CN113971320B - 一种冲压发动机推力性能的实时优化方法 - Google Patents
一种冲压发动机推力性能的实时优化方法 Download PDFInfo
- Publication number
- CN113971320B CN113971320B CN202111201367.6A CN202111201367A CN113971320B CN 113971320 B CN113971320 B CN 113971320B CN 202111201367 A CN202111201367 A CN 202111201367A CN 113971320 B CN113971320 B CN 113971320B
- Authority
- CN
- China
- Prior art keywords
- frog
- thrust
- air inlet
- population
- ramjet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000007800 oxidant agent Substances 0.000 description 3
- 230000001590 oxidative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种冲压发动机推力性能的实时优化方法,包括以冲压发动机各进气口的进气口位置以及进气口入射角度构建多维度优化空间,采用拉丁超立方设计方法构建样本,以CFD方法计算推力并构造RBF神经网络近似预测模型,采用蛙跳算法优化,在全局搜索时以RBF神经网络计算个体适应度值。本发明使发动机在实际复杂工况下实时调整进气口的位置与入射角度,满足发动机在实际运行过程中实时优化冲压发动机的推力。
Description
技术领域
本发明涉及一种实时优化冲压发动机性能的方法,特别是涉及一种冲压发动机推力性能的实时优化方法。
背景技术
冲压发动机是空气喷气发动机的一种,空气的压缩是通过进气道对高速气流进行冲压来实现的,构造简单,成本低。因而其具有非常广泛的应用前景,可用于各种导弹,炮弹以及空间飞行器。冲压发动机中的氧化剂由环形布置的进气口提供,高速来流经进气口压缩后与燃烧室内的燃料混合燃烧,从而产生推力。其中进气口的位置与入射角度会对氧化剂与燃料的掺混效率产生重要的影响,而燃料的掺混效率又会对燃烧过程产生影响,进而会影响冲压发动机推力的产生。然而现有技术主要通过试验研究以提高冲压发动机的推力。通过对冲压发动机各个结构参数进行排列组合试验,从中选取最优的组合。由于冲压发动机各个结构参数和发动机推力之间呈现出非常复杂的非线性关系,因此,盲目的对结构参数进行选择和分析并不能合理的获得最大推力。此外,在优化过程中,基于CFD技术的数值模拟计算时间长,在冲压发动机实际运行过程中,不能等待数值模拟的计算结果再进行优化、调整。
发明内容
针对上述现有技术的缺陷,本发明提供了一种冲压发动机推力性能的实时优化方法,解决CFD技术计算时间长,无法实时优化冲压发动机推力的问题。
本发明技术方案如下:一种冲压发动机推力性能的实时优化方法,包括以下步骤:
S1、以冲压发动机各进气口的位置以及进气口入射角度构建多维度优化空间;
S2、构建RBF神经网络并进行训练得到RBF预测模型;
S3、采用蛙跳算法实时优化,具体包括:
S3-0、设定一时间长度Time,并开始计时,同时初始化种群参数,设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数Tmax。
S3-1、随机生成一个由m*n只青蛙组成的种群S(t),m为子种群数目,n为每个子种群中的青蛙个数,每个青蛙个体包括冲压发动机各进气口的进气口位置以及进气口入射角度;
S3-2、将S(t)经过归一化后作为待预测集合,采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体sj在不同进气口位置和入射角度下的推力Fj;
S3-3、将冲压发动机的推力的倒数作为适应度值大小来评价每个青蛙的好坏;
S3-4、根据FF的大小对m*n个青蛙个体进行降序排列,生成降序排列种群Z(t),然后将所述降序排列种群Z(t)中的所有青蛙依次分配到m个子种群中,生成新种群R(t)=(R1,R2,…,Ro,…,Rm),其中每个所述子种群Ro,o∈[1,…,m]包含n个青蛙个体;
S3-5、采用随机权重策略调整每个所述子种群Ro中FF最大的青蛙的位置,对青蛙个体进行进化更新以更新所述新种群R(t);
S3-6、以S3-2同样方法计算所述更新后的新种群的适应度值大小,更新整个种群中FF最小的青蛙个体;
S3-7、令t=t+1,重复步骤S3-4至S3-7,直到t=Tmax时停止计算,根据FF最小的青蛙个体分别调整发动机的进气口位置和进气口入射角度;
S3-8、当计时达到Time时,返回步骤S3-1继续进行优化,直至发动机停止工作。
进一步地,所述步骤S3-5具体包括以下步骤:
S3-5.1、令a=1,a∈[1,m],依次对m个子种群进行迭代更新操作;
S3-5.2、令b=1,b∈[1,ξ],对每个子种群进行最大次数为ξ的迭代更新;
S3-5.3、在每个Ro中,Qb表示推力最小的青蛙个体,Qw表示推力最大的青蛙个体。Qg表示整个种群R(t)中推力最小的青蛙个体。采用如下公式替换推力最大的Qw个体位置,以提高个体的品质:
Dj(t+1)=r1*(Qb-Qw)
Qw(t+1)=Qw(t)+Dj(t+1)
其中,r1为0到1之间的随机数;
S3-5.4、调整青蛙个体位置后,重新计算青蛙个体的适应度值FF,然后对比青蛙个体适应度值大小,如果能够获得推力更小的青蛙个体,就用该青蛙的位置取代推力最大的青蛙个体Qw;
S3-5.5、如果不能找到,用Qg取代Qb青蛙个体,返回步骤S3-5.3继续迭代计算。如果迭代过程中均不能获得推力更小的青蛙个体,则随机生成一个新青蛙个体取代Qw。令b=b+1,重复步骤S3-5.3至S3-5.5,直到b=ξ;
S3-5.6、令a=a+1,重复步骤S3-5.2至S3-5.6,直到a=m,以达到对每个子种群均进行进化的目的。通过以上进化操作后,生成新种群。
进一步地,步骤S2、构建RBF神经网络并进行训练得到RBF预测模型,具体包括;
S2-1、采用拉丁超立方设计方法在该空间构建ψ个样本SS=(ss1,ss2,…,ssk,…,ssψ),每个ssk包括发动机各进气口的进气口位置以及进气口入射角度;
S2-2、采用CFD方法计算每个样本ssk的推力大小Fk,并构成样本集合SSS=(sss1,sss2,…,sssk,…,sssψ),每个sssk包括发动机各进气口的进气口位置、进气口入射角度以及对应推力Fk;
S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据;
S2-4、计算RBF神经网络的预测输出;
S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差是否不超过限值,如为是,得到RBF预测模型,如为否,进入步骤S2-6;
S2-6、采用梯度下降方法更新RBF神经网络的连接权值和节点中心,然后返回到步骤S2-4。
进一步地,所述CFD方法获得的样本推力和RBF预测输出值之间的误差为yk为采用RBF方法得到的第k个节点实际输出推力值,所述限值不大于0.0001。
与现有技术相比,本发明所提供的技术方案的优点在于:本发明根据冲压发动机进气口的位置与入射角度调整出口处的推力以达到最佳。采用拉丁超立方设计方法和CFD方法构建一系列样本模型数据,RBF方法能够精确的对冲压发动机这种非线性实时优化问题进行数据拟合,在保证了计算效率的同时,提高了计算精度。采用RBF网络对样本数据学习,并构建合适的近似模型,采用蛙跳算法和RBF近似模型相结合对发动机进气口的位置与入射角度进行实时监控和优化,缩短优化计算时间,能够满足发动机在实际运行过程中,不断对外界复杂工况的变化进行实时调整,有效的得到冲压发动机在不同时刻、不同工况下的最佳推力。
附图说明
图1为冲压发动机结构示意图。
图2为冲压发动机进气口位置与入射角度分布示意图。
图3为冲压发动机推力性能的实时优化方法流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
请结合图1及图2所示,冲压发动机由环向布置的4个进气口提供燃烧所需要的氧化剂,进气口轴线与冲压发动机轴线交点至冲压发动机的头端距离为L,进气口轴线与冲压发动机轴线的角度为α。
本实施例涉及的冲压发动机推力性能的实时优化方法的优化目标为冲压发动机出口处的推力F最大。设计变量一共包括八个参数,分别为:4个进气口位置L1、L2、L3、L4,进气口位置是进气口轴线与冲压发动机轴线交点至冲压发动机的头端距离。4个进气口入射角度α1、α2、α3、α4,进气口入射角度为进气口轴线与冲压发动机轴线的角度。这8个设计变量的范围由发动机结构技术参数确定。
请结合图3所示,冲压发动机推力性能的实时优化方法的具体步骤如下:
S1、选择前述八个参数构建多维度优化空间,即优化参数为L1、L2、L3、L4、α1、α2、α3、α4。
S2、构建RBF神经网络近似预测模型,具体包括:
S2-1、采用拉丁超立方设计方法在该多维度优化空间构建ψ个样本SS=(ss1,ss2,…,ssk,…,ssψ),其中ssk=(ssk,1,ssk,2,ssk,3,ssk,4,ssk,5,ssk,6,ssk,7,ssk,8),ssk,1表示第一个进气口位置L1,ssk,2表示第二个进气口位置L2,ssk,3表示第三个进气口位置L3,ssk,4表示第四个进气口位置L4,ssk,5表示第一个入射角度α1,ssk,6表示第二个入射角度α2,ssk,7表示第三个入射角度α3,ssk,8表示第四个入射角度α4。
S2-2、采用CFD方法计算每个样本ssk的推力大小Fk,并构成样本集合SSS=(sss1,sss2,…,sssk,…,sssψ),其中sssk=(ssk,1,ssk,2,ssk,3,ssk,4,ssk,5,ssk,6,ssk,7,ssk,8,Fk),该计算过程为:
S2-2.1、对冲压发动机进行建模并划分网格;
S2-2.2、使用如下控制方程计算各个网格内的物理量:
控制方程:假设流体计算域内热力学平衡;不考虑热辐射与质量力的作用;连续相扩散使用双组元气体模型。对于每一种组分i,该组分的N-S方程守恒形式如式(1)所示:
式中:
其中下标i=1,2,…,N表示各个组分,ρi为各组分流体的密度,u,v,w为速度在坐标轴X,Y,Z方向的分量,wi为组分i的质量生成率,Sm,Su,Sv,Sw,Sh为气相与固相相互作用项与化学反应源项,τij为粘性应力张量,其中Di为组分i的质量扩散系数,Yi为组分i的质量分数。
qx,qy,qz分别为X,Y,Z方向上由于流体扩散与导热产生的能量通量:
其中k为导热系数,T为温度,h为焓值。
燃烧模型:使用涡耗散模型,产物生成速率等于式(2)、式(3)中计算出的较小的速率:
其中Yp为任何产物组分p的质量分数,为该反应中反应物/>的质量分数,A、B分别为经验常数,一般分别取4.0和0.5,k/ε是大涡混合时间标尺度,Mw,i为组分i的摩尔质量。
S2-2.3、使用经典SIMPLE算法对所有网格进行迭代求解,最终得到所有网格处的压力、温度、速度、密度。对出口处网格使用如下公式求得第k个个体出口处推力:
式中:vk为出口处速度;pk为出口处压力;pbk为出口环境压力;入口处单位面积上的总质量流率;Ak为出口处截面积。
S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据。
S2-4、RBF神经网络的预测输出为:
式中,yk为采用RBF方法得到的第k个节点实际输出推力值,wik为隐含层到输出层之间的连接权值,sssj为第j个输入样本,ci为第i个隐含层节点的中心,σ为高斯函数的方差。
S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差:yk为采用RBF方法得到的第k个节点实际输出推力值。如果满足要求,即可得到RBF预测模型,如果不满足要求,进入步骤S2-6。
S2-6、采用梯度下降方法更新连接权值wik和节点中心ci,然后返回到步骤2-4。
S3、采用蛙跳算法进行实时优化,具体过程如下:
S3-0、设定一时间长度Time,令Time=1min(该时间长短设置决定实时优化的频率),并进行计时,同时初始化种群参数,设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数Tmax及相关参数。
S3-1、随机生成一个由m*n只青蛙组成的种群S(t)=(s1,s2,…,sk,…,sm*n),t≤Tmax,第j个青蛙个体sj=(sj,1,sj,2,sj,3,sj,4,sj,5,sj,6,sj,7,sj,8)。sj,1表示第j个青蛙个体第一个进气口位置L1,sj,2表示第j个青蛙个体第二个进气口位置L2,sj,3表示第j个青蛙个体第三个进气口位置L3,sj,4表示第j个青蛙个体第四个进气口位置L4,sj,5表示第j个青蛙个体第一个入射角度α1,sj,6表示第j个青蛙个体第二个入射角度α2,sj,7表示第j个青蛙个体第三个入射角度α3,sj,8表示第j个青蛙个体第四个入射角度α4;
S3-2、将S(t)经过归一化后作为待预测集合,采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体sj在不同进气口位置和入射角度下的推力Fj;
S3-3、将冲压发动机的推力的倒数FF
作为适应度值大小来评价每个青蛙的好坏。
S3-4、根据FF的大小对m*n个青蛙个体进行降序排列,生成降序排列种群Z(t),然后将种群中的所有青蛙依次分配到m个子种群中,生成新种群R(t)=(R1,R2,…,Ro,…,Rm),其中每个所述子种群Ro,o∈[1,…,m]包含n个青蛙个体。
S3-5、对每个子种群Ro进行进化更新操作,从而改善子种群中青蛙的位置,具体进化更新操作如下步骤:
S3-5.1、令a=1,a∈[1,m],依次对m个子种群进行迭代更新操作;
S3-5.2、令b=1,b∈[1,ξ],对每个子种群进行最大次数为ξ的迭代更新;
S3-5.3、在每个Ro中,Qb表示推力最小的青蛙个体,Qw表示推力最大的青蛙个体。Qg表示整个种群R(t)中推力最小的青蛙个体。采用如下公式替换推力最大的Qw个体位置,以提高个体的品质:
Dj(t+1)=r1*(Qb-Qw)
Qw(t+1)=Qw(t)+Dj(t+1)
其中,r1为0到1之间的随机数;
S3-5.4、调整青蛙个体位置后,重新计算青蛙个体的适应度值FF,然后对比青蛙个体适应度值大小,如果能够获得推力更小的青蛙个体,就用该青蛙的位置取代推力最大的青蛙个体Qw;
S3-5.5、如果不能找到,用Qg取代Qb青蛙个体,返回步骤S3-5.3继续迭代计算。如果迭代过程中均不能获得推力更小的青蛙个体,则随机生成一个新青蛙个体取代Qw。令b=b+1,重复步骤S3-5.3至S3-5.5,直到b=ξ;
