CN114841091B - 一种基于代理模型技术的离心通风机的气动优化设计方法 - Google Patents

一种基于代理模型技术的离心通风机的气动优化设计方法 Download PDF

Info

Publication number
CN114841091B
CN114841091B CN202210492654.5A CN202210492654A CN114841091B CN 114841091 B CN114841091 B CN 114841091B CN 202210492654 A CN202210492654 A CN 202210492654A CN 114841091 B CN114841091 B CN 114841091B
Authority
CN
China
Prior art keywords
pneumatic
design
parameters
model
impeller
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
Application number
CN202210492654.5A
Other languages
English (en)
Other versions
CN114841091A (zh
Inventor
孟凡念
王巧花
苏晓龙
巩晓赟
王良文
杜文辽
高艺源
谢贵重
邬昌军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202210492654.5A priority Critical patent/CN114841091B/zh
Publication of CN114841091A publication Critical patent/CN114841091A/zh
Application granted granted Critical
Publication of CN114841091B publication Critical patent/CN114841091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明公开了一种基于代理模型技术的离心通风机的气动优化设计方法。首先以气动理论来确定叶轮‑蜗壳‑集流器的初始构型参数，用CFD软件计算结果为导向修正初始的结构模型参数，其次，在离心通风机初步构型的基础上，进行具体结构参数的优化对象与参数区间确定与分析，进行初步低密优化分析，并在离心通风机初步低密参数化建模和样本点配置之后，再进行二次高密参数建模和样本点加密配置，进行二次高密优化。最后，分析与离心通风机模型相适应的代理模型和核函数类型，提出了若干代理模型管理与更新策略，实现了优质设计域的有效辨识，并以构建的代理模型作为适应度函数，加上进化算法，在理论上就能够收敛到全局最优解。

