CN114943187B - 一种基于神经网络的阀门特性曲面构造方法 - Google Patents

一种基于神经网络的阀门特性曲面构造方法 Download PDF

Info

Publication number
CN114943187B
CN114943187B CN202210856644.5A CN202210856644A CN114943187B CN 114943187 B CN114943187 B CN 114943187B CN 202210856644 A CN202210856644 A CN 202210856644A CN 114943187 B CN114943187 B CN 114943187B
Authority
CN
China
Prior art keywords
pressure regulating
regulating valve
mach number
neural network
square matrix
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
CN202210856644.5A
Other languages
English (en)
Other versions
CN114943187A (zh
Inventor
田嘉懿
刘为杰
凌忠伟
吴琦
黄昊宇
熊能
高川
余强
夏语
王亮
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.)
High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Original Assignee
High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
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 High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center filed Critical High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Priority to CN202210856644.5A priority Critical patent/CN114943187B/zh
Publication of CN114943187A publication Critical patent/CN114943187A/zh
Application granted granted Critical
Publication of CN114943187B publication Critical patent/CN114943187B/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
    • G06F30/27—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于神经网络的阀门特性曲面构造方法，涉及风洞运行与流场控制领域，包括：在风洞马赫数试验能力包线范围内选定调试马赫数Ma开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比P和相应调压阀开度S试验结果数据；对试验结果数据进行预处理，以构建得到马赫数网格方阵Ma″、调压阀压比网格方阵P″、调压阀开度网格方阵S″；将Ma″、P″和S″数据随机划分为训练样本集和测试样本集并采用神经网络进行训练，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造。本发明提供一种基于神经网络的阀门特性曲面构造方法，能有效减少风洞调试试验车次，显著缩短调试试验周期，大幅节省调试试验气源消耗。

