CN115270361A - 高效求解约束问题的离心压气机叶轮优化设计方法及装置 - Google Patents

高效求解约束问题的离心压气机叶轮优化设计方法及装置 Download PDF

Info

Publication number
CN115270361A
CN115270361A CN202211204800.6A CN202211204800A CN115270361A CN 115270361 A CN115270361 A CN 115270361A CN 202211204800 A CN202211204800 A CN 202211204800A CN 115270361 A CN115270361 A CN 115270361A
Authority
CN
China
Prior art keywords
constraint
centrifugal compressor
agent model
function
model
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.)
Granted
Application number
CN202211204800.6A
Other languages
English (en)
Other versions
CN115270361B (zh
Inventor
刘基盛
孙浩
李威
贾志新
王津
钱凌云
邱林宾
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202211204800.6A priority Critical patent/CN115270361B/zh
Publication of CN115270361A publication Critical patent/CN115270361A/zh
Application granted granted Critical
Publication of CN115270361B publication Critical patent/CN115270361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/17Mechanical parametric or variational design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/04Constraint-based CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08Thermal analysis or thermal optimisation
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明涉及离心压气机叶轮优化设计技术领域,特别是指一种高效求解约束问题的离心压气机叶轮优化设计方法及装置,方法包括:计算额定工况下的气动性能数值,得到绝热效率;设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,建立多个不同的单一代理模型;通过多个不同的单一代理模型,创建多代理模型;通过非线性Sigmoid激活函数以及多代理模型,创建带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,进行样本填充;重复执行直到总样本的数量达到预设数量,停止重复执行的操作,根据总样本,获得离心压气机叶轮叶片的最佳气动几何构型。采用本发明,可以提高求解质量,提升离心压气机叶轮叶片多工况最佳构型的寻优效率。

Description

高效求解约束问题的离心压气机叶轮优化设计方法及装置
技术领域
本发明涉及离心压气机叶轮优化设计技术领域,特别是指一种高效求解约束问题的离心压气机叶轮优化设计方法及装置。
背景技术
离心压气机是保障国防安全和促进国民经济发展的重要动力装备,已广泛应用于航空航天、船舶、化工和新能源等需求领域。根据全国能源基础与标准化委员会的有关统计资料,工业压气机系统年耗电量约占全国总发电量的6%-9%左右。随着中国在第七十五届联合国大会上提出“碳达峰、碳中和”的目标承诺及推进,提高离心压气机的气动性能对“节能减排”具有积极意义。
但离心压气机工作时通常伴随大逆压梯度、强三维效应和非定常特征,对离心压气机复杂曲面叶片进行三维气动设计优化时会面临设计变量多、搜索空间大和优化效率低等难题,通常需要数千次的迭代计算求取全局优化解,冗长的仿真过程和“昂贵计算”很难在有限的时间内达到预期效果。
近年来,在计算机领域出现了解决中高维(大于20维)高耗时评估问题的技术手段—多代理模型技术,但该技术作为计算机学科的新兴领域,面向实际约束优化问题的相关研究较少,尚未见到在离心压气机气动设计领域的应用。
发明内容
本发明实施例提供了一种高效求解约束问题的离心压气机叶轮优化设计方法及装置。所述技术方案如下:
一方面,提供了一种高效求解约束问题的离心压气机叶轮优化设计方法,该方法由电子设备实现,该方法包括:
S1、初始化样本数据;
S2、计算额定工况下的气动性能数值,得到绝热效率;
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
S4、通过所述多个不同的单一代理模型,创建集成的多代理模型;
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,包括:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述建立非线性Sigmoid激活函数,包括:
把优化问题中不满足可行域的解的集合中的主要区间
Figure 302078DEST_PATH_IMAGE001
线性映射到非线 性Sigmoid曲线变量区间
Figure 864515DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 236591DEST_PATH_IMAGE003
其中,
Figure 307315DEST_PATH_IMAGE004