Description

一种基于代理模型技术的离心通风机的气动优化设计方法
技术领域
本发明涉及离心通风机气动优化技术领域，特别是一种基于代理模型技术的离心通风机的气动优化设计方法。
背景技术
离心通风机作为高耗能设备，如何通过对离心通风机进行节能设计和气动优化，降低设备能耗，减少污染物排放量，直接关系到大气环境的质量和绿色健康发展。
离心通风机结构虽然简单，但是内部流动复杂，无法根据结构参数得到精确的气动响应解析解。经验设计和相似设计无法保证离心通风机工况与设备网管特性的良好匹配，进而导致气动效率较低，如何采用先进的技术手段进行离心通风机的系统设计和分析是高效离心通风机设计中的一个难题。
基于纳维-斯托克斯原理的计算流体力学(CFD)软件能够根据三维模型结构仿真出离心通风机的气动效率、压力等气动响应参数，这为离心通风机的设计优化提供了指导。叶轮 -蜗壳-集流器进行整体性能优化设计的参数多、型式复杂，单纯的CFD仿真技术是耗时且无法实现深入精细化优化设计的，而代理模型能够以一个较小计算代价的数学模型来替代高耗时的CFD模型。对大型离心通风机进行气动性能方面的优化分析，研究基于叶轮-蜗壳-集流器的耦合多参数气动优化技术，筛选灵敏度高的叶轮-蜗壳-集流器整体性能样本点，建立性能样本点与气动效率响应的高精度代理模型，并探索适用于叶轮-蜗壳-集流器整体性能优化的代理模型的构建方式及核函数参数，以整体性能的优化分析为导向来探索高效离心通风机的关键技术。
发明内容
针对上述问题，本发明公开了一种基于代理模型技术的离心通风机的气动优化设计方法。本发明的目的在于提供一种基于代理模型技术的离心通风机的气动优化设计方法，首先从全局上找出叶轮-蜗壳-集流器整体结构的初始构型；其次，进行具体结构参数的优化对象与参数区间确定与分析，进行初步低密参数化建模和样本点配置，再进行二次高密参数建模和样本点加密配置；最后，分析与离心通风机模型相适应的代理模型和核函数类型，实现了优质设计域(即可能存在全局最优解的区域)的有效辨识，并以构建的代理模型作为适应度函数，加上进化算法，在理论上就能够收敛到全局(局部)最优解。具体包括如下步骤：
S1：以气动理论来确定叶轮-蜗壳-集流器的初步构型参数；
S2：对初步模型进行CFD性能的分析计算，之后以数值模拟结果为导向修正结构模型，进而初步确定叶轮-蜗壳-集流器中单一结构的具体型式；
S3：在离心通风机初步构型的基础上，进行具体结构参数的优化对象与参数区间确定与分析，进行初步低密参数化建模和样本点配置，具体步骤如下：
S3-1：以叶型、叶轮进口参数、出口参数，叶片数目、轮盘参数和蜗壳中出口扩张角、蜗舌半径、蜗舌间隙以及集流器出口直径及圆弧尺寸参数作为优化变量参数；
S3-2：优化变量确定后，以变量具体值上下浮动一定的比例初选优化区间，并根据均匀化样本点排列法筛选样本点；
S3-3：以气动效率结果评价和方差分析理论来评价优化区间的合理性，探讨结构参数对气动响应的影响敏感系数，进而确定各参数的具体优化区间，为精细参数化建模提供基础；
S4：在离心通风机初步低密参数化建模和样本点配置之后，再进行二次高密参数建模和样本点加密配置，具体步骤如下：
S4-1：初步参数化建模和气动响应评价分析后，对气动响应敏感度高的域及附近区域再次高密参数化；
S4-2：二次高密参数建模总体上采用拉丁超立方采样方法，在离心通风机结构参数的区间范围内根据拉丁超立方设计思想进行样本点的参数化建模配置。拉丁超立方(LHD) 设计是在维变量设计空间中，将每维变量区间进行等分，随机选取个样本点以保证每个因子的每个水平被研究且仅被研究一次，即构成拉丁超立方设计。在拉丁超立方样本点参数化建模中，对在初次低密参数化时气动响应敏感度高的区域重点加密处理。
S5：整体结构参数与响应间高精度代理模型的构建，具体步骤如下：
S5-1：当样本点构建完成后，通过CFD模拟出特定样本点对应下的气动效率参数，以此输入样本点参数和对应的气动响应为输入、输出来搭建代理模型；
S5-2：提出了代理模型、核函数的筛选组合思路，以提高代理模型的可信度；
S6：构建的代理模型作为适应度函数，采用进化算法进行寻优迭代，在此采用改进的粒子群算法(PSO)寻优。