Description

一种基于神经网络的阀门特性曲面构造方法
技术领域
本发明涉及风洞运行与流场控制领域。更具体地说，本发明涉及一种基于神经网络的阀门特性曲面构造方法。
背景技术
阀门特性曲线是根据风洞试验工况确定风洞运行参数的重要计算依据，对于提升风洞试验区流场性能指标、确保风洞试验正常高效运行有重要意义。传统阀门特性曲线的获取主要是针对典型马赫数，通过逐个马赫数开展风洞调试试验以获取相应马赫数的阀门特性曲线，最终得到一阀门特性曲线簇。这一传统获取方式在实际风洞运行中发现存在如下问题：一是对于压、跨、超多速域大型风洞，获取各个不同速域马赫数的阀门特性曲线需要开展多车次风洞调试试验，因而调试试验周期较长且风洞气源消耗较大；二是仅能获取特定典型马赫数阀门特性曲线，对于非典型马赫数的阀门特性仅能依靠插值拟合等方法近似，阀门特性准确度还有待提高。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现本发明的这些目的和其它优点，提供了一种一种基于神经网络的阀门特性曲面构造方法，包括：
步骤一，在风洞马赫数试验能力包线范围内选定调试马赫数Ma开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比P和相应调压阀开度S试验结果数据；
步骤二，对步骤一中的试验结果数据进行预处理，以构建得到马赫数网格方阵Ma″、调压阀压比网格方阵P″；
步骤三，以步骤一中获取的调压阀开度S试验结果数据为样本点，采用插值法确定调压阀开度网格方阵S″；
步骤四，采用神经网络对马赫数网格方阵Ma″，调压阀压比网格方阵P″和相应调压阀开度网格方阵S″间的非线性函数关系进行学习，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造。
优选的是，在步骤一中，所述风洞调试试验是通过在风洞马赫数试验能力包线范围内选定k个典型马赫数Ma开展；
其中，选定的k个典型马赫数Ma应包含风洞马赫数试验能力包线的上、下边界及特殊工况所对应的马赫数。
优选的是，所述马赫数网格方阵Ma″的获取方式被配置为包括：
对于任意两相邻调试马赫数Mai、Mai+1，以ΔMa为等间距生成n个加密马赫数Ma′1、Ma′2、……、Ma′n，其中生成的第j个马赫数为Ma′j＝Mai+(j-1)ΔMa,j＝1，2，…，n，个数n可由公式
Figure GDA0003847280220000021
得到；
以加密马赫数Ma′构建马赫数网格方阵Ma″；
其中，马赫数网格方阵Ma″共有m列，m为依据所有调试马赫数Ma生成的加密马赫数Ma′总个数，可由公式
Figure GDA0003847280220000031
确定，其中Mamax为调试马赫数的最大值，Mamin为调试马赫数的最小值；
马赫数网格方阵Ma″每一列均为依序排列的加密马赫数Ma′。
优选的是，在步骤二中，所述调压阀压比网格方阵P″的获取方式被配置为包括：
S20，以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比上边界
Figure GDA0003847280220000032
Figure GDA0003847280220000033
根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述上边界
Figure GDA0003847280220000034
等间距加密生成n个加密调压阀前后的压比上边界，其中生成的第j个加密调压阀前后压比上边界
Figure GDA0003847280220000035
等间距
Figure GDA0003847280220000036
S21，以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比下边界P i、P i+1，根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述下边界P i、P i+1等距加密生成n个加密调压阀前后的压比下边界，其中生成的第j个加密调压阀前后压比下边界P′j＝P i+(j-1)ΔP，j＝1，2，…，n，等间距
Figure GDA0003847280220000037
S22，以每一加密马赫数的调压阀前后压比上边界Pub、下边界Plb为界，根据生成的加密马赫数Ma′的总个数m，生成m个等间距压比点P′，其中等间距
Figure GDA0003847280220000041
且对于第i个加密马赫数
Figure GDA0003847280220000042
Plb＝P′i，i＝1，2，…，m；
S23，以压比点数据P′构建调压阀压比网格方阵P″，其中调压阀压比网格方阵P″每一行均为对应马赫数网格方阵Ma″相应行的马赫数所对应等间距压比点数据。
优选的是，在步骤三中，所述调压阀开度网格方阵S″的获取方式被配置为：
以调试试验获取的调压阀开度S试验结果数据为样本点，在马赫数网格方阵Ma″和调压阀压比网格方阵P″所确定网格点上，以双调和样条插值方法确定相应网格点的调压阀开度插值结果S′，进而得到调压阀开度网格方阵S″。
优选的是，在步骤四中，所述训练被配置为包括：
S30，将马赫数网格方阵Ma″，调压阀压比网格方阵P″和相应调压阀开度网格方阵S″数据随机划分为训练样本集和测试样本集；
S31，构建阀门特性函数神经网络；
S32，采用训练样本集和测试样本集对阀门特性函数神经网络进行迭代训练；
S33，构建验证数据集，对经迭代训练的神经网络进行测试；
所述训练样本集应包含特殊工况所对应的马赫数和调压阀前后压比的上、下边界点数据。
优选的是，在S31中，所述阀门特性函数神经网络被配置为包括输入层、多层隐层以及输出层；其中，各隐层内含有若干神经元，各层神经元采用全连接方式连接。
优选的是，在S32中，所述训练是以加密马赫数Ma′和相应加密的调压阀压比点数据P′为网络输入，以双调和样条插值确定的调压阀相应开度S′为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
优选的是，在S33中，所述验证数据集是以在k个马赫数开展风洞调试试验获取的调压阀前后压比P和相应调压阀开度S试验结果数据构造，并对经迭代训练的神经网络进行测试；
其中，在测试中，若神经网络的输出结果与对应的调压阀开度S误差大于给定的期望偏差，则调整神经网络参数及结构进行重新训练，直至误差小于给定的期望偏差，则认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造。
