CN114169218A - 一种应用于罗茨式动力机的混合式优化方法 - Google Patents
一种应用于罗茨式动力机的混合式优化方法 Download PDFInfo
- Publication number
- CN114169218A CN114169218A CN202111290143.7A CN202111290143A CN114169218A CN 114169218 A CN114169218 A CN 114169218A CN 202111290143 A CN202111290143 A CN 202111290143A CN 114169218 A CN114169218 A CN 114169218A
- Authority
- CN
- China
- Prior art keywords
- optimal
- optimization
- algorithm
- variable
- setting
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000002922 simulated annealing Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 239000002918 waste heat Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种应用于罗茨式动力机的混合式优化方法，利用粒子群和模拟退火混合优化算法对罗茨式动力机叶片参数进行优化，包括如下步骤：(一)初始化：初始化种群根据仿真数据设定维度，然后对定值进行定义并赋值。通过采用本发明设计的优化方法，通采用优化模型判别器来选定粒子群算法和模拟退火算法混合优化算法对叶片参数进行优化，通过粒子群算法使所有粒子在多维超体中找到最优解，它通过追随当前搜索到的最优值来寻找全局最优，通过模拟退火算法进行二次优化，用来弥补粒子群算法陷入局部最优解的不足，从而对泄压口数量、大小、位置、叶片啮合点与轴中心的距离、叶片齿数、叶片齿间空隙等模型参数进行优化。
Description
技术领域
本发明涉及罗茨式动力机技术领域，具体为一种应用于罗茨式动力机的混合式优化方法。
背景技术
利用混合式优化算法优化叶片参数。在罗茨式动力机领域，优化动力机叶片参数，提高动力机性能指标；在能源回收领域，设计新型蒸汽动力机，有利于提高能源的回收效率。
在传统的余热发电技术及其动力设备主要是以余热锅炉和汽轮机组成的发电系统为主，该系统过于庞大，适用于中高温余热的回收，而对于低温余热的回收具有较低的经济效益。目前，各高校科研机构的余热发电系统多以螺杆膨胀机和涡旋式膨胀机为核心动力设备而这方面的研究多采用对现有机型的探索、研究和改进，如热传导介质的研究、加强密封、增进润滑、结构优化设计等。但是，这些技术在中低温余热回收方面存在明显的不足，主要表现在其核心设备结构复杂、加工成本高、维护不方便、运行成本高等明显缺点，导致这些技术和装备在中低温余热利用系统中应用不广泛，也就无法满足中小企业对于节能技术的需求。
新型罗茨式动力机在中低温余热资源的回收系统中具有明显的技术优势：一是罗茨式动力机有良好的几何对称性能，能保持运行稳定；二是由于每个转子只有几个叶片，因而有较大的气腔容积，使输出功率和扭矩较大；三是其结构，尤其是与其它膨胀机的机械结构相比较简单，其运行成本将大大降低。故对于大功率大扭矩的动力装置，因此，新型罗茨式蒸汽动力机则是余热发电装置动力机的一种最佳选择。本项目拟针对低浓度瓦斯能源的回收利用的技术需求，开展新型罗茨式动力机的研发。
优化方法的各态历经特性会影响优化的质量，这里采用优化模型判别器来选定粒子群算法(Particle Swarm Optimization，PSO)和模拟退火算法(Simulated Annealing，SA)混合优化算法对叶片参数进行优化。PSO算法的目标是使所有粒子在多维超体(Multi-dimensional Hyper-volume)中找到最优解，它通过追随当前搜索到的最优值来寻找全局最优，但是该算法会产生早熟收敛并被证明算法不是全局收敛未加权重，收敛速度快且容易陷入局部最优解，因此再选用SA算法进行二次优化，SA算法是全局寻优用来弥补PSO算法陷入局部最优解的不足。
发明内容
本发明的目的在于提供一种应用于罗茨式动力机的混合式优化方法，用于解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：一种应用于罗茨式动力机的混合式优化方法，利用粒子群和模拟退火混合优化算法对罗茨式动力机叶片参数进行优化，包括如下步骤：
(一)初始化：
初始化种群根据仿真数据设定维度，然后对定值进行定义并赋值，初始化叶片数，可变参数的范围(仿真数据的最大值最小值来确定)，并且给可变参数设置随机变量；