S3-5.6、令a=a+1,重复步骤S3-5.2至S3-5.6,直到a=m,以达到对每个子种群均进行进化的目的。通过以上进化操作后,生成新种群。
S3-6、对步骤S3-5进化更新后的新种群以S3-2、S3-3同样方法计算适应度值大小,更新整个种群中推力最小的青蛙个体Qg。
S3-7、令t=t+1,重复步骤S3-4至S3-7,直到t=Tmax时停止计算,输出推力最小的青蛙个体,并根据该个体对应的参数分别调整发动机的进气口位置和入射角度。
S3-8、当计时达到Time时即达到1min时,返回步骤S3-1继续进行优化,直至发动机停止工作。
Claims (5)
1.一种冲压发动机推力性能的实时优化方法,其特征在于,包括以下步骤:
S1、以冲压发动机各进气口的进气口位置以及进气口入射角度构建多维度优化空间;
S2、构建RBF神经网络并进行训练得到RBF预测模型;
S3、采用蛙跳算法实时优化,具备包括:
S3-0、设定一时间长度Time,并开始计时,同时初始化种群参数,设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数Tmax
S3-1、随机生成一个由m*n只青蛙组成的种群S(t),m为子种群数目,n为每个子种群中的青蛙个数,每个青蛙个体包括冲压发动机各进气口的进气口位置以及进气口入射角度;
S3-2、将S(t)经过归一化后作为待预测集合,采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体sj在不同进气口位置和入射角度下的推力Fj;
S3-3、将冲压发动机的推力的倒数作为适应度值大小来评价每个青蛙的好坏;
S3-4、根据FF的大小对m*n个青蛙个体进行降序排列,生成降序排列种群Z(t),然后将所述降序排列种群Z(t)中的所有青蛙依次分配到m个子种群中,生成新种群R(t)=(R1,R2,…,Ro,…,Rm),其中每个所述子种群Ro,o∈[1,…,m]包含n个青蛙个体;
S3-5、采用随机权重策略调整每个所述子种群Ro中FF最大的青蛙的位置,对青蛙个体进行进化更新以更新所述新种群R(t);
S3-6、以S3-2同样方法计算所述更新后的新种群的适应度值大小,更新整个种群中FF最小的青蛙个体;
S3-7、令t=t+1,重复步骤S3-4至S3-7,直到t=Tmax时停止计算,根据FF最小的青蛙个体分别调整发动机的进气口位置和进气口入射角度;
S3-8、当计时达到Time时,返回步骤S3-1继续进行优化,直至发动机停止工作。
2.根据权利要求1所述的冲压发动机推力性能的实时优化方法,其特征在于,所述步骤S3-5具体包括以下步骤:
S3-5.1、令a=1,a∈[1,m],依次对m个子种群进行迭代更新操作;
S3-5.2、令b=1,b∈[1,ξ],对每个子种群进行最大次数为ξ的迭代更新;
S3-5.3、在每个Ro中,Qb表示推力最小的青蛙个体,Qw表示推力最大的青蛙个体,Qg表示整个种群R(t)中推力最小的青蛙个体,采用如下公式替换推力最大的Qw个体位置:
Dj(t+1)=r1*(Qb-Qw)
Qw(t+1)=Qw(t)+Dj(t+1)
其中,r1为0到1之间的随机数;
S3-5.4、调整青蛙个体位置后,重新计算青蛙个体的适应度值FF,然后对比青蛙个体适应度值大小,如果能够获得推力更小的青蛙个体,就用该青蛙的位置取代推力最大的青蛙个体Qw;
S3-5.5、如果不能找到,用Qg取代Qb青蛙个体,返回步骤S3-5.3继续迭代计算,如果迭代过程中均不能获得推力更小的青蛙个体,则随机生成一个新青蛙个体取代Qw,令b=b+1,重复步骤S3-5.3至S3-5.5,直到b=ξ;
S3-5.6、令a=a+1,重复步骤S3-5.2至S3-5.6,直到a=m,生成新种群。
3.根据权利要求1所述的冲压发动机推力性能的实时优化方法,其特征在于,所述步骤S2、构建RBF神经网络并进行训练得到RBF预测模型,具体包括,
S2-1、采用拉丁超立方设计方法在该空间构建ψ个样本SS=(ss1,ss2,…,ssk,…,ssψ),每个ssk包括发动机各进气口的进气口位置以及进气口入射角度;
S2-2、采用CFD方法计算每个样本ssk的推力大小Fk,并构成样本集合SSS=(sss1,sss2,…,sssk,…,sssψ),每个sssk包括发动机各进气口的进气口位置、进气口入射角度以及对应推力Fk;
S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据;
S2-4、计算RBF神经网络的预测输出;
S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差是否不超过限值,如为是,得到RBF预测模型,如为否,进入步骤S2-6;
S2-6、采用梯度下降方法更新RBF神经网络的连接权值和节点中心,然后返回到步骤S2-4。