进一步地，步骤S1中，所述气动理论方法为流体力学的连续方程(质量守恒)和动量方程(动量守恒和动量矩守恒)，即在进出口速度三角形分析基础上建立的初步气动设计工程方法，离心通风机叶轮的初步构型设计是基于两个公式，一个根据设计流量确定进口直径，另一个根据设计全压确定叶片出口角。蜗壳设计是根据动量矩定理和叶轮出口速度确定蜗壳的型式。叶轮构型设计的两个重要公式如下：
Figure SMS_1
式中：
Figure SMS_2
分别为流量系数和全压系数，ε，β1j，ψ，μ和i分别为叶轮进口加速系数、进口角、进口充满系数、叶片修正系数和进口冲角，ηi为叶轮流动效率，d2，b2和β2j分别为叶轮进口直径、宽度和出口角，根据上述设计公式和以往设计经验参考来初步确定叶轮-蜗壳-集流器的结构型式；
进一步地，步骤S2中，CFD性能的分析计算中，上述叶轮-蜗壳-集流器的结构型式通过PROE等三维软件构建气动三维模型，生成的气动模型另存为x-t格式导入到ICEM软件中进行网格划分，ICEM生成的网格文件输入到CFX软件中进行CFD气动计算，得出气动仿真结果；
进一步地，步骤S3-2中，优化变量确定后，以上下浮动比例等于30％来确定初始优化区间；
进一步地，步骤S4-2中，拉丁超立方设计(LHD)设计步骤为：在n维变量设计空间中，将每维变量区间
Figure SMS_3
进行m等分，随机选取m+1个样本点以保证每个因子的每个水平被研究且仅被研究一次，即构成拉丁超立方设计；
进一步地，步骤S5-2中，代理模型、核函数的筛选组合思路具体步骤步骤为：选择径向基函数、Kriging函数、支持向量机、极端学习机等为代理模型，并以线性函数、三次函数、高斯函数、指数函数等核函数类型，在这些代理模型与核函数中，选择交叉验证(CrossValidation，简称CV)方法优选出适合于离心通风机气动优化的代理模型以及相匹配的核函数，以提高代理模型的可信度；
进一步地，步骤S6中，在离心通风机的进化研究中，提出一种引入蜂群搜索算子到粒子群算法中。在PSO算法的迭代中引入搜索算子，对整个粒子群搜索到的历史最优位置进行搜索，使其快速跳出局部最优位置，进而达到避免早熟的目的。这些操作使算法在提高收敛速度和避免早熟两方面取得平衡，从而其性能得到大幅度的提高。
现有技术相比，本发明具有以下效果：
本发明的目的在于提供了一种基于代理模型技术的离心通风机气动优化设计方法，从全局上找出叶轮-蜗壳-集流器整体结构的初始构型；进行具体结构参数的优化对象与参数区间确定与分析，并进行“低高密”参数化建模和样本点配置，分析与离心通风机模型相适应的代理模型和核函数类型，实现了优质设计域(即可能存在全局最优解的区域)的有效辨识，并以构建的代理模型作为适应度函数，加上进化算法，在理论上就能够收敛到全局(局部)最优解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对现有技术描述和实施方案中所需要使用的附图作简单地介绍。
图1为本发明一种代理模型技术的离心通风机气动优化设计方法流程图。
图2为本发明中叶轮-蜗壳-集流器初步参数确定示意图。
图3为本发明中结构参数确定和优化区间分析示意图。
图4为本发明中低高密参数化建模和样本点配置示意图。
图5为本发明中交叉验证误差评估示意图。
图6为叶轮-蜗壳-集流器的初步构型。
其中：1为蜗壳；2为集流器；3为叶轮。
具体实施方式
下面将结合本发明的附图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。
一种基于代理模型技术的离心通风机气动优化设计构建方法，包括如下步骤：
S1：以气动理论来确定叶轮-蜗壳-集流器的初步构型参数；
所述气动理论方法为流体力学的连续方程(质量守恒)和动量方程(动量守恒和动量矩守恒)，即在进出口速度三角形分析基础上建立的初步气动设计工程方法，离心通风机叶轮的初步构型设计是基于两个公式，一个根据设计流量确定进口直径，另一个根据设计全压确定叶片出口角。蜗壳设计是根据动量矩定理和叶轮出口速度确定蜗壳的型式。叶轮构型设计的两个重要公式如下：