(二)计算适应值：
根据fitness function，计算每个粒子的适应值；
(三)求个体最佳适应值：
对每个粒子，将其当前适应值与其个体历史最佳位置(pbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子个体的历史最优位置pbest，更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大；
(四)求群体最佳适应值：
对每个粒子，将其当前适应值与全局最佳位置(gbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置gbest，更新全局最优时同样选取大于号表示为拐点最大；
(五)更新粒子位置和速度：
根据公式更新每个粒子的速度与位置，将叶片数和变量范围设定为终止条件；
(六)判断算法是否结束：
若未达到终止条件，则转第2步，迭代后找到最优解，完成初次优化任务；
(七)二次优化：
针对问题选定合适的目标函数f作为能量函数E；初始化最大温度，降温系数，最小温度(退出循环条件)；
(八)计算其能量E0：
设定起始迭代次数t＝0，产生初始状态X0，计算其能量E0；
(九)计算其能量E1：
以目前解为中心由状态产生函数产生新的邻近解X1计算其能量E1；
(十)比较两状态的能量：
采用Metropolis接受法则比较两状态的能量，判决是否接受X1，若接受，则令当前状态等于X1，若不接受，则令当前状态等于X0；
(十一)判断终止条件：
判断温度是否达到终止温度，若是则顺序执行step 7；若否则转至step 3重复执行；
(十二)得出最优解：
当前解作为最优解输出。
优选的，所述步骤一中优化对象包括叶片参数在不同工况下变化对理论输入转矩、阻力转矩、输出转矩、理论流量、效率影响的较优值。
优选的，所述步骤一中首先是选取最优优化算法，对于普通优化方法可以基于启发式算法思想找出局部或全局的最优解，但是多个普通优化方法间如何判断为最优优化算法，即是否为最优拟合模型中的局部或全局最优解，所以需要一种优化算法判别器，用来找出多种普通优化方法中全局最优解或局部最优解。
优选的，所述步骤三中的优化算法判别器针对叶片参数优化，以优化下面这组参数为例，自变量为进口绝对压力、出口绝对压力、叶片数、转子叶顶圆半径、转子1的O1D1、转子2的O2D2，因变量为理论输入转矩，具体包括以下步骤：
S1、初始化种群根据仿真数据自变量个数设定维度为6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8；
S2、仿真数据的最大值最小值来确定，转子1的O1D1是可变参数，范围设置为146-393，转子2的O2D2是可变参数范围设置为173-500，同时给可变参数设置随机变量；
S3、更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大，更新全局最优时同样选取大于号表示为拐点最大；
S4、将叶片数3、4、6、8和变量范围146-393、173-500设定为终止条件；
S5、设定迭代次数100，粒子群数30，输出最优值结果如图3所示。
6.优选的，所述步骤一中的二次优化包括以下步骤：
S1、初始化最大温度1000，降温系数0.90，最小温度1e-3(退出循环条件)；
S2、设置一个温度，根据仿真数据给随机函数传入维度6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8
S3、设置可变参数的范围，转子1的O1D1范围设置为146-393，转子2的O2D2范围设置为173-500；
S4、每个温度迭代50次，找最优解；
S5、设置自变量进行波动，自变量变化后仍要求在[0，10]之间；
S6、将叶片数3、4、6、8和变量范围146-393、173-500设为判定范围；
S7、迭代结束，找到最优解得到结果如图5所示。
与现有技术相比，本发明的有益效果如下：
通过采用本发明设计的优化方法，通采用优化模型判别器来选定粒子群算法和模拟退火算法混合优化算法对叶片参数进行优化，通过粒子群算法使所有粒子在多维超体中找到最优解，它通过追随当前搜索到的最优值来寻找全局最优，通过模拟退火算法进行二次优化，用来弥补粒子群算法陷入局部最优解的不足，从而对泄压口数量、大小、位置、叶片啮合点与轴中心的距离、叶片齿数、叶片齿间空隙等模型参数进行优化。
附图说明
图1是优化算法判别器图；
图2是粒子群优化算法流程图；
图3是粒子群优化结果图；
图4是模拟退火优化算法流程图；
图5是模拟退火优化结果图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明提供一种技术方案：
一种应用于罗茨式动力机的混合式优化方法，利用粒子群和模拟退火混合优化算法对罗茨式动力机叶片参数进行优化，优化对象包括叶片参数在不同工况下变化对理论输入转矩、阻力转矩、输出转矩、理论流量、效率影响的较优值，包括如下步骤：
