CN114372318A - 设计参数确定方法、装置、电子设备及可读存储介质 - Google Patents
设计参数确定方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114372318A CN114372318A CN202110634336.3A CN202110634336A CN114372318A CN 114372318 A CN114372318 A CN 114372318A CN 202110634336 A CN202110634336 A CN 202110634336A CN 114372318 A CN114372318 A CN 114372318A
- Authority
- CN
- China
- Prior art keywords
- design parameter
- training
- parameter set
- control point
- blade
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (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)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本公开实施例提供了设计参数确定方法、装置、电子设备及可读存储介质。该方法包括:获取多个原始设计参数集合,其中,每个原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;将多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,设计参数确定模型是利用第一训练样本对BP神经网络模型进行训练得到的;以及根据多个第一预测气动性能指标,从多个原始设计参数集合中确定目标设计参数集合。
Description
技术领域
本公开涉实施例涉及压气机技术领域,更具体地,涉及一种设计参数确定方法、设计参数确定装置、电子设备及计算机可读存储介质。
背景技术
多级轴流压气机作为燃气轮机的核心部件之一,对整机性能有着决定性的影响。目前,H/J级重型燃气轮机平均级压比已经达到1.3,F135发动机平均级压比更是达到1.45左右。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题,在参数集合中选取的造型参数的精度和速度较低。
发明内容
有鉴于此,本公开实施例提供了一种设计参数确定方法、设计参数确定装置、电子设备及计算机可读存储介质。
本公开实施例的一个方面提供了一种设计参数确定方法,包括:
获取多个原始设计参数集合,其中,每个上述原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;
将上述多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,上述设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,其中,上述代理模型包括神经网络模型、响应面模型或克里金模型;以及
根据多个上述第一预测气动性能指标,从上述多个原始设计参数集合中确定目标设计参数集合。
本公开实施例的另一个方面提供了一种设计参数确定装置,包括:
第一获取模块,用于获取多个原始设计参数集合,其中,每个上述原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;
输出模块,用于将上述多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,上述设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,其中,上述代理模型包括神经网络模型、响应面模型或克里金模型;以及
第一确定模块,用于根据多个上述第一预测气动性能指标,从上述多个原始设计参数集合中确定目标设计参数集合。
本公开实施例的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,因为采用将原始设计参数集合输入至设计参数确定模型,输出第一预测气动性能指标,最终确定目标设计参数集合,而设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,使用代理模型替代耗时的三维流场求解,能够提升速度,也可以降低成本的技术手段,所以至少部分地克服了在参数集合中选取的造型参数的精度和速度较低的技术问题,进而达到了提高在参数集合中选取的造型参数的精度和速度的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的压气机转子出口轴向速度气流减速增压图;
图2示意性示出了根据本公开实施例的可以应用设计参数确定方法的示例性系统架构;
图3示意性示出了根据本公开实施例的设计参数确定方法的流程图;
图4示意性示出了根据本公开实施例的扩张通道压气机设计的参数化造型图;
图5示意性示出了根据本公开实施例的设计参数确定模型的流程图;
图6示意性示出了根据本公开实施例的设计参数确定模型的示意图;
图7示意性示出了根据本公开实施例的Bezier曲线、B样条曲线(B-Spline)和非均匀有理曲线(NURBS)三者关系示意图;
图8示意性示出了根据本公开实施例的典型的神经元模型的示意图;
图9示意性示出了根据本公开实施例的部分取值下的S型函数曲线;
图10示意性示出了根据本公开实施例的采用两段三次Bezier曲线拟合的叶片吸、压力面型线的示意图;
图11示意性示出了根据本公开实施例的吸力面型线厚度的示意图;
图12示意性示出了根据本公开实施例的调整叶型出口几何角的方法示意图;
图13示意性示出了根据本公开实施例的叶片对应流道的改型的示意图;
图14示意性示出了根据本公开的实施例的设计参数确定装置的框图;以及
图15示意性示出了根据本公开实施例的适于实现设计参数确定方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
多级轴流压气机作为燃气轮机的核心部件之一,对整机性能有着决定性的影响。目前,H/J级重型燃气轮机平均级压比已经达到1.3,F135发动机平均级压比更是达到1.45左右。在此基础上进一步提高级压比,同时保持高效率和宽工作范围是压气机气动热力学面临的重要挑战。其中,如何提高多级轴流压气机末级的气动性能,是应对这一挑战的重要发展方向之一。
多级轴流压气机出口级叶片高度小,一方面,端壁附面层占通道的比值大,端壁处易出现低速流体堆积甚至流动分离;叶顶径向间隙占叶高的百分比较大,压气机对叶顶间隙的敏感性逐步增强,叶顶间隙导致的损失所占的比例增大;同时由附面层和间隙流动引起的二次流增强,这些都会对级效率产生严重影响。另一方面,出于对压气机重量和效率的综合考量,大流量高压比压气机后面级通常会等内径设计,同时外径收缩使末级加功困难。
图1示意性示出了根据本公开实施例的压气机转子出口轴向速度气流减速增压图。
如图1所示,具有扩张通道气动布局的压气机通过在转子域采用扩张型子午通道减小压气机转子出口轴向速度实现气流减速增压。其中,角标1代表进口参数,2代表出口参数;W表示相对速度;V表示绝对速度;U表示圆周速度;Va表示轴向速度;Vθ表示切向速度;β表示相对气流角。
高负荷情况下,可在保证负荷水平的前提下减小转子叶片弯角,降低压气机转子叶片压力面与吸力面间压差,改善压气机转子叶尖间隙敏感性,有效提升压气机的性能和稳定工作裕度;低负荷情况下,可在保证效率水平前提下,在相同叶片弯角的情况下通过增加子午通道扩张角度增加压气机子午通道的扩压能力。扩张通道是一种较新的概念,特别适用于高性能航空/地面燃气涡轮发动机高压压气机后面级,并已在多台高负荷轴流压气机上证明可以提高多级轴流压气机的压比、裕度和间隙鲁棒性。
综上所述,考虑到具有扩张通道气动布局压气机对提高出口级气动性能的具有重要意义,本公开首先建立扩张通道压气机级的参数化定义方法。其次,用均匀实验设计方法对设计变量进行实验设计,并进行叶片流道一体化造型。接着,用流场数值模拟技术进行实验并对实验结果进行分析,同时为人工神经网络提供初始样本。最后基于优化算法及人工神经网络近似替代模型实现对出口级的自动全局优化。本公开提出了一种设计参数确定方法、设计参数确定装置及电子设备,该方法不仅具有良好的全局寻优能力,而且在一定程度上克服压气机流场数值模拟耗时的问题,有利于加快优化速度。通过不同的测试函数验证该优化方法的有效性后,对某多级轴流压气机出口级进行了扩张通道优化设计,结果显示,改型后的出口级具有良好的气动性能。
