧室压强;
以燃烧室压强为入口总压,调用CFD仿真模型计算当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,包括喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压及喷管内流场的压强分布;
根据当前样本点对应的喉栓式喷管型面构型下喷管内的流场数据,计算当前样本点对应的喉栓式喷管实际推力以及喉栓式喷管需用喉栓伺服力。
5.根据权利要求3所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,喉栓式喷管实际推力由下式计算:
factual=qmve+Ae(pe-pa)
式中,Ae为喷管出口截面面积,pa为环境压强,qm、ve、pe分别为喷管质量流量、喷管出口截面平均排气速度、喷管出口截面平均静压。
7.根据权利要求1至6中任一项所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,辅助优化,包括:
1)初始化,随机生成初始种群;
2)使用基于参考点的非支配排序方法的进化多目标优化算法对Kriging模型进行搜索;
3)辅助优化收敛判定:对当前种群及样本点前沿库中个体进行非支配等级排序,若样本点前沿库中个体被当前种群支配的比例达到阈值,则当前种群即为辅助优化得到的种群Pobt,将其输出并终止辅助优化;否则继续迭代。
8.根据权利要求7所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,通过以下步骤选择新的样本点:
1)根据要求的序列采样数目Nr,在目标空间内生成Nr个均匀分布的参考向量;
2)将辅助优化得到的种群Pobt中所有个体根据垂直距离依附于距其最近的参考向量;
3)根据辅助优化得到的种群Pobt与样本点前沿库Arc的支配关系对禁忌列表进行更新;
4)根据更新后的禁忌列表TLP进行禁忌操作:如果任何点在禁忌列表TLP中出现的次数超过给定次数,则距其最近的参考向量将被标记为禁忌向量,与它依附于同一参考向量的样本点将被删除;
5)对于未被禁忌的参考向量,从所依附的个体中选择最近的个体作为新的样本点。
9.根据权利要求3所述的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,禁忌列表的更新包括:若样本点前沿库Arc中某些样本点不被辅助优化得到的种群Pobt中的任何点支配,这些点将被添加到禁忌列表TLP中;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,且这些点已经在禁忌列表TLP中,则将这些点将从禁忌列表TLP中删除;若样本点前沿库Arc中的某些点被辅助优化得到的种群Pobt中的点所支配,但这些点不在禁忌列表TLP中,则不进行禁忌列表TLP的更新操作。
10.根据权利要求1所述的的喉栓式变推力固体火箭发动机喷管型面多目标优化方法,其特征在于,S7中的收敛条件为:迭代次数达到设定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144474.XA CN113779704B (zh) | 2021-09-28 | 2021-09-28 | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144474.XA CN113779704B (zh) | 2021-09-28 | 2021-09-28 | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779704A CN113779704A (zh) | 2021-12-10 |
CN113779704B true CN113779704B (zh) | 2022-08-19 |
Family
ID=78854043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144474.XA Active CN113779704B (zh) | 2021-09-28 | 2021-09-28 | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779704B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372373B (zh) * | 2022-01-12 | 2022-09-23 | 中国人民解放军国防科技大学 | 变推力固体发动机总体参数多目标优化设计方法 |
CN114200843B (zh) * | 2022-02-15 | 2022-04-19 | 中国人民解放军国防科技大学 | 喉栓式固体姿轨控推力快速预示方法 |
CN116776748B (zh) * | 2023-08-18 | 2023-11-03 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528441B (zh) * | 2021-02-18 | 2021-04-27 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机总体参数设计方法、装置和设备 |
CN113255082B (zh) * | 2021-06-21 | 2021-09-21 | 中国人民解放军国防科技大学 | 变推力固体发动机喉栓喷管型面一体化优化设计方法 |
-
2021
- 2021-09-28 CN CN202111144474.XA patent/CN113779704B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113779704A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779704B (zh) | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 | |
CN112528441B (zh) | 喉栓式变推力发动机总体参数设计方法、装置和设备 | |
CN111783251B (zh) | 一种固体火箭发动机总体参数设计方法 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
US9952566B2 (en) | Method for controlling and/or regulating a technical system in a computer-assisted manner | |
CN112818469B (zh) | 固体火箭发动机映射设计方法、装置和设备 | |
CN112434382B (zh) | 固体火箭发动机分段双燃速装药燃面确定方法及系统 | |
CN111024085A (zh) | 一种具有端点方向和时间约束的无人机航迹规划方法 | |
CN113255082B (zh) | 变推力固体发动机喉栓喷管型面一体化优化设计方法 | |
CN114926026B (zh) | 一种多维特征深度学习的目标分配优化方法 | |
CN114372373B (zh) | 变推力固体发动机总体参数多目标优化设计方法 | |
CN112729024A (zh) | 一种导弹助推段控制参数智能调节方法和系统 | |
CN116738583B (zh) | 固体火箭发动机装药构型约束设计方法 | |
CN116776748B (zh) | 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法 | |
CN117606295A (zh) | 变掠翼制导火箭弹弹道多目标优化方法 | |
CN112861378B (zh) | 一种基于改进灰狼算法的助推段飞行程序优化方法和装置 | |
CN115496008A (zh) | 基于多目标子问题优化的内收缩基准流场设计方法和装置 | |
Shahpar et al. | Large scale optimization of transonic axial compressor rotor blades | |
CN112507469B (zh) | 固体火箭发动机燃烧室绝热层设计方法 | |
CN114021492A (zh) | 一种基于神经网络的超临界翼型抖振优化方法 | |
CN113569319A (zh) | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 | |
JP2022529770A (ja) | 内燃エンジンコントローラー | |
CN111274733A (zh) | 数据处理方法、数据处理装置、空调系统和存储介质 | |
CN118095143A (zh) | 一种燃烧室燃烧稳定性的快速优化方法 | |
CN114580085B (zh) | 基于代理模型的多次出入水航行器头部外形优化方法 |
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 |