(一)初始化：
初始化种群根据仿真数据设定维度，然后对定值进行定义并赋值，初始化叶片数，可变参数的范围(仿真数据的最大值最小值来确定)，并且给可变参数设置随机变量；
(二)计算适应值：
根据fitness function，计算每个粒子的适应值；
(三)求个体最佳适应值：
对每个粒子，将其当前适应值与其个体历史最佳位置(pbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子个体的历史最优位置pbest，更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大；
(四)求群体最佳适应值：
对每个粒子，将其当前适应值与全局最佳位置(gbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置gbest，更新全局最优时同样选取大于号表示为拐点最大；
(五)更新粒子位置和速度：
根据公式更新每个粒子的速度与位置，将叶片数和变量范围设定为终止条件；
(六)判断算法是否结束：
若未达到终止条件，则转第2步，迭代后找到最优解，完成初次优化任务；
(七)二次优化：
针对问题选定合适的目标函数f作为能量函数E；初始化最大温度，降温系数，最小温度(退出循环条件)；
(八)计算其能量E0：
设定起始迭代次数t＝0，产生初始状态X0，计算其能量E0；
(九)计算其能量E1：
以目前解为中心由状态产生函数产生新的邻近解X1计算其能量E1；
(十)比较两状态的能量：
采用Metropolis接受法则比较两状态的能量，判决是否接受X1，若接受，则令当前状态等于X1，若不接受，则令当前状态等于X0；
(十一)判断终止条件：
判断温度是否达到终止温度，若是则顺序执行step 7；若否则转至step 3重复执行；
(十二)得出最优解：
当前解作为最优解输出。
对于普通优化方法可以基于启发式算法思想找出局部或全局的最优解，但是多个普通优化方法间如何判断为最优优化算法，即是否为最优拟合模型中的局部或全局最优解。因此我们提出一种优化算法判别器，用来找出多种普通优化方法中全局最优解或局部最优解。优化算法判别器工作原理如图1优化算法判别器所示。
然后针对叶片参数优化。以优化下面这组参数为例，自变量为进口绝对压力、出口绝对压力、叶片数、转子叶顶圆半径、转子1的O1D1、转子2的O2D2，因变量为理论输入转矩，算法流程图如图2所示：
S1、初始化种群根据仿真数据自变量个数设定维度为6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8；
S2、仿真数据的最大值最小值来确定，转子1的O1D1是可变参数，范围设置为146-393，转子2的O2D2是可变参数范围设置为173-500，同时给可变参数设置随机变量；
S3、更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大，更新全局最优时同样选取大于号表示为拐点最大；
S4、将叶片数3、4、6、8和变量范围146-393、173-500设定为终止条件；
S5、设定迭代次数100，粒子群数30，输出最优值结果如图3所示。
为得到最佳优化结果再用模拟退火算法进行二次优化，算法流程图如图4所示：
S1、初始化最大温度1000，降温系数0.90，最小温度1e-3(退出循环条件)；
S2、设置一个温度，根据仿真数据给随机函数传入维度6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8
S3、设置可变参数的范围，转子1的O1D1范围设置为146-393，转子2的O2D2范围设置为173-500；
S4、每个温度迭代50次，找最优解；
S5、设置自变量进行波动，自变量变化后仍要求在[0，10]之间；
S6、将叶片数3、4、6、8和变量范围146-393、173-500设为判定范围；
S7、迭代结束，找到最优解得到结果如图5所示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种应用于罗茨式动力机的混合式优化方法，其特征在于：利用粒子群和模拟退火混合优化算法对罗茨式动力机叶片参数进行优化，包括如下步骤：
(一)初始化：
初始化种群根据仿真数据设定维度，然后对定值进行定义并赋值，初始化叶片数，可变参数的范围(仿真数据的最大值最小值来确定)，并且给可变参数设置随机变量；
(二)计算适应值：
根据fitness function，计算每个粒子的适应值；
(三)求个体最佳适应值：
对每个粒子，将其当前适应值与其个体历史最佳位置(pbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子个体的历史最优位置pbest，更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大；