4.根据权利要求3所述的冲压发动机推力性能的实时优化方法,其特征在于,所述CFD方法获得的样本推力和RBF预测输出值之间的误差为yk为采用RBF方法得到的第k个节点实际输出推力值。
5.根据权利要求4所述的冲压发动机推力性能的实时优化方法,其特征在于,所述限值不大于0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201367.6A CN113971320B (zh) | 2021-10-15 | 2021-10-15 | 一种冲压发动机推力性能的实时优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201367.6A CN113971320B (zh) | 2021-10-15 | 2021-10-15 | 一种冲压发动机推力性能的实时优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971320A CN113971320A (zh) | 2022-01-25 |
CN113971320B true CN113971320B (zh) | 2024-04-26 |
Family
ID=79587461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201367.6A Active CN113971320B (zh) | 2021-10-15 | 2021-10-15 | 一种冲压发动机推力性能的实时优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971320B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN109460626A (zh) * | 2018-12-06 | 2019-03-12 | 北京空天技术研究所 | 冲压发动机性能参数计算方法 |
CN110834625A (zh) * | 2019-11-11 | 2020-02-25 | 常熟理工学院 | 一种自适应异步粒子群的双电耦合燃料电池汽车能效优化方法 |
CN112861436A (zh) * | 2021-02-18 | 2021-05-28 | 天津大学 | 一种发动机排放实时预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180285497A1 (en) * | 2017-03-31 | 2018-10-04 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Numerical Modeling and Performance Analysis of a Scramjet Engine with a Controllable Waverider Inlet Design |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
-
2021
- 2021-10-15 CN CN202111201367.6A patent/CN113971320B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN109460626A (zh) * | 2018-12-06 | 2019-03-12 | 北京空天技术研究所 | 冲压发动机性能参数计算方法 |
CN110834625A (zh) * | 2019-11-11 | 2020-02-25 | 常熟理工学院 | 一种自适应异步粒子群的双电耦合燃料电池汽车能效优化方法 |
CN112861436A (zh) * | 2021-02-18 | 2021-05-28 | 天津大学 | 一种发动机排放实时预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113971320A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zare et al. | Frequency-based design of a free piston Stirling engine using genetic algorithm | |
US20220309122A1 (en) | Iterative algorithm for aero-engine model based on hybrid adaptive differential evolution | |
Johnson et al. | Genetic algorithm optimization of a high-pressure turbine vane pressure side film cooling array | |
CN116049977B (zh) | 一种航空发动机燃烧室的参数多目标优化方法 | |