Figure SMS_4
式中：
Figure SMS_5
分别为流量系数和全压系数，ε，β1j，ψ，μ和i分别为叶轮进口加速系数、进口角、进口充满系数、叶片修正系数和进口冲角，ηi为叶轮流动效率，d2，b2和β2j分别为叶轮进口直径、宽度和出口角，根据上述设计公式和以往设计经验参考来初步确定叶轮-蜗壳-集流器的结构型式，如图6所示。；
S2：对初步模型进行CFD性能的分析计算，之后以数值模拟结果为导向修正结构模型，进而初步确定叶轮-蜗壳-集流器中单一结构的具体型式；
S3：在离心通风机初步构型的基础上，进行具体结构参数的优化对象与参数区间确定与分析，进行初步低密参数化建模和样本点配置，具体步骤如下：
S3-1：以叶型、叶轮进口参数、出口参数，叶片数目、轮盘参数和蜗壳中出口扩张角、蜗舌半径、蜗舌间隙以及集流器出口直径及圆弧尺寸参数作为优化变量参数；
S3-2：优化变量确定后，以变量具体值上下浮动一定的比例初选优化区间，并根据均匀化样本点排列法筛选样本点；
S3-3：以气动效率结果评价和方差分析理论来评价优化区间的合理性，探讨结构参数对气动响应的影响敏感系数，进而确定各参数的具体优化区间，为精细参数化建模提供基础；
S4：在离心通风机初步低密参数化建模和样本点配置之后，再进行二次高密参数建模和样本点加密配置，具体步骤如下：
S4-1：初步参数化建模和气动响应评价分析后，对气动响应敏感度高的域及附近区域再次高密参数化；
S4-2：二次高密参数建模总体上采用拉丁超立方采样方法，在离心通风机结构参数的区间范围内根据拉丁超立方设计思想进行样本点的参数化建模配置。拉丁超立方(LHD) 设计是在n维变量设计空间中，将每维变量区间
Figure SMS_6
进行m等分，随机选取m+1 个样本点以保证每个因子的每个水平被研究且仅被研究一次，即构成拉丁超立方设计。在拉丁超立方样本点参数化建模中，对在初次低密参数化时气动响应敏感度高的区域重点加密处理。
S5：整体结构参数与响应间高精度代理模型的构建，具体步骤如下：
S5-1：当样本点构建完成后，通过CFD模拟出特定样本点对应下的气动效率参数，以此输入样本点参数和对应的气动响应为输入、输出来搭建代理模型；
S5-2：提出了代理模型、核函数的筛选组合思路，以提高代理模型的可信度；
S6：构建的代理模型作为适应度函数，采用进化算法进行寻优迭代，在此采用改进的粒子群算法(PSO)寻优。
步骤S2中，CFD性能的分析计算中，所述叶轮-蜗壳-集流器的结构型式通过PROE等三维软件构建气动三维模型，生成的气动模型另存为x-t格式导入到ICEM软件中进行网格划分，ICEM生成的网格文件输入到CFX软件中进行CFD气动计算，得出气动仿真结果。
步骤S3-2中，优化变量确定后，以上下浮动比例等于30％来确定初始优化区间；
步骤S4-2中，具体拉丁超立方设计的程序步骤为：①第一句采用MATLAB的S1＝lhsdesign(N,D,'criterion','maximin')语句生成；②第二句采用MATLAB的S＝S1.*repmat(UB-LB,N,1)+repmat(LB,N,1)语句生成。其中，D为设计变量的维数，N为生成样本点试验设计的数目；
步骤S5-2中，代理模型、核函数的筛选组合思路具体步骤步骤为：选择径向基函数、 Kriging函数、支持向量机、极端学习机等为代理模型，并以线性函数、三次函数、高斯函数、指数函数等核函数类型，在这些代理模型与核函数中，选择交叉验证(CrossValidation，简称CV)方法优选出适合于离心通风机气动优化的代理模型以及相匹配的核函数，以提高代理模型的可信度；
步骤S6中，在离心通风机的进化研究中，提出一种引入蜂群搜索算子到粒子群算法中。在PSO算法的迭代中引入搜索算子，对整个粒子群搜索到的历史最优位置进行搜索，使其快速跳出局部最优位置，进而达到避免早熟的目的。这些操作使算法在提高收敛速度和避免早熟两方面取得平衡，从而其性能得到大幅度的提高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (1)