表示第一系数,
Figure 704929DEST_PATH_IMAGE005
表示第二系数,所述
Figure 75868DEST_PATH_IMAGE004
Figure 339883DEST_PATH_IMAGE005
由不满足可行域的解的区间 上下限和Sigmoid激活函数的变量区间的上下限计算得到。
可选地,所述建立违反约束函数,包括:
建立违反约束函数
Figure 429062DEST_PATH_IMAGE006
,所述违反约束函数的数学表达式如下式(2):
Figure 551739DEST_PATH_IMAGE007
其中,
Figure 308342DEST_PATH_IMAGE008
为约束条件的上边界;
Figure 976215DEST_PATH_IMAGE009
为约束条件的下边界;
Figure 287111DEST_PATH_IMAGE010
表示线性映射函 数;
Figure 744637DEST_PATH_IMAGE011
为非线性Sigmoid激活函数,所述
Figure 339435DEST_PATH_IMAGE011
的数学表达式如下式(3):
Figure 489794DEST_PATH_IMAGE012
可选地,所述对所述样本数据进行样本填充,包括:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
另一方面,提供了一种高效求解约束问题的离心压气机叶轮优化设计装置,该装置应用于快速求解约束问题的离心压气机气动优化方法,该装置包括:
获取模块,用于初始化样本数据;
计算模块,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述第二创建模块,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述第二创建模块,用于:
把优化问题中不满足可行域的解的集合中的主要区间
Figure 101035DEST_PATH_IMAGE001
线性映射到非线 性Sigmoid曲线变量区间
Figure 831093DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 418414DEST_PATH_IMAGE003
其中,
Figure 739674DEST_PATH_IMAGE004
表示第一系数,
Figure 759582DEST_PATH_IMAGE005
表示第二系数,所述
Figure 998059DEST_PATH_IMAGE004
Figure 787023DEST_PATH_IMAGE005
由不满足可行域的解的区间 上下限和Sigmoid激活函数的变量区间的上下限计算得到。
可选地,所述第二创建模块,用于:
建立违反约束函数
Figure 528452DEST_PATH_IMAGE006
,所述违反约束函数的数学表达式如下式(2):
Figure 301236DEST_PATH_IMAGE007
其中,
Figure 373097DEST_PATH_IMAGE008
为约束条件的上边界;
Figure 485410DEST_PATH_IMAGE009
为约束条件的下边界;
Figure 368046DEST_PATH_IMAGE010
表示线性映射函 数;
Figure 362547DEST_PATH_IMAGE011
为非线性Sigmoid激活函数,所述
Figure 238099DEST_PATH_IMAGE011
的数学表达式如下式(3):
Figure 1656DEST_PATH_IMAGE012
可选地,所述填充模块,用于:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
基于一种高效求解约束问题的离心压气机叶轮优化设计方法,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计方法流程图;
图2是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计方法流程框图;
图3是本发明实施例提供的一种非线性Sigmoid曲线函数示意图;
图4是本发明实施例提供的一种循环样本填充的流程示意图;
图5是本发明实施例提供的一种额定工况流量-绝热效率性能曲线示意图;
图6是本发明实施例提供的一种额定工况总压比-绝热效率性能曲线示意图;
图7是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计装置框图;
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种高效求解约束问题的离心压气机叶轮优化设计方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的高效求解约束问题的离心压气机叶轮优化设计方法流程图,如图2所示的高效求解约束问题的离心压气机叶轮优化设计方法流程框图,该方法的处理流程可以包括如下的步骤:
S1、初始化样本数据。
一种可行的实施方式中,初始化样本数据的方式有很多,其中一种可行的处理方式为:布局单位样条曲面的设计顶点和设计空间,采用拉丁超立方抽样方法初始化样本数据,具体来说,可以设置5d个采样点进行采样,其中,d表示变量个数;
举例来说,当d设置为20时,采样的过程可以如下:
初始化100个样本点,每一维变量分成100个小区间,每个样本点在小区间内是随机分布的,所选取的100个样本点对任意一个维度投影时,该维度上的每一个小区间内有且仅有一个样本点。
S2、计算额定工况下的气动性能数值,得到绝热效率。
一种可行的实施方式中,计算额定工况下的气动性能数值的方法有很多,其中一种可行的实施方式可以包括下述步骤S21-S25:
S21、采用型面映射参数化方法,对原始离心压气机的叶片几何构型进行参数化表达,创建了原始叶片吸力面与单位样条曲面的映射模型、压力面与单位样条曲面的映射模型。
具体地,对原始叶型吸力面和压力面的几何型线进行单位化,生成单位化的映射样条曲面,建立映射模型:
原始叶型吸力面和压力面型线单位化方法相同,横坐标数学定义如下:
Figure 574237DEST_PATH_IMAGE013
式中,
Figure 56034DEST_PATH_IMAGE014
是型线单位化后的横坐标,
Figure 469697DEST_PATH_IMAGE015
是型线上弧长段号。
Figure 353340DEST_PATH_IMAGE016
是型线标号。
Figure 843358DEST_PATH_IMAGE017
是 第
Figure 812451DEST_PATH_IMAGE018
段弧长,
Figure 29806DEST_PATH_IMAGE019
是第
Figure 971217DEST_PATH_IMAGE020
条型线。
原始叶型吸力面和压力面型线单位化方法相同,纵坐标数学定义如下:
Figure 661830DEST_PATH_IMAGE021
式中,
Figure 118219DEST_PATH_IMAGE022
是型线单位化后的纵坐标
Figure 76948DEST_PATH_IMAGE015
是型线上弧长段号。
Figure 935183DEST_PATH_IMAGE016
是型线标号。
Figure 485113DEST_PATH_IMAGE023
是第
Figure 976268DEST_PATH_IMAGE024
段弧长,而
Figure 535425DEST_PATH_IMAGE025
Figure 248167DEST_PATH_IMAGE015
条型线。
生成映射样条曲面方法的数学表达式如下:
Figure 486774DEST_PATH_IMAGE026
式中,
Figure 652176DEST_PATH_IMAGE027
是单位化的映射样条曲面上的点坐标,
Figure 749445DEST_PATH_IMAGE028
是样条曲面控制顶点坐标,
Figure 785535DEST_PATH_IMAGE029
是样条曲面上的横坐标的标号,
Figure 942846DEST_PATH_IMAGE030
样条曲面上的横坐标的控制顶点数,
Figure 143015DEST_PATH_IMAGE031
是样条曲面上 的纵坐标的标号,
Figure 43975DEST_PATH_IMAGE032
样条曲面上的纵坐标的控制顶点数,
Figure 465729DEST_PATH_IMAGE033
Figure 308789DEST_PATH_IMAGE034
是伯恩斯坦基 函数,其中
Figure 448783DEST_PATH_IMAGE035
Figure 887855DEST_PATH_IMAGE036
是映射参数。
建立吸力面、压力面的映射模型,两个映射模型数学表达式相同,如下:
Figure 632957DEST_PATH_IMAGE037
式中,
Figure 132071DEST_PATH_IMAGE038
是原始叶片表面的变化量。
S22、基于上述步骤得到的映射模型和样本数据,采用鲁棒性强的蒙特卡洛算法,求解映射模型非线性方程组的局部参数,进而求出原始叶片表面的变化量。
具体地,建立映射函数与真实叶片数据点的误差模型,数学表达式如下:
Figure 510094DEST_PATH_IMAGE039
式中,
Figure 752856DEST_PATH_IMAGE040
为映射参数,
Figure 149203DEST_PATH_IMAGE041
为映射值与真实值的误差为,
Figure 819219DEST_PATH_IMAGE042
为真实坐标,
Figure 180143DEST_PATH_IMAGE043
是样条曲面控制顶点坐标,
Figure 226596DEST_PATH_IMAGE044
是样条曲面上的横坐标的标号,
Figure 743028DEST_PATH_IMAGE045
样条曲面上的横坐标的控 制顶点数,
Figure 583945DEST_PATH_IMAGE046
是样条曲面上的纵坐标的标号,
Figure 936560DEST_PATH_IMAGE047
样条曲面上的纵坐标的控制顶点数,
Figure 363868DEST_PATH_IMAGE048
Figure 734807DEST_PATH_IMAGE049
是伯恩斯坦基函数,其中
Figure 746625DEST_PATH_IMAGE050
Figure 570225DEST_PATH_IMAGE051
是映射参数。
首先,初始化映射参数
Figure 443634DEST_PATH_IMAGE052
,计算初始差值
Figure 669079DEST_PATH_IMAGE053
,设定一正数
Figure 117378DEST_PATH_IMAGE054
。再次, 在区间
Figure 477208DEST_PATH_IMAGE055
上生成随机数向量
Figure 403576DEST_PATH_IMAGE056
,计算
Figure 749107DEST_PATH_IMAGE057
。当
Figure 102728DEST_PATH_IMAGE058
Figure 651652DEST_PATH_IMAGE059
Figure 381711DEST_PATH_IMAGE060
Figure 581748DEST_PATH_IMAGE061
。若随机生成的多组随机向量仍不满足
Figure 309532DEST_PATH_IMAGE062
,则令
Figure 595020DEST_PATH_IMAGE063
,如此循环计算,直到
Figure 112458DEST_PATH_IMAGE064
, 进而得到最佳映射参数。
S23、基于上述步骤求出的原始叶片吸力面和压力面数据点的变化量,采用扰动样条曲面的方法,获到新的叶片几何构型。
Figure 432581DEST_PATH_IMAGE065
式中,
Figure 393584DEST_PATH_IMAGE066
是新叶片坐标值,
Figure 166368DEST_PATH_IMAGE067
是原始叶片坐标值,
Figure 723382DEST_PATH_IMAGE068
是原变化量;通过扰 动样条曲面的设计顶点参数,求出变化量,将其叠加在叶片曲面。
S24、基于原始离心压气机叶轮生成的