Bhalla et al. | Compact representation of a multi-dimensional combustion manifold using deep neural networks | |
Shuang et al. | An adaptive compressor characteristic map method based on the Bezier curve | |
Chen et al. | Knowledge-based turbomachinery design system via a deep neural network and multi-output Gaussian process | |
Altuntas et al. | Exergoeconomic environmental optimization of piston-prop aircraft engines | |
CN113971320B (zh) | 一种冲压发动机推力性能的实时优化方法 | |
Scherding et al. | Data-driven framework for input/output lookup tables reduction: Application to hypersonic flows in chemical nonequilibrium | |
Bhattacharya et al. | Artificial intelligence-machine learning algorithms for the simulation of combustion thermal analysis | |
Ibrahem et al. | Neural Networks Modelling of Aero-derivative Gas Turbine Engine: A Comparison Study. | |
KR102266279B1 (ko) | 비정상상태를 구현하기 위한 차수 감축 모델 구축 방법 | |
Sastre et al. | Method to solve redundant inverse problems based on a latent semantic analysis approach. application to an aerojet engine | |
CN113761689B (zh) | 一种空气动力发动机多参数耦合优化方法及系统 | |
CN113536592B (zh) | 一种基于混沌粒子群算法的冲压发动机推力性能优化方法 | |
CN114519299A (zh) | 一种一体化支板火焰稳定器双层壁结构的多目标优化方法 | |
Chen et al. | Optimization of turbine cold-end system based on BP neural network and genetic algorithm | |
Meibody et al. | Adaptive surrogate modelling algorithm for meta-model-based design optimisation | |
Mak et al. | An efficient surrogate model of large eddy simulations for design evaluation and physics extraction | |
Zhang et al. | Optimization of cycle parameters of variable cycle engine based on response surface model | |
Zanjani et al. | Shape optimization and flow analysis of supersonic nozzles using deep learning | |
Kuznetsova et al. | Solving the problem of incomplete information about an automatic control object based on real-time virtual sensors | |
Yang et al. | Deep-learning-based reduced-order modeling to optimize recuperative burner operating conditions | |
Li et al. | Combustion Tuning for a Gas Turbine Power Plant Using Data-Driven and Machine Learning Approach |
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 |