1.一种基于代理模型技术的离心通风机的气动优化设计方法，其特征在于，所述方法包括如下步骤：
S1：以气动理论来确定叶轮-蜗壳-集流器的初步构型参数；
S2：对初步模型进行CFD性能的分析计算，之后以数值模拟结果为导向修正结构模型，进而初步确定叶轮-蜗壳-集流器中单一结构的具体型式；
S3：在离心通风机初步构型的基础上，进行具体结构参数的优化对象与参数区间确定与分析，进行初步低密参数化建模和样本点配置；
S4：在离心通风机初步低密参数化建模和样本点配置之后，再进行二次高密参数建模和样本点加密配置；
S5：整体结构参数与响应间高精度代理模型的构建；
S6：构建的代理模型作为适应度函数，采用进化算法进行寻优迭代，在此采用改进的粒子群算法寻优；
步骤S1中，所述气动理论方法为流体力学的连续方程和动量方程，即在进出口速度三角形分析基础上建立的初步气动设计工程方法，离心通风机叶轮的初步构型设计是基于两个公式，一个根据设计流量确定进口直径，另一个根据设计全压确定叶片出口角；蜗壳设计是根据动量矩定理和叶轮出口速度确定蜗壳的型式；叶轮构型设计的两个重要公式如下：
Figure QLYQS_1
式中：
Figure QLYQS_2
分别为流量系数和全压系数，ε，β1j，ψ，μ和i分别为叶轮进口加速系数、进口角、进口充满系数、叶片修正系数和进口冲角，ηi为叶轮流动效率，d2，b2和β2j分别为叶轮进口直径、宽度和出口角，根据上述设计公式和以往设计经验参考来初步确定叶轮-蜗壳-集流器的结构型式；
步骤S2中，CFD性能的分析计算中，上述叶轮-蜗壳-集流器的结构型式通过PROE等三维软件构建气动三维模型，生成的气动模型另存为x-t格式导入到ICEM软件中进行网格划分，ICEM生成的网格文件输入到CFX软件中进行CFD气动计算，得出气动仿真结果；
步骤S3具体为：
S3-1：以叶型、叶轮进口参数、出口参数，叶片数目、轮盘参数和蜗壳中出口扩张角、蜗舌半径、蜗舌间隙以及集流器出口直径及圆弧尺寸参数作为优化变量参数；
S3-2：优化变量确定后，以变量具体值上下浮动一定的比例初选优化区间，并根据均匀化样本点排列法筛选样本点；
S3-3：以气动效率结果评价和方差分析理论来评价优化区间的合理性，探讨结构参数对气动响应的影响敏感系数，进而确定各参数的具体优化区间，为精细参数化建模提供基础；
步骤S3-2中，优化变量确定后，以上下浮动比例等于30％来确定初始优化区间；
步骤S4具体为：
S4-1：初步参数化建模和气动响应评价分析后，对气动响应敏感度高的域及附近区域再次高密参数化；
S4-2：二次高密参数建模总体上采用拉丁超立方采样方法，在离心通风机结构参数的区间范围内根据拉丁超立方设计思想进行样本点的参数化建模配置；拉丁超立方(LHD)设计是在n维变量设计空间中，将每维变量区间
Figure QLYQS_3
进行m等分，随机选取m+1个样本点以保证每个因子的每个水平被研究且仅被研究一次，即构成拉丁超立方设计；在拉丁超立方样本点参数化建模中，对在初次低密参数化时气动响应敏感度高的区域重点加密处理；
步骤S5具体为：
S5-1：当样本点构建完成后，通过CFD模拟出特定样本点对应下的气动效率参数，以此输入样本点参数和对应的气动响应为输入、输出来搭建代理模型；
S5-2：提出了代理模型、核函数的筛选组合思路，以提高代理模型的可信度；
其中，步骤S5-2中，代理模型、核函数的筛选组合思路具体步骤为：选择径向基函数、Kriging函数、支持向量机、极端学习机等为代理模型，并以线性函数、三次函数、高斯函数、指数函数等核函数类型，在这些代理模型与核函数中，选择交叉验证方法优选出适合于离心通风机气动优化的代理模型以及相匹配的核函数，以提高代理模型的可信度；
步骤S6中，在离心通风机的进化研究中，提出一种引入蜂群搜索算子到粒子群算法中；在PSO算法的迭代中引入搜索算子，对整个粒子群搜索到的历史最优位置进行搜索，使其快速跳出局部最优位置，进而达到避免早熟的目的。
CN202210492654.5A 2022-05-07 2022-05-07 一种基于代理模型技术的离心通风机的气动优化设计方法 Active CN114841091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210492654.5A CN114841091B (zh) 2022-05-07 2022-05-07 一种基于代理模型技术的离心通风机的气动优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210492654.5A CN114841091B (zh) 2022-05-07 2022-05-07 一种基于代理模型技术的离心通风机的气动优化设计方法