本发明至少包括以下有益效果：本发明基于神经网络构建阀门特性曲面，相对于现有技术来说，能够将有限车次获取的不同马赫数的阀门特性曲线拓展为关于马赫数连续变化的阀门特性曲面，可大大减少获取传统阀门特性曲线簇的风洞调试试验车次，缩短调试试验周期，降低试验能源消耗；同时利用神经网络可任意精度逼近任何非线性函数特性，大幅提高非典型马赫数阀门特性的估计精度，应用于风洞流场控制系统，提高风洞流场品质。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的阀门特性函数神经网络架构图；
图2为本发明的测试集开度预测结果对比图；
图3为本发明的神经网络拟合阀门特性函数曲面图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明公开了一种基于神经网络的阀门特性曲面构造方法，能够采用神经网络方法将有限车次获取的不同马赫数的阀门特性曲线拓展为关于马赫数连续变化的阀门特性曲面，一方面将能大大减少获取传统阀门特性曲线簇的风洞调试试验车次，缩短调试试验周期，降低试验能源消耗；另一方面也能利用神经网络可以任意精度逼近任何非线性函数特性，大幅提高非典型马赫数阀门特性的估计精度。
本发明的一种基于神经网络的阀门特性曲面构造方法包括：
步骤S100：获取一大型射流风洞阀门特性曲线调试试验结果。
在大型射流风洞马赫数试验能力包线范围内选定有限个(记为k个)典型马赫数Ma开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比P(即风洞稳定段总压与气源压力之比)和相应调压阀开度S试验结果数据，选定的调试马赫数应包含风洞马赫数试验能力包线上下边界及特殊工况对应马赫数；
步骤S200：调试试验结果预处理。
对于任意两相邻调试马赫数Mai、Mai+1，以ΔMa为等间距生成n个加密马赫数Ma′1、Ma′2、……、Ma′n，其中生成的第j个马赫数为Ma′j＝Mai+(j-1)ΔMa,j＝1，2，…，n，个数n可由公式
Figure GDA0003847280220000071
得到；
以加密马赫数Ma′构建马赫数网格方阵Ma″；
其中，马赫数网格方阵Ma″共有m列，m为依据所有调试马赫数Ma生成的加密马赫数Ma′总个数，可由公式
Figure GDA0003847280220000072
确定，其中Mamax为调试马赫数的最大值，Mamin为调试马赫数的最小值；
马赫数网格方阵Ma″每一列均为依序排列的加密马赫数Ma′；
以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比上边界
Figure GDA0003847280220000073
根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述上边界
Figure GDA0003847280220000074
Figure GDA0003847280220000075
等间距加密生成n个加密调压阀前后的压比上边界，其中生成的第j个加密调压阀前后压比上边界
Figure GDA0003847280220000076
等间距
Figure GDA0003847280220000077
以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比下边界P i、P i+1，根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述下边界P i、P i+1等距加密生成n个加密调压阀前后的压比下边界，其中生成的第j个加密调压阀前后压比下边界P′j＝P i+(j-1)ΔP，j＝1，2，…，n，等间距
Figure GDA0003847280220000081
以每一加密马赫数的调压阀前后压比上边界Pub、下边界Plb为界，根据生成的加密马赫数Ma′的总个数m，生成m个等间距压比点P′，其中等间距
Figure GDA0003847280220000082
且对于第i个加密马赫数
Figure GDA0003847280220000083
Plb＝P′i，i＝1，2，…，m；
以压比点数据P′构建调压阀压比网格方阵P″，其中调压阀压比网格方阵P″每一行均为对应马赫数网格方阵Ma″相应行的马赫数所对应等间距压比点数据，共有m行。
步骤S300：插值确定调压阀开度网格方阵S″。
以调试试验获取的调压阀开度S试验结果数据为样本点，在马赫数网格方阵Ma″和调压阀压比网格方阵P″所确定网格点，以双调和样条插值方法确定相应网格点调压阀开度插值结果S′，得到调压阀开度网格方阵S″。
步骤S400：采用神经网络训练得到阀门特性曲面函数。
将马赫数网格方阵Ma″，调压阀压比网格方阵P″和相应调压阀开度网格方阵S″数据，随机划分为训练样本集和测试样本集，注意训练样本集应包含马赫数和调压阀前后压比上下边界点数据以避免神经网络外推拟合降低神经网络训练拟合精度。
构建阀门特性函数神经网络，网络由输入层、3层隐层以及输出层构成，隐层内含有15个神经元，各层神经元采用全连接方式连接，阀门特性函数神经网络架构如图1所示，以加密马赫数Ma′和相应加密的调压阀压比P′为网络输入，以双调和样条插值确定的调压阀相应开度S′为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
以k个马赫数开展风洞调试试验获取的调压阀前后压比P和相应调压阀开度S试验结果数据为验证数据集，对经迭代训练的神经网络进行测试。若神经网络的输出结果与试验调压阀开度试验结果误差大于给定期望偏差5mm，则调整神经网络参数及结构重新训练，直至误差小于给定期望偏差5mm，认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造；
其中，图2给出阀门特性函数神经网络预测调压阀开度与实际调试试验结果对比图，图3给出了利用阀门特性函数神经网络拟合得到的阀门特性曲面，由图2可知，本发明的方法成功实现了对于调压阀阀门特性的精确建模描述，所预测的调压阀开度与实际调试试验结果有极高的符合一致性，由图3可看出对于阀门特性曲线簇连续扩展得到阀门特性曲面，以图形表示了调压阀阀门特性关于调压阀前后压比和马赫数变化的函数关系。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种基于神经网络的阀门特性曲面构造方法，其特征在于，包括：
步骤一，在风洞马赫数试验能力包线范围内选定调试马赫数Ma开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比P和相应调压阀开度S试验结果数据；