本公开的实施例提供了一种设计参数确定方法、设计参数确定装置、电子设备及计算机可读存储介质。该方法包括获取多个原始设计参数集合过程,将多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标过程,以及根据多个第一预测气动性能指标,从多个原始设计参数集合中确定目标设计参数集合过程。
图2示意性示出了根据本公开实施例的可以应用设计参数确定方法的示例性系统架构200。需要注意的是,图2所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图2所示,根据该实施例的系统架构200可以包括终端设备201、202、203,网络204和服务器205。网络204用以在终端设备201、202、203和服务器205之间提供通信链路的介质。网络204可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备201、202、203通过网络204与服务器205交互,以接收或发送消息等。终端设备201、202、203上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备201、202、203可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器205可以是提供各种服务的服务器,例如对用户利用终端设备201、202、203所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的设计参数确定方法一般可以由终端设备201、202或203执行,或者也可以由不同于终端设备201、202或203的其他终端设备执行。相应地,本公开实施例所提供的设计参数确定装置也可以设置于终端设备201、202或203中,或设置于不同于终端设备201、202或203的其他终端设备中。
例如,待处理的原始设计参数集合可以原本存储在终端设备201、202或203中的任意一个(例如,终端设备201,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备201中。然后,终端设备201可以在本地执行本公开实施例所提供的设计参数确定方法,或者将待处理的原始设计参数集合发送到其他终端设备、服务器、或服务器集群,并由接收该待处理的原始设计参数集合的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的设计参数确定方法。
本公开实施例所提供的设计参数确定方法也可以由服务器205执行。相应地,本公开实施例所提供的设计参数确定装置一般可以设置于服务器205中。本公开实施例所提供的设计参数确定方法也可以由不同于服务器205且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群执行。相应地,本公开实施例所提供的设计参数确定装置也可以设置于不同于服务器105且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群中。
应该理解,图2中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图3示意性示出了根据本公开实施例的设计参数确定方法的流程图。
如图3所示,该方法可以包括操作S310~S330。
在操作S310,获取多个原始设计参数集合,其中,每个原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种。
图4示意性示出了根据本公开实施例的扩张通道压气机设计的参数化造型图。
根据本公开的实施例,如图4所示,第一个参数可以为机匣扩张角,机匣扩张角θ可以为原型机匣(Shourd of Origin Design)与扩张通道机匣(Shourd of DiffuserPassage Design)的夹角,即图4中灰色实线与黑色虚线的夹角。
根据本公开的实施例,第二个参数可以为通道扩张长度L,可以通过以下方式进行计算。
通道扩张长度L为扩张通道设计前后叶片轴向弦长的比值,可以通过如下公式确定。
L=C′a/Ca
其中,Ca表示原型设计转子叶片轴向弦长。C′a表示扩张通道设计转子叶片轴向弦长。
根据本公开的实施例,第三个参数可以为叶片尾缘角变化量ΔβA,可以通过如下公式确定。
ΔβA=ΔβA1-ΔβA2
其中,βA1表示转子叶片进口几何角,叶片进口几何角为叶型中弧线前缘切线与轴向(z方向)的夹角。ΔβA1表示进口几何角改变量。βA2表示转子叶片出口几何角,其定义为叶型中弧线尾缘切线与轴向(z方向)的夹角。ΔβA2表示叶片尾缘角变化量。
根据本公开的实施例,考虑到扩张通道设计主要在末级,应最大限度保证末级进口几何参数不变以保证和前面级的匹配特性,因此此处保证βA1不变(ΔβA1=0)通过调整βA2来调整叶片的弯角,即:
ΔβA=ΔβA1-ΔβA2=-ΔβA2=βA2-β′A2
其中,βA2表示原型设计转子叶片出口几何角;β′A2表示扩张通道设计转子叶片出口几何角。
由于扩张形通道转子的特殊结构,必须要采用宽弦长的设计,为了补偿重量增加,要相应减少叶片数目,因此第四个设计参数可以为叶片数N。
根据本公开的实施例,机匣扩张角θ的取值范围可以可以包括[2,12],取值梯度可以包括1。通道扩张长度L取值范围取可以包括[2,2],取值梯度可以包括0.1。叶片尾缘角变化量ΔβA2取值范围取可以包括[-2,8],取值梯度可以包括1。叶片数N取值范围取可以包括[50,70],取值梯度可以包括2。
根据本公开的实施例,例如可以将上述四个参数取值进行排列组合,得到多个原始设计参数集合。
在操作S320,将多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,其中,代理模型包括神经网络模型、响应面模型或克里金模型。
根据本公开的实施例,代理模型可以包括但不限于神经网络模型、响应面模型或克里金模型,神经网络模型可以包括但不限于BP神经网络模型和径向基函数模型。
根据本公开的实施例,将上述每个原始设计参数集合输入设计参数确定模型,得到对应的第一预测气动性能指标。第一预测气动性能指标可以包括等熵效率改善量DEI(Design Efficiency Improvement)和失速裕度改善量SMI(Stall Margin Improvement)中的至少一种。
根据本公开的实施例,以第一预测气动性能指标为等熵效率改善量DEI进行举例说明,依据上述每个原始设计参数集合的四个参数的取值输入设计参数确定模型预测中预测等熵效率改善量DEI,得到每个原始设计参数集合对应的第一预测气动性能指标。
在操作S330,根据多个第一预测气动性能指标,从多个原始设计参数集合中确定目标设计参数集合。
根据本公开的实施例,可以采用最大值函数进行每个原始设计参数集合对应的第一预测气动性能指标的最大值查找,最终得到最优的第一预测气动性能指标对应的原始设计参数集合,如下表所示。将此原始设计参数集合进行CFD模拟验证,可知此最优的原始设计参数集合可使等熵效率改善量DEI改善1.28%。结果如下表1所示。
表1
θ | L | Δβ<sub>A2</sub> | N | DEI |
2 | 1.4 | 0 | 50 | 1.28% |
根据本公开的实施例,因为采用将原始设计参数集合输入至设计参数确定模型,输出第一预测气动性能指标,最终确定目标设计参数集合,而设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,使用代理模型替代耗时的三维流场求解,能够提升速度,也可以降低成本的技术手段,所以至少部分地克服了在参数集合中选取的造型参数的精度和速度较低的技术问题,进而达到了提高在参数集合中选取的造型参数的精度和速度的技术效果。
根据本公开的实施例,通过本方法进行压气机末级扩张通道设计,能够提高压气机末级气动性能。
根据本公开的实施例,本方法包括但不限于提高压气机末级或其他级的气动性能。
根据本公开的实施例,根据多个第一预测气动性能指标,从多个原始设计参数集合中确定目标设计参数集合,可以包括如下操作。
对多个气动性能指标进行排序,得到排序结果。
根据排序结果,从多个原始设计参数集合中确定目标设计参数集合。
根据本公开的实施例,可以将每个原始设计参数集合输入设计参数确定模型,得到对应的第一预测气动性能指标,可以对多个气动性能指标进行排序,根据排序结果确定目标气动性能指标对应的目标设计参数集合。
图5示意性示出了根据本公开实施例的设计参数确定模型的流程图。
图6示意性示出了根据本公开实施例的设计参数确定模型的示意图。
根据本公开的实施例,如图5和图6所示,神经网络模型包括BP神经网络模型。
设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,其中,初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,其中,优化算法包括模拟退火算法或进化算法,进化算法包括遗传算法或粒子群算法。。