(四)求群体最佳适应值：
对每个粒子，将其当前适应值与全局最佳位置(gbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置gbest，更新全局最优时同样选取大于号表示为拐点最大；
(五)更新粒子位置和速度：
根据公式更新每个粒子的速度与位置，将叶片数和变量范围设定为终止条件；
(六)判断算法是否结束：
若未达到终止条件，则转第2步，迭代后找到最优解，完成初次优化任务；
(七)二次优化：
针对问题选定合适的目标函数f作为能量函数E；初始化最大温度，降温系数，最小温度(退出循环条件)；
(八)计算其能量E0：
设定起始迭代次数t＝0，产生初始状态X0，计算其能量E0；
(九)计算其能量E1：
以目前解为中心由状态产生函数产生新的邻近解X1计算其能量E1；
(十)比较两状态的能量：
采用Metropolis接受法则比较两状态的能量，判决是否接受X1，若接受，则令当前状态等于X1，若不接受，则令当前状态等于X0；
(十一)判断终止条件：
判断温度是否达到终止温度，若是则顺序执行step 7；若否则转至step 3重复执行；
(十二)得出最优解：
当前解作为最优解输出。
2.根据权利要求1所述的一种应用于罗茨式动力机的混合式优化方法，其特征在于：所述步骤一中优化对象包括叶片参数在不同工况下变化对理论输入转矩、阻力转矩、输出转矩、理论流量、效率影响的较优值。
3.根据权利要求1所述的一种应用于罗茨式动力机的混合式优化方法，其特征在于：所述步骤一中首先是选取最优优化算法，对于普通优化方法可以基于启发式算法思想找出局部或全局的最优解，但是多个普通优化方法间如何判断为最优优化算法，即是否为最优拟合模型中的局部或全局最优解，所以需要一种优化算法判别器，用来找出多种普通优化方法中全局最优解或局部最优解。
4.根据权利要求3所述的一种应用于罗茨式动力机的混合式优化方法，其特征在于：所述步骤三中的优化算法判别器针对叶片参数优化，以优化下面这组参数为例，自变量为进口绝对压力、出口绝对压力、叶片数、转子叶顶圆半径、转子1的O1D1、转子2的O2D2，因变量为理论输入转矩，具体包括以下步骤：
S1、初始化种群根据仿真数据自变量个数设定维度为6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8；
S2、仿真数据的最大值最小值来确定，转子1的O1D1是可变参数，范围设置为146-393，转子2的O2D2是可变参数范围设置为173-500，同时给可变参数设置随机变量；
S3、更新个体最优时，适应度函数if判断条件选取大于号表示为拐点最大，更新全局最优时同样选取大于号表示为拐点最大；
S4、将叶片数3、4、6、8和变量范围146-393、173-500设定为终止条件；
S5、设定迭代次数100，粒子群数30，输出最优值结果如图3所示。
5.根据权利要求1所述的一种应用于罗茨式动力机的混合式优化方法，其特征在于：所述步骤一中的二次优化包括以下步骤：
S1、初始化最大温度1000，降温系数0.90，最小温度1e-3(退出循环条件)；
S2、设置一个温度，根据仿真数据给随机函数传入维度6，进口绝对压力、出口绝对压力、转子叶顶圆半径为定值对其定义并分别赋值3、0.1、499.6，初始化叶片数为3、4、6、8
S3、设置可变参数的范围，转子1的O1D1范围设置为146-393，转子2的O2D2范围设置为173-500；
S4、每个温度迭代50次，找最优解；
S5、设置自变量进行波动，自变量变化后仍要求在[0，10]之间；
S6、将叶片数3、4、6、8和变量范围146-393、173-500设为判定范围；
S7、迭代结束，找到最优解得到结果如图5所示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111290143.7A CN114169218A (zh) | 2021-11-02 | 2021-11-02 | 一种应用于罗茨式动力机的混合式优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111290143.7A CN114169218A (zh) | 2021-11-02 | 2021-11-02 | 一种应用于罗茨式动力机的混合式优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169218A true CN114169218A (zh) | 2022-03-11 |
Family