Figure 101274DEST_PATH_IMAGE069
网格模板文件,对上述步骤得到的新 叶片几何构型进行网格划分,生成新的离心压气机叶轮叶片网格模型。
具体地,预设的网格模板文件的相关参数可以是:网格主拓扑采用H&I,叶尖间隙 拓扑采用HO,网格划分总数为120万,采用FINE/TURBO的Autogrid5模块生成
Figure 967599DEST_PATH_IMAGE069
文件的 网格模板。
S25、对上述步骤得到新的离心压气机叶轮叶片网格模型进行多工况的定常数值模拟计算,获得气动性能。
具体地,采用NUMECA的EURANUS求解器计算三维稳态Reynolds平均Navier-Stokes方程,得到离心叶轮稳态流场,湍流模型采用 一方程模型,叶轮进口总温度为293K,总压为101325 Pa,进口方向为轴向,出口为平均静压。通过逐渐增大背压,从堵塞点向近喘振点推进计算,得到绝热效率。
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于样本数据和绝热效率,建立多个不同的单一代理模型。
可选地,S3中的目标函数的数学表达式如下式:
Figure 227679DEST_PATH_IMAGE070
其中,
Figure 837651DEST_PATH_IMAGE071
为额定工况的绝热效率。
可选地,多个不同的单一代理模型包括Kring模型、PR模型和RBF模型三个单一代理模型。
具体地,下面对三个模型分别进行介绍:
(1)Kriging模型基于随机过程理论的空间插值技术,以不同的协方差函数和结构分析理论为基础,实现对待估区域的无偏最优估计,数学表达式如下:
Figure 909863DEST_PATH_IMAGE072
式中,
Figure 415931DEST_PATH_IMAGE073
是预测响应函数值,
Figure 897728DEST_PATH_IMAGE074
是回归 基函数,
Figure 311391DEST_PATH_IMAGE075
是系数向量,
Figure 211345DEST_PATH_IMAGE076
是基函数的数目,
Figure 685052DEST_PATH_IMAGE077
是数学期望为
Figure 185304DEST_PATH_IMAGE078
和方差是
Figure 386347DEST_PATH_IMAGE079
的局部误差项。
(2)PR模型用于回归分析,数学表达式如下:
Figure 593337DEST_PATH_IMAGE080
式中,
Figure 237945DEST_PATH_IMAGE081
是第
Figure 694334DEST_PATH_IMAGE082
个个体变量的预测响应函数值,
Figure 715380DEST_PATH_IMAGE083
是第
Figure 58767DEST_PATH_IMAGE082
个设计变量,
Figure 874277DEST_PATH_IMAGE084
是待 求系数,
Figure 21224DEST_PATH_IMAGE085
是变量总数,
Figure 580382DEST_PATH_IMAGE086
是拟合误差。
(3)RBF模型通过加权以样本点为中心径向对称的核函数和复杂设计空间的插值,近似输入的样本与预测输出之间的关系,数学表达式如下:
Figure 293123DEST_PATH_IMAGE087
式中,
Figure 266151DEST_PATH_IMAGE088
是预测响应函数值,式中
Figure 697133DEST_PATH_IMAGE089
表示径向基函数的各中心点;
Figure 794402DEST_PATH_IMAGE090
Figure 627228DEST_PATH_IMAGE091
表示待预测点和中心点的L2范数,
Figure 535273DEST_PATH_IMAGE092
表示核函数。
S4、通过多个不同的单一代理模型,创建集成的多代理模型。
一种可行的实施方式中,基于上述步骤S3中的三个单一代理模型,创建集成的多代理模型,多代理模型的数学表达式如下:
Figure 453550DEST_PATH_IMAGE093
其中,
Figure 354510DEST_PATH_IMAGE094
是第
Figure 776264DEST_PATH_IMAGE015
个成员代理模型输出,
Figure 353745DEST_PATH_IMAGE095
Figure 697002DEST_PATH_IMAGE096
是第
Figure 401652DEST_PATH_IMAGE015
个输出的权重,其中
Figure 943492DEST_PATH_IMAGE097
是第
Figure 442607DEST_PATH_IMAGE015
个模型的均方根误差。
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型。
其中,带动态惩罚机制的多代理模型的动态惩罚机制的原则,可以如下:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,可以包括下述步骤S51-S53:
S51、建立非线性Sigmoid激活函数。
具体地,把优化问题中不满足可行域的解的集合中的主要区间
Figure 86209DEST_PATH_IMAGE001
线性映 射到非线性Sigmoid曲线变量区间
Figure 328971DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 725317DEST_PATH_IMAGE003
其中,
Figure 395333DEST_PATH_IMAGE004
表示第一系数,
Figure 490678DEST_PATH_IMAGE005
表示第二系数,
Figure 271553DEST_PATH_IMAGE004
Figure 53564DEST_PATH_IMAGE005
由不满足可行域的解的区间上下 限和Sigmoid激活函数的变量区间的上下限计算得到。
S52、建立违反约束函数。
具体地,建立违反约束函数