根据本公开的实施例,遗传算法具有全局快速随机搜索的优点。BP神经网络具有局部精确搜索的特点,可以将优化算法与BP神经网络相结合,得到初始BP神经网络模型,利用第一训练样本对初始BP神经网络模型进行训练,得到设计参数确定模型。
根据本公开的实施例,设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,包括:
获取第一训练样本,其中,第一训练样本包括多个第一训练组,每个第一训练组包括第一训练设计参数集合和与第一训练设计参数集合对应的第一真实气动性能指标;
将第一训练样本输入到神经网络模型,输出与第一训练设计参数集合对应的第二预测气动性能指标;以及
根据多个第一真实气动性能指标和多个第二预测气动性能指标,训练初始BP神经网络模型,得到设计参数确定模型。
根据本公开的实施例,第一训练设计参数集合可以包括但不限于原始设计参数集合的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种。
根据本公开的实施例,可以对第一训练设计参数集合使用实验设计方法进行实验设计,实验设计方法可以为全因子设计方法、部分因子设计方法、正交设计方法、拉丁超立方设计方法和均匀实验设计方法中至少一种。
全因子设计方法是对所有设计因子所有组合在所有水平上进行评估,理论上是允许任意个数的因子和水平。但当因子数目较多和因子水平较多时,该方法的实验次数呈现指数型增长,如对于一个有s个设计因子,每个因子q个水平的实验,实验总次数为qs个,因此全因子设计方法更加适用于设计因子个数和水平相对少的实验。
正交设计方法和均匀实验设计方法均是按照“均匀分散”的原则选取部分有代表性的点来分析影响因子对目标参数的作用效果,其适用于影响因子个数及水平较多的情况。正交设计是根据正交性准则来挑选代表点,具有“均匀分散,整齐可比”的特点。“整齐可比”便于实验数据分析,为了保证“整齐可比”,假设在一项实验实验中有s个因子,各取q个水平,至少需要q2次实验,当q较大时,q2将更大。若要减少实验次数,只要去掉整齐可比的要求。均匀设计就是只考虑实验点在实验范围内均匀散布的一种实验实际方法,当实验中有s个因子,各取q个水平,可将试验次数最多减少到q次。
根据本公开的实施例,可以以均匀实验设计方法为例。使用均匀实验设计方法进行实验设计,得到实验安排表,实验安排表可以包括但不限于均匀设计表。
均匀设计表是均匀设计中合理安排实验,并对数据进行统计分析的主要工具。均匀设计表是利用同余运算生成,有众多的工具书可供查阅取用,也可自行编程生成。
根据本公开的实施例,在实验设计初期,均匀实验设计可采用较少的因子水平筛选众多因子,但不局限于此。如表1所示,给出12因子,3水平的均匀设计实验表。每一行,即一次实验,生成一种叶片和流道,执行下述计算步骤得到目标响应F。
如表2所示,列出了较简单的均匀设计表U12(312),其含义为,U代表均匀实验设计,右下角数字12表示进行12次实验。括号内的指数12表示因子数是12个,括号内的数字3表示实验的因子有3种水平,各个水平值人为给定。
表2
对上述叶片和流道绘制网格;并进行三维流场稳态雷诺平均计算(RANS)粘性计算,得到与初始网格的每个节点相对应的流场数据,进而得到每个叶片和流道几何对应的流场参数。流场参数可以包括流量、静压、总压、静温、总温等,并根据流场参数推导出相关的无量纲数,例如等熵效率、总压比、流量裕度、综合裕度等。
均匀设计有其独特的布点方式:(1)每个因素的每个水平做一次且仅做一次实验;(2)任两个因素的实验点在平面格子上每行每列有且仅有一个实验点;(3)当因素的水平增加时,实验次数时按水平数的增加量在增加,如因素水平q由9水平增加到10水平时,实验数目n也从9增加到10,而正交设计实验数将有92增加到102,这个特点使得均匀设计表更方便使用。在实验初期,均匀设计可采用较少的因子水平筛选众多因子。在实验中期,它可进一步扩大实验规模进行各因子间交互作用的分析。在实验后期,它可进行各种模型优化实验设计。利用均匀设计表对实验结果作回归分析,不仅可以计算出回归模型中因素的主效应和交互效应,还可预测实验最佳效果时的各因素的水平值。
根据本公开的实施例,设计参数确定模型的目标函数用如下公式表示:
其中,η表示压气机的等熵效率,SM表示压气机的综合裕度,d下标表示设计点效率参数,ref下标表示原压气机裕度参数,C1、C2均表示权重系数。
根据本公开的实施例,目标函数的定义为:对于压气机扩张通道参数化优化来讲,首先要考虑使设计点的效率更高,并保证压气机的稳定工作范围更广。因此,设计目标可以具体化为:
将上述公式通过加权系数进行总和,得到本发明实施例的优化目标函数为:
其中,C1、C2分别为权重系数,代表着对设计目标的倾向,在本发明的实施例中,C1、C2可以为相同数值,但并不局限于此。
根据本公开的实施例,对表1进行分析,得出各个控制参数对于目标响应值F的显著度,筛选原始设计参数集合。
根据本公开的实施例,设计参数确定方法还可以包括如下操作。
获取多个设计参数。
利用控制参数筛选方法处理多个设计参数,以从多个设计参数中确定目标设计参数集合,其中,控制参数筛选方法包括主成分分析法、相关性分析法、向前选择法、向后选择法或逐步回归法,目标设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种。
利用样条曲线函数对二维叶型型线和流道型线进行参数化处理,得到与目标设计参数集合对应的多个第一训练设计参数集合。
针对多个第一训练设计参数集合中的每个第一训练设计参数集合,确定与第一目标训练设计参数集合对应的第一真实气动性能指标。
根据多个第一训练设计参数集合和多个第一真实气动性能指标,得到第一训练样本。
根据本公开的实施例,在得到压气机二维叶型型线后,还需要叶片的积叠来形成三维叶片。叶片的积叠是把二维叶型沿叶高方向按照特定规律叠放在一起得到三维叶片的过程。积叠轴可以选在叶片前缘到尾缘任意位置,若选在叶片形心,则称为重心积叠。积叠型线同样采用样条曲线函数进行描述。
流道优化设计可以包括子午流道收缩/扩张,非轴对称端壁,气封几何优化,机匣处理槽优化等。流道型线同样可采用样条曲线进行描述。
图7示意性示出了根据本公开实施例的Bezier曲线、B样条曲线(B-Spline)和非均匀有理曲线(NURBS)三者关系示意图。
样条曲线可以包括Bezier曲线、B样条曲线(B-Spline)和非均匀有理曲线(NURBS)。三者关系如图7所示。样条曲线的核心理念为利用较少的控制点来表示曲线。
根据本公开的实施例,叶片和流道生成过程是利用样条曲线来表征二维叶型型线、三维叶片积叠线、流道型线,最终化作对样条曲线控制参数的改变来改变并优化叶片和流道。
根据本公开的实施例,以逐步回归分析法进行举例说明,逐步回归分析法可自动从大量的可供选择的设计参数集合中选取最重要的设计参数,据以建立回归分析的预测或解释模型。对设计参数进行初步筛选可减少优化变量的个数,提高代理模型的模拟精度,缩短优化时间。
设计参数选取的根据是设计参数对响应贡献程度的大小:保留贡献大的设计参数,剔除贡献小的设计参数。是否选取一个设计参数,定量判据之一就是相关系数。如表2所示,有12个设计参数(用x表示),每个设计参数有12个值,1个目标响应(用y表示),同样有12个值,则全部变量(包括设计参数和目标响应)之间的相关系数矩阵可以表作:
其中:
根据相关系数定义一个因子的“贡献”按照贡献系数的大小决定一个设计参数的去留,其中,Pi表示第i个因子对目标响应的贡献系数,Riy表示第i个因子与目标响应的相关系数,Rii表示相关系数矩阵对角线上第i行第i列的元素(i=1,2…12)。
在逐步回归分析过程中,不仅要引入贡献大的设计参数,同时要考虑剔除贡献小的设计参数。因此,设计参数的存留与否又涉及到另一个统计判据-F检验。
设定一个显著性水平α,查F检验表,找到F检验的临界值Fα。假设第l步计算的贡献系数表示为:
Pi (l)=[Riy (l-1)]2/Rii (l-1)
假设第v个设计参数的贡献系数最大,则数值为Pv (l)=max{Ph (l)},(i=1,2…m)。根据F检验来判断该设计参数是否应该被引入模型。其中,h表示尚且没有被引入模型的变量序号,v表示选出的因子对应的原始序号(v=1,2…12)。
计算设计参数引入的F值判断公式如下:
其中,n为设计参数个数,l为计算步骤数,Pv (l)为第v个变量第l步的贡献系数,Ryy为设计参数的自相关系数。
若Fin>Fα,则在α显著性水平下,该设计参数可以被引入模型,否则不要引入。
同理,在第l步计算中,假如第u个设计参数的贡献系数最小,数值为Pv (l)=min{Ph (l)},(i=1,2…12)。则可以根据F检验来判断该设计参数(包括已经引入的设计参数)是否应该被剔除。
计算设计参数剔除的F值判断公式如下:
其中,n为设计参数个数,l为计算步骤数,Pv (l)为第v个设计参数第l步的贡献系数,Ryy为设计参数的自相关系数。
如果Fout<Fα,则在α显著性水平下,该设计参数应该被剔除,否则就要保留。
在整个逐步回归计算过程中,设计参数的引入和剔除在两端同时进行。循环往复地计算,直到所有该引入的设计参数都被引入,该剔除的设计参数均被剔除。
根据本公开的实施例,初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,可以包括如下操作。
获取第二训练样本,其中,第二训练样本包括多个第二训练组,每个第二训练组包括训练权值、训练偏置、第二训练设计参数集合和与第二训练设计参数集合对应的第二真实气动性能指标。
利用优化算法对第二训练样本进行处理,得到初始BP神经网络模型的网络参数,其中,初始BP神经网络模型的网络参数包括初始权值和初始偏置。
根据本公开的实施例,利用遗传算法对第二训练样本进行处理,得到初始BP神经网络模型的网络参数,可以包括如下操作。
针对多个第二训练组中的每个第二训练组,根据第二训练组所包括的训练权值、训练偏置和第二训练设计参数集合,得到与第二训练设计参数集合对应的第三预测气动性能指标。
根据与第二训练设计参数集合对应的第二真实气动性能指标和第三预测气动性能指标,确定适应度函数的输出值。
在适应度函数的输出值不满足预设条件的情况下,对训练权值和训练偏置执行遗传操作,直至适应度函数的输出值满足预设条件。
将与满足预设条件的适应度函数的输出值对应的训练权值和训练偏置确定为初始BP神经网络模型的初始权值和初始偏置。
图8示意性示出了根据本公开实施例的典型的神经元模型的示意图。
根据本公开的实施例,以BP(Back Propagation)神经网络模型为例,介绍代理模型构建过程。BP神经网络模型是由大量的处理单元相互连接而成的网络,其中处理单元称为神经元。如图8所示为典型的神经元模型,它是一个多输入、多输出的非线性阈值元件。神经元i的输入和输出直接的关系可描述为
其中,x1、x2、…、xn表示神经元的n个输入变量,wij表示连接权值,θi表示阈值,f(ui)表示激活函数,oi表示神经元i的输出。
激活函数可以包括但不限于线性函数、高斯函数和Sigmoid函数等。Sigmoid函数又称S型函数,是在人工神经网络中应用较为普遍的一类激活函数,其表达式为:
其中,λ表示增益参数,其值的大小影响Sigmoid函数曲线中部的非饱和斜率。
图9示意性示出了根据本公开实施例的部分取值下的S型函数曲线。
根据本公开的实施例,如图9所示,给出了当λ=0.1、0.5、1时的函数曲线。
根据本公开的实施例,采用基于优化算法的初始BP神经网络模型,将具有全局快速随机搜索的优点的优化算法与局部精确搜索的BP神经网络模型相结合。
根据本公开的实施例,如图5和图6所示,以优化算法为遗传算法进行举例说明。利用上述原始设计参数集合带入上述初始BP神经网络模型中,预测第三预测气动性能指标,第三预测气动性能指标可以包括但不限于等熵效率改善量DEI和失速裕度改善量SMI。具体过程为,将神经网络权值和阈值进行编码,得到初始种群(初始的权值和阈值),对初始种群进行收敛判断,若不满足,则进行选择、交叉、变异等遗传操作,得到新一代种群,再进行收敛判断操作。进过数代进化后,得到满足要求的BP神经网络模型的初始权值和阈值,此时神经网络响应面对原系统的拟合情况越好,带入BP神经网络模型进行最后的定向搜索确定最优的网络连接权值和阈值,得到满足精度要求的初始BP神经网络模型。
根据与第二训练设计参数集合对应的第二真实气动性能指标和第三预测气动性能指标,确定适应度函数的输出值。
根据本公开的实施例,收敛判断条件为:(适应度函数的输出值-目标响应值F)/目标响应值F≤收敛阈值,收敛阈值可以包括但不限于0.5%。
根据本公开的实施例,在进过数代进化后不满足收敛阈值的情况下,将精确流体力学结合代理模型得到新的代理模型。
根据本公开的实施例,新的代理模型包括将精确流体力学计算结果作为训练样本加入原始设计参数集合中以构建新的代理模型。
根据本公开的实施例,利用新的代理模型对原始设计参数集合进行处理,以预测第三预测气动性能指标。结合精确流体力学的代理模型能够代替实际真实模型(精确流体力学计算)进行近似计算,进而简化计算流程。根据本公开的实施例,对原始设计参数集合的θ、L、ΔβA2、N进行均匀实验设计,得到均匀实验设计表U36(46),如下表所示,实验因子为共计4个,实验水平为6。
表3
序号 | 因子θ | 因子L | 因子Δβ<sub>A2</sub> | 因子N | 目标响应F |
1 | 2 | 1.2 | 0 | 70 | 0.0068 |
2 | 10 | 1.4 | 2 | 62 | -0.0581 |
3 | 2 | 1.4 | 8 | 58 | 0.0893 |
4 | 2 | 1.6 | -2 | 54 | 0.0367 |
5 | 8 | 1 | 2 | 70 | -0.0060 |
6 | 6 | 1.6 | 8 | 62 | 0.0432 |
7 | 4 | 1.8 | 0 | 58 | 0.4538 |
8 | 6 | 1.8 | -2 | 66 | 0.0877 |
9 | 4 | 1.4 | 2 | 50 | 0.0663 |
10 | 12 | 1.8 | 4 | 70 | -0.0278 |
11 | 12 | 1.6 | 8 | 50 | 0.0942 |
12 | 2 | 1.8 | 6 | 50 | 0.1680 |
13 | 6 | 2 | 4 | 54 | 0.1485 |
14 | 4 | 2 | 8 | 70 | 0.1332 |
15 | 8 | 1.6 | 4 | 58 | 0.0515 |
16 | 12 | 1 | -2 | 58 | -0.1142 |
17 | 2 | 1 | 4 | 62 | 0.1111 |
18 | 12 | 2 | 0 | 62 | 0.0423 |
19 | 4 | 1.6 | 4 | 66 | 0.0464 |
20 | 8 | 1.4 | 0 | 66 | -0.0013 |
21 | 6 | 1.2 | 2 | 58 | 0.0243 |
22 | 8 | 1.2 | 8 | 54 | 0.1333 |
23 | 10 | 2 | 6 | 58 | 0.0607 |
24 | 6 | 1.4 | 6 | 70 | -0.0374 |
25 | 2 | 2 | 2 | 66 | 0.1295 |
26 | 6 | 1 | 0 | 50 | -0.0064 |
27 | 8 | 2 | -2 | 50 | -0.0322 |
28 | 10 | 1.6 | -2 | 70 | -0.0158 |
29 | 4 | 1.2 | -2 | 62 | -0.0263 |
30 | 10 | 1.8 | 2 | 54 | 0.0030 |
31 | 4 | 1 | 6 | 54 | 0.1275 |
32 | 12 | 1.4 | 0 | 54 | -0.0875 |
33 | 8 | 1.8 | 6 | 62 | 0.0413 |
34 | 12 | 1.2 | 6 | 66 | -0.0915 |
35 | 10 | 1 | 8 | 66 | 0.0289 |
36 | 10 | 1.2 | 4 | 50 | 0.0483 |
如下表所示,原始设计参数集合的θ、L、ΔβA2、N的均匀实验设计表U10(45),实验因子为共计4个,实验水平为5。
表4
序号 | 因子θ | 因子L | 因子Δβ<sub>A2</sub> | 因子N | 目标响应F |
1 | 3 | 1.1 | 5 | 64 | 0.0434 |
2 | 3 | 1.7 | 1 | 52 | 0.0885 |
3 | 7 | 1.1 | -1 | 56 | -0.0464 |
4 | 7 | 1.9 | -1 | 64 | 0.0694 |
5 | 5 | 1.5 | 3 | 60 | 0.0944 |
6 | 9 | 1.3 | 7 | 52 | 0.0441 |
7 | 11 | 1.9 | 5 | 56 | 0.0848 |
8 | 9 | 1.5 | 3 | 60 | 0.0398 |
9 | 5 | 1.7 | 7 | 68 | 0.0773 |
10 | 11 | 1.3 | 1 | 68 | -0.0922 |
利用表3中初始的36个第二训练样本训练初始BP神经网络模型,并用表4中10个测试样本测试所训练的神经网络代理模型,与计算流体力学精确解进行比较,初始BP神经网络模型的测试样本响应值与计算流体力学精确解响应值二者误差收敛阈值,则认为初始BP神经网络模型可以较为精确的得到响应值。最终初始BP神经网络模型的权值和阈值如下表5和表6所示。表5为BP神经网络代理模型输入层到隐层神经元的权值及阈值。表6为BP神经网络代理模型隐层神经元到输出层的权值及阈值。