ID=80477793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111290143.7A Pending CN114169218A (zh) | 2021-11-02 | 2021-11-02 | 一种应用于罗茨式动力机的混合式优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
-
2021
- 2021-11-02 CN CN202111290143.7A patent/CN114169218A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
Non-Patent Citations (2)
| Title |
|---|
| 郑申海 等: "改进粒子群和模拟退火混合算法及其应用", 计算机技术与发展, vol. 23, no. 7, 31 July 2013 (2013-07-31), pages 1 - 3 * |
| 陈小明 等: "基于ESO的罗茨泵叶轮拓扑优化设计", 排灌机械工程学报, vol. 9, no. 31, 30 September 2013 (2013-09-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
| CN117744283B (zh) * | 2024-02-20 | 2024-04-30 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108153998B (zh) | 离心鼓风机叶轮的全三维气动优化设计方法 | |
| CN107330543A (zh) | 一种基于负荷聚类和相关度分析的煤耗优化分析方法 | |
| CN112270139B (zh) | 基于母型库的燃料电池离心压缩机气动优化设计方法 | |
| CN114169218A (zh) | 一种应用于罗茨式动力机的混合式优化方法 | |
| JP7431368B2 (ja) | ハイブリッドアルゴリズムに基づくカスケード水力発電所の最適化スケジューリングモデルの解を求める方法 | |
| CN113032920A (zh) | 一种基于正交试验的航空燃油离心泵优化设计方法 | |
| CN104088771A (zh) | 电厂循环冷却水系统水泵机组最优组合运行方案的精确确定方法 | |
| CN107203364A (zh) | 一种用于压气机全工况特性的预测和辨识方法 | |
| CN114547987B (zh) | 一种基于改进人工神经网络的离心泵作透平性能预测方法 | |
| CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
| CN109902382B (zh) | 一种大中型混流式水轮机比转速的统计计算方法 | |
| CN114491856A (zh) | 一种多能互补条件下水轮机转轮的多工况优化设计方法 | |
| Kaushik et al. | Statistical analysis using Taguchi method for designing a robust wind turbine | |
| CN112001639A (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
| CN110863861A (zh) | 提高汽轮机通流效率的多级小焓降叶片气动设计方法 | |
| CN116595874A (zh) | 叶轮机械性能预测模型参数优化方法及装置、存储介质 | |
| CN116305951A (zh) | 背压机组特性方程及抽汽量运行限值推导方法 | |
| CN111734674B (zh) | 一种基于遗传算法的离心泵多工况节能优化方法 | |
| CN112632728A (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
| WO2021062755A1 (zh) | 非线性模型的线性化处理方法、装置及存储介质 | |
| KR20120013501A (ko) | 축류압축기의 케이싱 그루브 최적설계방법 | |
| Tan et al. | Surrogate-based optimization design and data mining of an axial fan for a refrigerator | |
| CN115292938B (zh) | 基于改进bi-kmeans的大型光伏电站快速多机等值建模方法及装置 | |
| CN118333474B (zh) | 一种求解海岛综合能源系统容量规划问题的方法 | |
| CN114576149B (zh) | 一种火电厂循环水泵优化运行控制系统及方法 |
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 |