Figure 894481DEST_PATH_IMAGE006
,违反约束函数的数学表达式如下式(2):
Figure 247096DEST_PATH_IMAGE007
其中,
Figure 34923DEST_PATH_IMAGE008
为约束条件的上边界;
Figure 405862DEST_PATH_IMAGE009
为约束条件的下边界;
Figure 417680DEST_PATH_IMAGE010
表示线性映射函 数;
Figure 241280DEST_PATH_IMAGE011
为非线性Sigmoid激活函数,
Figure 144382DEST_PATH_IMAGE011
的曲线可以如图3所示,
Figure 369827DEST_PATH_IMAGE011
的数学表达式 如下式(3):
Figure 552547DEST_PATH_IMAGE012
S53、将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
举例来说,将标准约束问题转化问无约束问题,以最小值为例,带动态惩罚机制的多代理模型的数学表达式可以如下:
Figure 129022DEST_PATH_IMAGE098
其中,
Figure 258652DEST_PATH_IMAGE099
为多代理模型,
Figure 89336DEST_PATH_IMAGE100
为带惩罚机制的多代理模型。
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对样本数据进行样本填充。
可选地,对样本数据进行样本填充,具体可以如下:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
一种可行的实施方式中,基于上述步骤创建的带惩罚机制的多代理模型,利用全局模型管理探索最有希望的区域,在不能进一步改进的情况下转到局部模型管理,然后在最有希望区域进一步的开发更细节的局部详情,以进一步提高模型性能,上述探索和开发出的新数据被填充到样本集中更新代理模型,带惩罚机制的多代理模型技术流程如图4。
首先,利用粒子群算法求解带惩罚机制的多代理模型不确定性最大样本,数学表达式如下:
Figure 708536DEST_PATH_IMAGE101
式中,
Figure 772307DEST_PATH_IMAGE102
为不确定性最大样本,
Figure 502366DEST_PATH_IMAGE103
Figure 640086DEST_PATH_IMAGE104
维决策向量,
Figure 479122DEST_PATH_IMAGE105
是在预测解
Figure 764610DEST_PATH_IMAGE103
处,组分 成员(不同的单一代理模型)之间的不确定性,定义为不同的两个组分成员输出的最大差 值,训练数据集
Figure 32780DEST_PATH_IMAGE106
存储
Figure 838057DEST_PATH_IMAGE107
个数据,包括决策变量和 昂贵的评估的适应值。当粒子群算法搜索停止时,使用昂贵的适应度函数对最不确定解
Figure 799059DEST_PATH_IMAGE108
进行评估。假设
Figure 306264DEST_PATH_IMAGE108
的实际适应值为
Figure 581388DEST_PATH_IMAGE109
,则新的数据点
Figure 756017DEST_PATH_IMAGE110
然后添加 到样本数据集合
Figure 871609DEST_PATH_IMAGE111
中,更新带惩罚机制的多代理模型。
其次,利用粒子群求取带惩罚机制的多代理模型的全局最优解,数学表达式如下:
Figure 397269DEST_PATH_IMAGE112
式中,
Figure 7241DEST_PATH_IMAGE113
为目标函数的最优值,再采用昂贵计算对该解进行评估,获得其真实 的适应值
Figure 36377DEST_PATH_IMAGE114
,然后,数据对
Figure 276866DEST_PATH_IMAGE115
被添加到数据集
Figure 774974DEST_PATH_IMAGE116
最后,全局模型管理不能进一步改进时,将初始样本和所有昂贵的真实适应度值 且优于初始样本最佳适应度值的待加点数据全部放入到数据集
Figure 454217DEST_PATH_IMAGE117
,这些新加入数据是 最有希望引导搜索方向探索最优解,随着新加入数据的增多将集中在一个局部区域,此时 建立另一个基于
Figure 337860DEST_PATH_IMAGE117
局部管理的多代理模型
Figure 811566DEST_PATH_IMAGE118
,采用粒子群算法求解该区 域中的最优解数学表达式如下:
Figure 983922DEST_PATH_IMAGE119
当找到局部最优解时,利用昂贵计算对
Figure 205473DEST_PATH_IMAGE120
进行评估,将真实的适应度值和数据 点
Figure 209201DEST_PATH_IMAGE121
添加到样本集合
Figure 853809DEST_PATH_IMAGE111
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
一种可行的实施方式中,可以按照11d的方法确定预设数量,d表示变量个数,举例来说,当d设置40时,预设数量可以设定为440个。
下面对本发明实施例的实施效果进行说明:
通过一种快速求解约束问题的离心压气机气动优化方法,仅利用440次迭代次数,即可求解带约束限制的离心压气机复杂曲面叶片最佳几何构型,提高了离心压气机叶轮叶片多工况的气动综合性能,性能参数改善情况如表1。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。该技术具有较强的通用性,对推动离心压气机叶轮叶片气动设计技术的发展具有一定的积极意义。
表1
Figure 310198DEST_PATH_IMAGE122