步骤二，对步骤一中的试验结果数据进行预处理，以构建得到马赫数网格方阵Ma″、调压阀压比网格方阵P″；
步骤三，以步骤一中获取的调压阀开度S试验结果数据为样本点，采用插值法确定调压阀开度网格方阵S″；
步骤四，采用神经网络对马赫数网格方阵Ma″，调压阀压比网格方阵P″和相应调压阀开度网格方阵S″间的非线性函数关系进行学习，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造；
所述马赫数网格方阵Ma″的获取方式被配置为包括：
对于任意两相邻调试马赫数Mai、Mai+1，以ΔMa为等间距生成n个加密马赫数Ma′1、Ma′2、......、Ma′n，其中生成的第j个马赫数为Ma′j＝Mai+(j-1)ΔMa，j＝1，2，…，n，个数n可由公式
Figure FDA0003847280210000011
得到；
以加密马赫数Ma′构建马赫数网格方阵Ma″；
其中，马赫数网格方阵Ma″共有m列，m为依据所有调试马赫数Ma生成的加密马赫数Ma′总个数，可由公式
Figure FDA0003847280210000021
确定，其中Mamax为调试马赫数的最大值，Mamin为调试马赫数的最小值；
马赫数网格方阵Ma″每一列均为依序排列的加密马赫数Ma′；在步骤二中，所述调压阀压比网格方阵P″的获取方式被配置为包括：
S20，以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比上边界
Figure FDA0003847280210000022
Figure FDA0003847280210000023
根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述上边界
Figure FDA0003847280210000024
等间距加密生成n个加密调压阀前后的压比上边界，其中生成的第j个加密调压阀前后压比上边界
Figure FDA0003847280210000025
j＝1，2，…，n，等间距
Figure FDA0003847280210000026
S21，以相邻调试马赫数Mai、Mai+1所对应调压阀前后压比下边界P i、P i+1，根据调试马赫数Mai、Mai+1生成的加密马赫数个数n，将上述下边界P i、P i+1等距加密生成n个加密调压阀前后的压比下边界，其中生成的第j个加密调压阀前后压比下边界P′j＝P i+(j-1)ΔP，j＝1，2，…，n，等间距
Figure FDA0003847280210000027
S22，以每一加密马赫数的调压阀前后压比上边界Pub、下边界Plb为界，根据生成的加密马赫数Ma′的总个数m，生成m个等间距压比点P′，其中等间距
Figure FDA0003847280210000031
且对于第i个加密马赫数
Figure FDA0003847280210000032
Plb＝P′i，i＝1，2，…，m；
S23，以压比点数据P′构建调压阀压比网格方阵P″，其中调压阀压比网格方阵P″每一行均为对应马赫数网格方阵Ma″相应行的马赫数所对应等间距压比点数据。
2.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤一中，所述风洞调试试验是通过在风洞马赫数试验能力包线范围内选定k个典型马赫数Ma开展；
其中，选定的k个典型马赫数Ma应包含风洞马赫数试验能力包线的上、下边界及特殊工况所对应的马赫数。
3.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤三中，所述调压阀开度网格方阵S″的获取方式被配置为：
以调试试验获取的调压阀开度S试验结果数据为样本点，在马赫数网格方阵Ma″和调压阀压比网格方阵P″所确定网格点上，以双调和样条插值方法确定相应网格点的调压阀开度插值结果S′，进而得到调压阀开度网格方阵S″。
4.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤四中，所述训练被配置为包括：
S30，将马赫数网格方阵Ma″，调压阀压比网格方阵P″和相应调压阀开度网格方阵S″数据随机划分为训练样本集和测试样本集；
S31，构建阀门特性函数神经网络；
S32，采用训练样本集和测试样本集对阀门特性函数神经网络进行迭代训练；
S33，构建验证数据集，对经迭代训练的神经网络进行测试；
所述训练样本集应包含特殊工况所对应的马赫数和调压阀前后压比的上、下边界点数据。
5.如权利要求4所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S31中，所述阀门特性函数神经网络被配置为包括输入层、多层隐层以及输出层；其中，各隐层内含有若干神经元，各层神经元采用全连接方式连接。
6.如权利要求4所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S32中，所述训练是以加密马赫数Ma′和相应加密的调压阀压比点数据P′为网络输入，以双调和样条插值确定的调压阀相应开度S′为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
7.如权利要求4所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S33中，所述验证数据集是以在k个马赫数开展风洞调试试验获取的调压阀前后压比P和相应调压阀开度S试验结果数据构造，并对经迭代训练的神经网络进行测试；
其中，在测试中，若神经网络的输出结果与对应的调压阀开度S误差大于给定的期望偏差，则调整神经网络参数及结构进行重新训练，直至误差小于给定的期望偏差，则认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造。
CN202210856644.5A 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法 Active CN114943187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856644.5A CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856644.5A CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Publications (2)