表5
表6
基于上述得到的初始BP神经网络模型的拓扑结构,机匣扩张角θ范围可以包括[2,12],梯度可以包括1;通道扩张长度L范围可以包括[2,2],梯度可以包括0.1;叶片尾缘角变化量ΔβA2范围可以包括[-2,8],梯度可以包括1;叶片数N范围可以包括[50,70],梯度可以包括2。将其中所有合理的叶型、流道结构参数全部作为输入进行目标响应F的输出,采用最大函数进行目标响应值F最大查找,最终确定最大目标响应值F对应的原始设计参数集合,最优设计几何如表6所示。
表6
θ | L | Δβ<sub>A2</sub> | N | F |
2 | 1.4 | 0 | 50 | 0.0689 |
图10示意性示出了根据本公开实施例的采用两段三次Bezier曲线拟合的叶片吸、压力面型线的示意图。
图11示意性示出了根据本公开实施例的吸力面型线厚度的示意图。
图12示意性示出了根据本公开实施例的调整叶型出口几何角的方法示意图。
图13示意性示出了根据本公开实施例的叶片对应流道的改型的示意图。
根据本公开的实施例,如图10、图11、图12和图13所示,利用样条曲线函数对二维叶型型线和流道型线进行参数化处理,得到与目标设计参数集合对应的多个第一训练设计参数集合,可以包括如下操作。
利用两段三次Bezier曲线对叶片吸力面型线进行拟合,得到叶片吸力面型线方程,其中,叶片吸力面型线方程的第一段三次Bezier曲线上具有第一控制点、第二控制点、第三控制点和第四控制点,叶片吸力面型线方程的第二段三次Bezier曲线上具有第五控制点、第六控制点、第七控制点和第八控制点。
确定叶片吸力面型线方程的第二段三次Bezier曲线上不同控制点之间的距离和不同控制点之间的连线与轴向的夹角。
旋转目标三角形,对转子叶片出口几何角进行调整,得到多个待确定叶片尾缘角变化量,其中,目标三角形是根据第六控制点、第七控制点和第八控制点得到的三角形。
将满足转子叶片出口几何角变化量的待确定叶片尾缘角变化量确定为第一训练设计参数集合包括的叶片尾缘角变化量。
将叶型弦长扩大倍数分别与第一控制点的坐标、第二控制点坐标、第三控制点的坐标和第四控制点的坐标相乘,得到扩大后的第一控制点的坐标、第二控制点的坐标、第三控制点的坐标和第四控制点的坐标。
将叶型弦长扩大倍数分别与第五控制点的坐标、第六控制点的坐标、第七控制点的坐标和第八控制点的坐标,得到扩大后的第五控制点的坐标、第六控制点的坐标、第七控制点的坐标和第八控制点的坐标。
根据扩大后的第一控制点的坐标、第二控制点的坐标、第三控制点的坐标、第四控制点的坐标、第五控制点的坐标、第六控制点的坐标、第七控制点的坐标和第八控制点的坐标,得到多个第一训练设计参数集合中的每个第一训练设计参数集合包括的通道扩张长度。
对顶部截面转子前缘轴向位置、转子尾缘轴向位置、静子前缘轴向位置、静子尾缘轴向位置进行流道型线分段,得到转子区域、转静之间区域和静子区域。
调整转子区域的机匣角度,得到调整后的转子区域的机匣角度。
对转静之间区域进行平直连接。
调整静子区域的机匣角度,得到调整后的静子区域的机匣角度。
根据调整后的转子区域的机匣角度和静子子区域的机匣角度,得到新机匣坐标。
根据原机匣坐标和新机匣坐标,得到多个第一训练设计参数集合中的每个第一训练设计参数集合包括的机匣扩张角。
对原叶片数量进行调整,得到多个第一训练设计参数集合中的每个第一训练设计参数集合包括的叶片数量。
根据本公开的实施例,两段三次Bezier曲线的公式如下:
B1(t)=(1-t)3P1+3t(1-t)2P2+3t2(1-t)P3+t3P4,t∈[0,1];
B2(t)=(1-t)3Q1+3t(1-t))2Q2+3t2(1-t)Q3+t3Q4,t∈[0,1];
其中,t表示曲线的参量,B(t)表示Bezier曲线关于参量t的函数。
通过如下公式对转子叶片出口几何角进行调整:
根据本公开的实施例,首先对扩张通道参数化参数化造型中的二维叶型型线进行参数化并取2个设计参数ΔβA2和L,实现如下:
1、对已知二维叶型型线参数化
如图10和图11所示,叶片吸、压力面型线可以采用两段三次Bezier曲线拟合,第一段三次Bezier曲线的第一控制点、第二控制点、第三控制点和第四控制点可以包括P1、P2、P3、P4,公式如下:
B1(t)=(1-t)3P1+3t(1-t)2P2+3t2(1-t)P3+t3P4,t∈[0,1]
其中,t表示曲线的参量,B(t)表示Bezier曲线关于参量t的函数。
第二段三次Bezier曲线的第五控制点、第六控制点、第七控制点和第八控制点可以包括Q1、Q2、Q3、Q4,其中,Q1与P4重合为两段Bezier曲线的连接点,公式如下:
B2(t)=(1-t)3Q1+3t(1-t))2Q2+3t2(1-t)Q3+t3Q4,t∈[0,1]
如图10所示,厚度定义为吸力面型线上一点的法线与压力面型线的交点,两点之间的连线长度即为该点的厚度。
根据上述得到的吸、压力面型线方程,均匀取若干个吸力面上的点并求取各点的法线与压力面型线的交点,得到吸力面上各点对应的厚度。厚度分布采用的两段三次多项式,在最大厚度点处连接,前一段三次多项式如下所示:
y=ax3+bx2+cx+d,x∈[0,z]
后一段三次多项式表示如下所示:
y=e(x-z)3+f(x-z)2+g(x-z)+h,x∈[z,1]
其中,z表示最大厚度点相对弦长位置;x表示相对弦长位置;y表示基元叶型厚度的一半;a、b、c、d表示第一段三次多项式的系数;e、f、g、h表示第二段三次多项式的系数。
最后以两段三次Bezier曲线构造的曲率连续前缘与尾缘即可完成已知叶型的参数化。
2、调整叶片出口几何角,叶片尾缘角变化量为ΔβA2
如图12所示,旋转以Q2、Q3、Q4为顶点的三角形,首先以Q2为旋转中心,旋转轴,旋转角度为modangle23,以此得到Q′3,再以Q2为旋转中心,旋转轴,旋转角度为modangle24(modangle23=modangle24)以此的到Q′4。由三角形的相似定理可知,三角形Q2Q3Q4与三角形Q2Q′3Q′4为全等三角形。
具体公式如下:
1)、计算吸力面型线第二段三次Bezier曲线控制点间的距离及控制点连线与轴向(z方向)的夹角:
其中,distance23、angle23表示控制点Q2、Q3间距离及其连线与轴向(z方向)的夹角。distance24、angle24表示控制点Q3、Q4间距离及其连线与轴向(z方向)的夹角。(Q2z,Q2y)、(Q3z,Q3y)、(Q4z,Q4y)表示控制点Q2、Q3、Q4的坐标。
2)、旋转三角形Q2Q3Q4,对叶型出口角度进行调整。
3)、检查叶型出口角度改变量modangle34,即ΔβA2
其中,modangle34表示与的夹角。由于三角形Q2Q3Q4与三角形Q2Q′3Q′4为全等三角形,故应有modangle23=modangle24=modangle34,以此来判断上诉计算步骤有无错误。
3、调整叶型轴向弦长,轴向弦长变化量为L
将8个控制点P1、P2、P3、P4、Q1、Q2、Q′3、Q′4的坐标同时乘弦长改变倍数chordmod即可得到新叶型的控制点。
P1,2,3,4(z,y)new=chordmod*P1,2,3,4(z,y)
Q1,2(z,y)new=chordmod*Q1,2(z,y)
Q3,4(z,y)new=chordmod*Q3,4(z,y)′
其中,P1,2,3,4(z,y)、P1,2,3,4(z,y)new表示乘以叶型弦长扩大倍数chordmod前后第一段吸力面控制点P1、P2、P3、P4和坐标。Q1,2(z,y)、Q1,2(z,y)new表示乘以叶型弦长扩大倍数chordmod前后第二段吸力面控制点Q1、Q2和的坐标。Q3,4(z,y)、Q3,4(z,y)new表示乘以叶型弦长扩大倍数前后第二段吸力面控制点Q′3、Q′4和的坐标。
5、重复(1)~(4),生成不同叶高(x方向)截面的新叶型。
根据本发明实施例,接着对扩张通道参数化参数化造型中的三维叶片积叠线进行调整取1个设计参数N,实现如下:
对上述不同叶高截面新叶型进行重心平移,平移至原叶型重心位置,即保证积叠线的形状不变。最后以叶片的前缘平均位置不变对叶片进行轴向平移即可得到新的叶片,并给定不同叶片数N。
需说明,本发明实施例并未对叶片进行弯掠设计,因此并未对三维叶片积叠线进行参数化,但并不局限于此,还可进行上述提到的用样条曲线描述三维叶片积叠线,并对样条曲线控制参数进行优化。
根据本发明实施例,最后对扩张通道参数化参数化造型中的子午流道型线进行参数化并取1个设计参数机匣扩张角θ,实现如下:
如图13所示,由于扩张在末级转子顶部,以顶部截面叶型为参考。扩张的起点位置为转子顶部截面叶型前缘,终止位置为转子顶部截面叶型尾缘。同时保证转静间距平均值不变。静子域收缩,收缩的起点位置为静子顶部截面叶型前缘,终止位置为静子顶部截面叶型尾缘。流道型线采用三段连接的一次曲线,并通过修改曲线的斜率和端点位置实现子午流道改型。具体操作方法如下:
1、依据顶部截面转子前缘轴向位置Rlez、转子尾缘轴向位置Rtez、静子前缘轴向位置Slez、静子尾缘轴向位置Stez进行流道型线分段。
N2z≈Rlez
N2z≈Rtez
N3z≈Slez
N4z≈Stez
其中,N1、N2、N3、N4表示原流道型线的四个分段点。n1、n2、n3、n4表示四个分段点的坐标点序号。
2、在各段内对各点的z坐标进行归一化,归一化后的值为t。
转子区域:
转静之间区域:
静子区域:
3、进行流道角度改变,改变量为θ。
转静流道之间平直连接。
通过以上方法对设计参数、L、ΔβA2、N进行调整,得到若干叶片及流道样本,将样本进行精确流体力学计算得到精确响应值F。
依据上述计算结果,得到第二真实气动性能指标,但第二真实气动性能指标的计算方式可以包括但不限于上述计算方式。
第二真实气动性能指标可以包括等熵效率改善量DEI(Design EfficiencyImprovement)和失速裕度改善量SMI(Stall Margin Improvement)。
DEI和SMI义分别如下。
第二真实气动性能指标分析包括设计参数分析与气动参数分析。设计参数分析用到的方法可以包括逐步回归分析法,气动参数分析主要对求解的流场中气动参数分布进行分析。
图14示意性示出了根据本公开的实施例的设计参数确定装置的框图。
如图14所示,设计参数确定装置1400包括第一获取模块1410、输出模块1420和第一确定模块1430。
第一获取模块1410,用于获取多个原始设计参数集合,其中,每个原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种。
输出模块1420,用于将多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,设计参数确定模型是利用第一训练样本对BP神经网络模型进行训练得到的。
第一确定模块1430,用于根据多个第一预测气动性能指标,从多个原始设计参数集合中确定目标设计参数集合。
根据本公开的实施例,因为采用将原始设计参数集合输入至设计参数确定模型,输出第一预测气动性能指标,最终确定目标设计参数集合,而设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,使用代理模型替代耗时的三维流场求解,能够提升速度,也可以降低成本的技术手段,所以至少部分地克服了在参数集合中选取的造型参数的精度和速度较低的技术问题,进而达到了提高在参数集合中选取的造型参数的精度和速度的技术效果。
根据本公开的实施例,第一确定模块1430可以包括第一排序子模块和第一确定子模块。
第一排序子模块,用于对多个气动性能指标进行排序,得到排序结果。
第一确定子模块,用于根据排序结果,从多个原始设计参数集合中确定目标设计参数集合。
根据本公开的实施例,神经网络模型包括BP神经网络模型。
设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,其中,初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,其中,优化算法包括模拟退火算法或进化算法,进化算法包括遗传算法或粒子群算法。
根据本公开的实施例,设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,可以包括如下操作。
获取第一训练样本,其中,第一训练样本包括多个第一训练组,每个第一训练组包括第一训练设计参数集合和与第一训练设计参数集合对应的第一真实气动性能指标。
将第一训练样本输入到神经网络模型,输出与第一训练设计参数集合对应的第二预测气动性能指标。
根据多个第一真实气动性能指标和多个第二预测气动性能指标,训练初始BP神经网络模型,得到设计参数确定模型。
根据本公开的实施例,初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,可以包括如下操作。
获取第二训练样本,其中,第二训练样本包括多个第二训练组,每个第二训练组包括训练权值、训练偏置、第二训练设计参数集合和与第二训练设计参数集合对应的第二真实气动性能指标。
利用优化算法对第二训练样本进行处理,得到初始BP神经网络模型的网络参数,其中,初始BP神经网络模型的网络参数包括初始权值和初始偏置。
根据本公开的实施例,利用优化算法对第二训练样本进行处理,得到初始BP神经网络模型的网络参数,可以包括如下操作。
针对多个第二训练组中的每个第二训练组,根据第二训练组所包括的训练权值、训练偏置和第二训练设计参数集合,得到与第二训练设计参数集合对应的第三预测气动性能指标。
根据与第二训练设计参数集合对应的第二真实气动性能指标和第三预测气动性能指标,确定适应度函数的输出值。
在适应度函数的输出值不满足预设条件的情况下,对训练权值和训练偏置执行遗传操作,直至适应度函数的输出值满足预设条件。
将与满足预设条件的适应度函数的输出值对应的训练权值和训练偏置确定为初始BP神经网络模型的初始权值和初始偏置。
根据本公开的实施例,上述设计参数确定装置1400还可以包括第二获取模块、第二确定模块、第三确定模块、第四确定模块和获得模块。
第二获取模块,用于获取多个设计参数。
第二确定模块,用于利用控制参数筛选方法处理多个设计参数,以从多个设计参数中确定目标设计参数集合,其中,控制参数筛选方法包括主成分分析法、相关性分析法、向前选择法、向后选择法或逐步回归法,目标设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种。
第三确定模块,用于利用样条曲线函数对二维叶型型线和流道型线进行参数化处理,得到与目标设计参数集合对应的多个第一训练设计参数集合。
第四确定模块,用于针对多个第一训练设计参数集合中的每个第一训练设计参数集合,确定与第一目标训练设计参数集合对应的第一真实气动性能指标。
获得模块,用于根据多个第一训练设计参数集合和多个第一真实气动性能指标,得到第一训练样本。
根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Arrays,PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit,ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块1410、输出模块1420和第一确定模块1430中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块1410、输出模块1420、第一确定模块1430中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块1410、输出模块1420、第一确定模块1430中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中设计参数确定装置部分与本公开的实施例中设计参数确定方法部分是相对应的,设计参数确定装置部分的描述具体参考设计参数确定方法部分,在此不再赘述。
图15示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图15示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图15所示,根据本公开实施例的电子设备1500包括处理器1501,其可以根据存储在只读存储器(Read-Only Memory,ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(Random Access Memory,RAM)1503中的程序而执行各种适当的动作和处理。处理器1501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC),等等。处理器1501还可以包括用于缓存用途的板载存储器。处理器1501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM1503中,存储有电子设备1500操作所需的各种程序和数据。处理器1501、ROM1502以及RAM 1503通过总线1504彼此相连。处理器1501通过执行ROM 1502和/或RAM 1503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1502和RAM 1503以外的一个或多个存储器中。处理器1501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1500还可以包括输入/输出(I/O)接口1505,输入/输出(I/O)接口1505也连接至总线1504。电子设备1500还可以包括连接至I/O接口1505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被处理器1501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM1502和/或RAM 1503和/或ROM 1502和RAM1503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的设计参数确定方法。