研究结果表明优化后气动性能曲线明显整体上移,额定工况流量-绝热效率性能曲线如图5,额定工况总压比-绝热效率性能曲线如图6,气动性能得到大幅改善:额定工况的绝热效率提高1.9%,总压比提高0.81%,流量增加了4.61%,同时裕度也得到保证。
通过应用案例可知,与传统设计优化方法相比,本发明提出的基于一种快速求解约束问题的离心压气机气动优化方法,可有效改善实际约束优化问题,利用较少的迭代次数提升了额定工况的气动综合性能,实现了形性优化的目的,同时验证了该方法的可行性和普适性,具有一定的推广应用价值。
本发明实施例中,基于一种快速求解约束问题的离心压气机气动优化方法,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
图7是根据一示例性实施例示出的一种高效求解约束问题的离心压气机叶轮优化设计装置框图。参照图7,该装置700包括获取模块710、计算模块720、建立模块730、第一创建模块740、第二创建模块750、填充模块760以及循环模块770;其中:
获取模块710,用于获取样本数据;
计算模块720,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块730,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块740,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块750,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块760,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块770,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述第二创建模块750,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述第二创建模块750,用于:
把优化问题中不满足可行域的解的集合中的主要区间
Figure 816397DEST_PATH_IMAGE001
线性映射到非线 性Sigmoid曲线变量区间
Figure 674631DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 490141DEST_PATH_IMAGE003
其中,
Figure 637088DEST_PATH_IMAGE004
表示第一系数,
Figure 930666DEST_PATH_IMAGE005
表示第二系数,所述
Figure 892675DEST_PATH_IMAGE004
Figure 879085DEST_PATH_IMAGE005
由不满足可行域的解的区间 上下限和Sigmoid激活函数的变量区间的上下限计算得到。
可选地,所述第二创建模块750,用于:
建立违反约束函数
Figure 310067DEST_PATH_IMAGE006
,所述违反约束函数的数学表达式如下式(2):
Figure 407336DEST_PATH_IMAGE007
其中,
Figure 990895DEST_PATH_IMAGE008
为约束条件的上边界;
Figure 148207DEST_PATH_IMAGE009
为约束条件的下边界;
Figure 66484DEST_PATH_IMAGE010
表示线性映射函 数;
Figure 701865DEST_PATH_IMAGE011
为非线性Sigmoid激活函数,所述
Figure 592461DEST_PATH_IMAGE011
的数学表达式如下式(3):
Figure 172871DEST_PATH_IMAGE012
可选地,所述填充模块760,用于:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
本发明实施例中,基于一种快速求解约束问题的离心压气机气动优化装置,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
图8是本发明实施例提供的一种电子设备800的结构示意图,该电子设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)801和一个或一个以上的存储器802,其中,所述存储器802中存储有至少一条指令,所述至少一条指令由所述处理器801加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述快速求解约束问题的离心压气机气动优化方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种高效求解约束问题的离心压气机叶轮优化设计方法,其特征在于,所述方法包括:
S1、初始化样本数据;
S2、计算额定工况下的气动性能数值,得到绝热效率;
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
S4、通过所述多个不同的单一代理模型,创建集成的多代理模型;
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
2.根据权利要求1所述的方法,其特征在于,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
3.根据权利要求1所述的方法,其特征在于,所述通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,包括:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
4.根据权利要求3所述的方法,其特征在于,所述建立非线性Sigmoid激活函数,包括:
把优化问题中不满足可行域的解的集合中的主要区间
Figure 346415DEST_PATH_IMAGE001
线性映射到非线性 Sigmoid曲线变量区间
Figure 853620DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 800847DEST_PATH_IMAGE003