Publication Number Publication Date
CN114943187A CN114943187A (zh) 2022-08-26
CN114943187B true CN114943187B (zh) 2022-10-25

Family

ID=82910455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856644.5A Active CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Country Status (1)

Country Link
CN (1) CN114943187B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353650A (zh) * 2015-12-22 2016-02-24 中国航天空气动力技术研究院 建立暂冲式亚跨超风洞亚跨流场调压阀预置开度模型方法
CN112304554A (zh) * 2020-12-02 2021-02-02 中国空气动力研究与发展中心高速空气动力研究所 提升风洞环状缝隙调压阀特性曲线实用性的方法
CN112560355A (zh) * 2021-02-22 2021-03-26 常州微亿智造科技有限公司 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN112556970A (zh) * 2020-12-21 2021-03-26 中国空气动力研究与发展中心高速空气动力研究所 一种变截面形状高速风洞试验段的过渡型面解算方法
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法
CN114486164A (zh) * 2022-04-18 2022-05-13 中国空气动力研究与发展中心空天技术研究所 一种基于神经网络的三孔探针梯度流场测试标定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108693897B (zh) * 2018-05-30 2021-01-08 中国空气动力研究与发展中心高速空气动力研究所 引射驱动的闭环回流的暂冲式亚跨声速风洞流场控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353650A (zh) * 2015-12-22 2016-02-24 中国航天空气动力技术研究院 建立暂冲式亚跨超风洞亚跨流场调压阀预置开度模型方法
CN112304554A (zh) * 2020-12-02 2021-02-02 中国空气动力研究与发展中心高速空气动力研究所 提升风洞环状缝隙调压阀特性曲线实用性的方法
CN112556970A (zh) * 2020-12-21 2021-03-26 中国空气动力研究与发展中心高速空气动力研究所 一种变截面形状高速风洞试验段的过渡型面解算方法
CN112560355A (zh) * 2021-02-22 2021-03-26 常州微亿智造科技有限公司 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法
CN114486164A (zh) * 2022-04-18 2022-05-13 中国空气动力研究与发展中心空天技术研究所 一种基于神经网络的三孔探针梯度流场测试标定方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"2m×2m超声速风洞流场控制策略研究与实现";褚卫华;《实验流体力学》;20121015;第26卷(第5期);1-5 *
"2m超声速风洞流场变速压控制方法研究";周波 等;《实验流体力学》;20191215;第30卷(第6期);1-6 *
"暂冲式风洞调压阀研制及特性研究";张诣;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第1期);C029-380 *
"某高超声速风洞模型底压精确测量方法改进研究与试验验证";黄昊宇 等;《计算机测量与控制》;20220515;第30卷(第5期);1-6 *
"基于神经网络的风洞流场马赫数自适应控制策略研究";赵书军;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20050215(第2期);C031-5 *

Also Published As

Publication number Publication date
CN114943187A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
Jeong et al. Efficient global optimization (EGO) for multi-objective problem and data mining
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
US20220036231A1 (en) Method and device for processing quantum data
CN113158582A (zh) 基于复数值前向神经网络的风速预测方法
CN111200141B (zh) 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN110808581B (zh) 一种基于dbn-svm的主动配电网电能质量预测方法
CN109284662B (zh) 一种基于迁移学习的水下声音信号分类方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
Tao et al. Evolutionary gate recurrent unit coupling convolutional neural network and improved manta ray foraging optimization algorithm for performance degradation prediction of PEMFC
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
Kim et al. Multi-condition multi-objective optimization using deep reinforcement learning
CN107016239B (zh) 一种汽轮机阀门流量特性分析方法
CN109146055A (zh) 基于正交化实验和人工神经网络的改进粒子群优化方法
CN116881686A (zh) 一种量子bp神经网络的核管道故障诊断方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN114943187B (zh) 一种基于神经网络的阀门特性曲面构造方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN110795891B (zh) 一种耙吸式挖泥船操作参数的学习方法
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN108896330A (zh) 一种水电机组的故障诊断方法
CN110532646B (zh) 基于自适应动态规划的湖库蓝藻水华预测方法
CN114139442A (zh) 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法
CN113935556B (zh) 一种基于dna遗传算法的温度传感器优化布置方法

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