在该计算机程序被处理器1501执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1509被下载和安装,和/或从可拆卸介质1511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种设计参数确定方法,包括:
获取多个原始设计参数集合,其中,每个所述原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;
将所述多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,所述设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,其中,所述代理模型包括神经网络模型、响应面模型或克里金模型;以及
根据多个所述第一预测气动性能指标,从所述多个原始设计参数集合中确定目标设计参数集合。
2.根据权利要求1所述的方法,其中,所述根据多个所述第一预测气动性能指标,从所述多个原始设计参数集合中确定目标设计参数集合,包括:
对多个所述气动性能指标进行排序,得到排序结果;以及
根据所述排序结果,从所述多个原始设计参数集合中确定目标设计参数集合。
3.根据权利要求1所述的方法,其中,所述神经网络模型包括BP神经网络模型;
所述设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,其中,所述初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,其中,所述优化算法包括模拟退火算法或进化算法,所述进化算法包括遗传算法或粒子群算法。
4.根据权利要求3所述的方法,其中,所述设计参数确定模型是利用第一训练样本对初始BP神经网络模型进行训练得到的,包括:
获取所述第一训练样本,其中,所述第一训练样本包括多个第一训练组,每个所述第一训练组包括第一训练设计参数集合和与所述第一训练设计参数集合对应的第一真实气动性能指标;
将所述第一训练样本输入到所述神经网络模型,输出与所述第一训练设计参数集合对应的第二预测气动性能指标;以及
根据多个所述第一真实气动性能指标和多个所述第二预测气动性能指标,训练所述初始BP神经网络模型,得到所述设计参数确定模型。
5.根据权利要求3所述的方法,其中,所述初始BP神经网络模型的网络参数是利用优化算法对第二训练样本进行处理得到的,包括:
获取所述第二训练样本,其中,所述第二训练样本包括多个第二训练组,每个所述第二训练组包括训练权值、训练偏置、第二训练设计参数集合和与所述第二训练设计参数集合对应的第二真实气动性能指标;以及
利用所述遗传算法对所述第二训练样本进行处理,得到所述初始BP神经网络模型的网络参数,其中,所述初始BP神经网络模型的网络参数包括初始权值和初始偏置。
6.根据权利要求5所述的方法,其中,所述利用所述遗传算法对所述第二训练样本进行处理,得到所述初始BP神经网络模型的网络参数,包括:
针对所述多个第二训练组中的每个第二训练组,根据所述第二训练组所包括的训练权值、训练偏置和第二训练设计参数集合,得到与所述第二训练设计参数集合对应的第三预测气动性能指标;
根据与所述第二训练设计参数集合对应的第二真实气动性能指标和第三预测气动性能指标,确定适应度函数的输出值;
在所述适应度函数的输出值不满足预设条件的情况下,对所述训练权值和所述训练偏置执行遗传操作,直至所述适应度函数的输出值满足所述预设条件;以及
将与满足所述预设条件的适应度函数的输出值对应的训练权值和训练偏置确定为所述初始BP神经网络模型的初始权值和初始偏置。
7.根据权利要求1~6中任一项所述的方法,还包括:
获取多个设计参数;
利用控制参数筛选方法处理所述多个设计参数,以从所述多个设计参数中确定目标设计参数集合,其中,所述控制参数筛选方法包括主成分分析法、相关性分析法、向前选择法、向后选择法或逐步回归法,所述目标设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;
利用样条曲线函数对二维叶型型线和流道型线进行参数化处理,得到与所述目标设计参数集合对应的多个所述第一训练设计参数集合;
针对多个所述第一训练设计参数集合中的每个第一训练设计参数集合,确定与第一目标训练设计参数集合对应的第一真实气动性能指标;以及
根据多个所述第一训练设计参数集合和多个所述第一真实气动性能指标,得到所述第一训练样本。
8.根据权利要求7所述的方法,其中,所述利用样条曲线函数对二维叶型型线和流道型线进行参数化处理,得到与所述目标设计参数集合对应的多个所述第一训练设计参数集合,包括:
利用两段三次Bezier曲线对叶片吸力面型线进行拟合,得到叶片吸力面型线方程,其中,所述叶片吸力面型线方程的第一段三次Bezier曲线上具有第一控制点、第二控制点、第三控制点和第四控制点,所述叶片吸力面型线方程的第二段三次Bezier曲线上具有第五控制点、第六控制点、第七控制点和第八控制点;
确定所述叶片吸力面型线方程的第二段三次Bezier曲线上不同控制点之间的距离和不同所述控制点之间的连线与轴向的夹角;
旋转目标三角形,对转子叶片出口几何角进行调整,得到多个待确定叶片尾缘角变化量,其中,所述目标三角形是根据第六控制点、第七控制点和第八控制点得到的三角形;
将满足转子叶片出口几何角变化量的待确定叶片尾缘角变化量确定为所述第一训练设计参数集合包括的叶片尾缘角变化量;
将叶型弦长扩大倍数分别与所述第一控制点的坐标、所述第二控制点坐标、所述第三控制点的坐标和所述第四控制点的坐标相乘,得到扩大后的第一控制点的坐标、第二控制点的坐标、第三控制点的坐标和第四控制点的坐标;
将所述叶型弦长扩大倍数分别与所述第五控制点的坐标、所述第六控制点的坐标、所述第七控制点的坐标和所述第八控制点的坐标,得到扩大后的第五控制点的坐标、第六控制点的坐标、第七控制点的坐标和第八控制点的坐标;
根据扩大后的第一控制点的坐标、第二控制点的坐标、第三控制点的坐标、第四控制点的坐标、第五控制点的坐标、第六控制点的坐标、第七控制点的坐标和第八控制点的坐标,得到多个所述第一训练设计参数集合中的每个第一训练设计参数集合包括的通道扩张长度;
对顶部截面转子前缘轴向位置、转子尾缘轴向位置、静子前缘轴向位置、静子尾缘轴向位置进行流道型线分段,得到转子区域、转静之间区域和静子区域;
调整转子区域的机匣角度,得到调整后的转子区域的机匣角度;
对所述转静之间区域进行平直连接;
调整静子区域的机匣角度,得到调整后的静子区域的机匣角度;
根据所述调整后的转子区域的机匣角度和静子子区域的机匣角度,得到新机匣坐标;
根据原机匣坐标和所述新机匣坐标,得到多个所述第一训练设计参数集合中的每个第一训练设计参数集合包括的机匣扩张角;以及
对原叶片数量进行调整,得到多个所述第一训练设计参数集合中的每个第一训练设计参数集合包括的叶片数量。
11.一种设计参数确定装置,包括:
第一获取模块,用于获取多个原始设计参数集合,其中,每个所述原始设计参数集合包括压气机出口级扩张通道的机匣扩张角、通道扩张长度、叶片尾缘角变化量和叶片数量中的至少一种;
输出模块,用于将所述多个原始设计参数集合分别输入设计参数确定模型,输出与每个原始设计参数集合对应的第一预测气动性能指标,其中,所述设计参数确定模型是利用第一训练样本对代理模型进行训练得到的,其中,所述代理模型包括神经网络模型、响应面模型或克里金模型;以及
第一确定模块,用于根据多个所述第一预测气动性能指标,从所述多个原始设计参数集合中确定目标设计参数集合。
12.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634336.3A CN114372318A (zh) | 2021-06-07 | 2021-06-07 | 设计参数确定方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634336.3A CN114372318A (zh) | 2021-06-07 | 2021-06-07 | 设计参数确定方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372318A true CN114372318A (zh) | 2022-04-19 |
Family