其中,
Figure 709897DEST_PATH_IMAGE004
表示第一系数,
Figure 717167DEST_PATH_IMAGE005
表示第二系数,所述
Figure 711668DEST_PATH_IMAGE004
Figure 462587DEST_PATH_IMAGE005
由不满足可行域的解的区间上下 限和Sigmoid激活函数的变量区间的上下限计算得到。
5.根据权利要求3所述的方法,其特征在于,所述建立违反约束函数,包括:
建立违反约束函数
Figure 226143DEST_PATH_IMAGE006
,所述违反约束函数的数学表达式如下式(2):
Figure 263369DEST_PATH_IMAGE007
其中,
Figure 620533DEST_PATH_IMAGE008
为约束条件的上边界;
Figure 34196DEST_PATH_IMAGE009
为约束条件的下边界;
Figure 527626DEST_PATH_IMAGE010
表示线性映射函数;
Figure 1332DEST_PATH_IMAGE011
为非线性Sigmoid激活函数,所述
Figure 845792DEST_PATH_IMAGE011
的数学表达式如下式(3):
Figure 63146DEST_PATH_IMAGE012
6.根据权利要求3所述的方法,其特征在于,所述对所述样本数据进行样本填充,包括:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
7.一种高效求解约束问题的离心压气机叶轮优化设计装置,其特征在于,所述装置包括:
获取模块,用于初始化样本数据;
计算模块,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
8.根据权利要求7所述的装置,其特征在于,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
9.根据权利要求7所述的装置,其特征在于,所述第二创建模块,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
10.根据权利要求9所述的装置,其特征在于,所述第二创建模块,用于:
把优化问题中不满足可行域的解的集合中的主要区间
Figure 673732DEST_PATH_IMAGE001
线性映射到非线性 Sigmoid曲线变量区间
Figure 754558DEST_PATH_IMAGE002
上,线性映射函数的数学表达式如下式(1):
Figure 23996DEST_PATH_IMAGE003
其中,
Figure 185987DEST_PATH_IMAGE004
表示第一系数,
Figure 940096DEST_PATH_IMAGE005
表示第二系数,所述
Figure 768987DEST_PATH_IMAGE004
Figure 119197DEST_PATH_IMAGE005
由不满足可行域的解的区间上下 限和Sigmoid激活函数的变量区间的上下限计算得到。
CN202211204800.6A 2022-09-30 2022-09-30 高效求解约束问题的离心压气机叶轮优化设计方法及装置 Active CN115270361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204800.6A CN115270361B (zh) 2022-09-30 2022-09-30 高效求解约束问题的离心压气机叶轮优化设计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204800.6A CN115270361B (zh) 2022-09-30 2022-09-30 高效求解约束问题的离心压气机叶轮优化设计方法及装置

Publications (2)

Publication Number Publication Date
CN115270361A true CN115270361A (zh) 2022-11-01
CN115270361B CN115270361B (zh) 2023-01-24

Family

ID=83758182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204800.6A Active CN115270361B (zh) 2022-09-30 2022-09-30 高效求解约束问题的离心压气机叶轮优化设计方法及装置

Country Status (1)

Country Link
CN (1) CN115270361B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216847A1 (en) * 1998-06-18 2003-11-20 Bellinger Steven M. System for controlling an internal combustion engine in a fuel efficient manner
CN101435344A (zh) * 2007-11-12 2009-05-20 斯奈克玛 采用模制法制造的金属叶轮叶片和这种叶轮叶片的制造方法
CN104317997A (zh) * 2014-10-17 2015-01-28 北京航空航天大学 一种高负荷风扇/压气机端壁造型优化设计方法
CN106677979A (zh) * 2016-12-28 2017-05-17 中原工学院 一种风力机叶片气动外形与主机运行特性耦合优化方法
CN111859730A (zh) * 2020-06-05 2020-10-30 合肥通用机械研究院有限公司 一种燃料电池离心压缩机转子构形优化设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216847A1 (en) * 1998-06-18 2003-11-20 Bellinger Steven M. System for controlling an internal combustion engine in a fuel efficient manner