Publications (2)

Publication Number Publication Date
CN114841091A CN114841091A (zh) 2022-08-02
CN114841091B true CN114841091B (zh) 2023-05-23

Family

ID=82568682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210492654.5A Active CN114841091B (zh) 2022-05-07 2022-05-07 一种基于代理模型技术的离心通风机的气动优化设计方法

Country Status (1)

Country Link
CN (1) CN114841091B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270363B (zh) * 2022-09-30 2022-11-29 北京科技大学 基于多代理模型的离心压气机叶片优化设计方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175340B (zh) * 2018-11-16 2023-06-02 湘潭大学 一种适用于不确定工况的离心压气机叶轮气动稳健优化设计方法
CN112784361B (zh) * 2021-01-25 2022-06-17 武汉理工大学 一种基于代理模型的汽车发动机舱散热系统结构优化方法

Also Published As

Publication number Publication date
CN114841091A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Lian et al. Multi-objective optimization of transonic compressor blade using evolutionary algorithm
Kim et al. Optimization of the aerodynamic and aeroacoustic performance of an axial-flow fan
CN106934074B (zh) 全局最优涡扇发动机进气道减噪设计方法
Li et al. Multipoint and multiobjective optimization of a centrifugal compressor impeller based on genetic algorithm
CN114841091B (zh) 一种基于代理模型技术的离心通风机的气动优化设计方法
Pardyjak et al. QUIC-URB v. 1.1: Theory and User’s Guide
CN114254460B (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
Wu et al. A low-sample-count, high-precision Pareto front adaptive sampling algorithm based on multi-criteria and Voronoi
Lengyel et al. Design of a counter rotating fan-an aircraft engine technology to reduce noise and CO2-emissions
Montero Villar et al. Multi-objective optimization of an counter rotating open rotor using evolutionary algorithms
Soulat et al. Efficient optimisation procedure for design problems in fluid mechanics
Ellbrant et al. CFD optimization of a transonic compressor using multiobjective GA and metamodels
CN111241752B (zh) 一种基于数字孪生和强化学习的离心式叶轮综合优化方法
Chen Optimization of wind turbine airfoils/blades and wind farm layouts
Song et al. Blade shape optimization of transonic axial flow fan in terms of sectional profiles and stacking line
Ning et al. Three-dimensional aerodynamic optimization of a multi-stage axial compressor
Lee et al. Optimization framework using surrogate model for aerodynamically improved 3D turbine blade design
Xu et al. A study of real-gas effect on SCO 2 compressor performance using similitude method
CN117454721B (zh) 基于数字仿真实验的风电场尾流叠加效应评估方法和介质
Zhang et al. Machine learning based design optimization of centrifugal impellers
Lei et al. Three-Dimensional Multi-Objective Design Optimization of a 6.5-Stage Axial Flow Compressor Blades With Lean and Twist
CN117634323B (zh) 基于代理模型的船舶推进器优化设计方法
Zanoni Aerodynamic multi-objective optimization of a transonic compressor rotor using meanline methods and CFD
CN117540507B (zh) 全环网格壁面距离的计算方法及装置
Romera et al. Impact of downstream potential perturbations on the nonlinear stability of a generic fan

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