ID=81137983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634336.3A Pending CN114372318A (zh) | 2021-06-07 | 2021-06-07 | 设计参数确定方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372318A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692514A (zh) * | 2022-05-27 | 2022-07-01 | 西南交通大学 | 一种抗滑桩的设计方法、装置、设备及可读存储介质 |
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115081130A (zh) * | 2022-06-01 | 2022-09-20 | 中国科学院工程热物理研究所 | 基于动态支持向量回归的叶片与端壁联合气动优化方法 |
CN116070354A (zh) * | 2023-03-07 | 2023-05-05 | 南京天洑软件有限公司 | 基于智能补点的船型代理模型构建方法及装置 |
CN116562171A (zh) * | 2023-07-07 | 2023-08-08 | 南京市计量监督检测院 | 一种温湿度在线计量的误差评估方法 |
-
2021
- 2021-06-07 CN CN202110634336.3A patent/CN114372318A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692514A (zh) * | 2022-05-27 | 2022-07-01 | 西南交通大学 | 一种抗滑桩的设计方法、装置、设备及可读存储介质 |
CN115081130A (zh) * | 2022-06-01 | 2022-09-20 | 中国科学院工程热物理研究所 | 基于动态支持向量回归的叶片与端壁联合气动优化方法 |
CN115081130B (zh) * | 2022-06-01 | 2024-04-05 | 中国科学院工程热物理研究所 | 基于动态支持向量回归的叶片与端壁联合气动优化方法 |
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN116070354A (zh) * | 2023-03-07 | 2023-05-05 | 南京天洑软件有限公司 | 基于智能补点的船型代理模型构建方法及装置 |
CN116562171A (zh) * | 2023-07-07 | 2023-08-08 | 南京市计量监督检测院 | 一种温湿度在线计量的误差评估方法 |
CN116562171B (zh) * | 2023-07-07 | 2023-09-12 | 南京市计量监督检测院 | 一种温湿度在线计量的误差评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114372318A (zh) | 设计参数确定方法、装置、电子设备及可读存储介质 | |
Li et al. | Review of design optimization methods for turbomachinery aerodynamics | |
Ekradi et al. | Performance improvement of a transonic centrifugal compressor impeller with splitter blade by three-dimensional optimization | |
CN110851929B (zh) | 基于自适应网格的二维叶型优化设计方法及装置 | |
Verstraete | CADO: a computer aided design and optimization tool for turbomachinery applications | |
Bagheri et al. | Constraint handling in efficient global optimization | |
Mengistu et al. | Aerodynamic optimization of turbomachinery blades using evolutionary methods and ANN-based surrogate models | |
Samad et al. | Shape optimization of an axial compressor blade by multi-objective genetic algorithm | |
Li et al. | Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms | |
Li et al. | A novel global optimization algorithm and data-mining methods for turbomachinery design | |
De Donno et al. | Shape optimization of the ERCOFTAC centrifugal pump impeller using open-source software | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
Siddique et al. | Design optimization of the centrifugal pumps via low fidelity models | |
Yang et al. | Multi-objective optimization of dual-arc blades in a squirrel-cage fan using modified non-dominated sorting genetic algorithm | |
CN116384005A (zh) | 一种变形叶片气动性能的确定方法及装置和电子设备 | |
He et al. | Dual Kriging assisted efficient global optimization of expensive problems with evaluation failures | |
Sivashanmugam et al. | Aero-structural optimization of an axial turbine stage in three-dimensional flow | |
Sheikh et al. | Airfoil optimization using design-by-morphing | |
Shalom et al. | Graphics hardware based efficient and scalable fuzzy c-means clustering | |
Esfahanian et al. | Aerodynamic shape optimization of gas turbines: a deep learning surrogate model approach | |
Ellbrant et al. | CFD optimization of a transonic compressor using multiobjective GA and metamodels | |
Khalfallah et al. | Radial basis function-based shape optimization of centrifugal impeller using sequential sampling | |
Safari et al. | A novel combination of adaptive tools for turbomachinery airfoil shape optimization using a real-coded genetic algorithm | |
Li et al. | Optimization of rough transonic axial compressor | |
Ji et al. | A flow information-based prediction model applied to the nonaxisymmetric hub optimization of a centrifugal impeller |
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 |