CN101435344A (zh) * 2007-11-12 2009-05-20 斯奈克玛 采用模制法制造的金属叶轮叶片和这种叶轮叶片的制造方法
CN104317997A (zh) * 2014-10-17 2015-01-28 北京航空航天大学 一种高负荷风扇/压气机端壁造型优化设计方法
CN106677979A (zh) * 2016-12-28 2017-05-17 中原工学院 一种风力机叶片气动外形与主机运行特性耦合优化方法
CN111859730A (zh) * 2020-06-05 2020-10-30 合肥通用机械研究院有限公司 一种燃料电池离心压缩机转子构形优化设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张青等: "基于粒子群算法的切削参数优化及其约束处理", 《航空精密制造技术》 *

Also Published As

Publication number Publication date
CN115270361B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
Wang et al. Dual-convolutional neural network based aerodynamic prediction and multi-objective optimization of a compact turbine rotor
Pini et al. Adjoint method for shape optimization in real-gas flow applications
CN104298869B (zh) 一种弹性水翼的流固耦合特性数值预测方法
CN113642105B (zh) 船舶动力系统的多尺度模型构建方法、装置及电子设备
CN115270362B (zh) 离心压气机额定工况下的叶片构型设计优化方法及装置
CN112417773B (zh) 多级轴流膨胀机的多学科优化设计方法、装置及设备
CN111295657A (zh) 利用卷积神经网络代理经由梯度下降的技术设备的外形优化
CN115906718B (zh) 一种旋转机械cfd系统
Loppi et al. Locally adaptive pseudo-time stepping for high-order flux reconstruction
CN115270363B (zh) 基于多代理模型的离心压气机叶片优化设计方法及装置
CN115481511A (zh) 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
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
Wang et al. Field reconstruction and off-design performance prediction of turbomachinery in energy systems based on deep learning techniques
CN116306365A (zh) 一种旋转机械的流体仿真方法
Pringuey et al. High order schemes on three-dimensional general polyhedral meshes—Application to the level set method
Chen et al. Inverse design and optimization of low specific speed centrifugal pump blade based on adaptive pod hybrid model
CN115270361B (zh) 高效求解约束问题的离心压气机叶轮优化设计方法及装置
Watanabe et al. Optimizing memory layout of hyperplane ordering for vector supercomputer SX-Aurora TSUBASA
Salehi et al. OpenFOAM for Francis turbine transients
Ma et al. Optimization of discrete cavities with guide vanes in a centrifugal compressor based on a comparative analysis of optimization techniques
Rozenberg et al. Fluid structure interaction problems in turbomachinery using rbf interpolation and greedy algorithm
Zakeralhoseini et al. The influence of splitter blades and meridional profiles on the performance of small-scale turbopumps for ORC applications; analysis, neural network modeling and optimization
Yang et al. Numerical analysis of large-amplitude ship motions using FV-based Cartesian grid method
CN113379103B (zh) 基于降阶模型的泵类设备内部流场的预测方法
Remigi et al. Evaluation of tandem transonic compressor performances with mixing plane and metric-based mesh adaptation

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