CN116070369A - 一种基于粒子群算法的喷射器结构优化方法 - Google Patents
一种基于粒子群算法的喷射器结构优化方法 Download PDFInfo
- Publication number
- CN116070369A CN116070369A CN202310039999.XA CN202310039999A CN116070369A CN 116070369 A CN116070369 A CN 116070369A CN 202310039999 A CN202310039999 A CN 202310039999A CN 116070369 A CN116070369 A CN 116070369A
- Authority
- CN
- China
- Prior art keywords
- injector
- particle
- setting
- particles
- option
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于粒子群算法的喷射器结构优化方法,涉及到喷射器结构设计过程中,对结构优化处理方法技术领域。解决现有设计方法获到的喷射器喷射性能不理解的技术不足,包括:(1)、建立喷射器流体计算域的三维仿真模型;(2)、对三维仿真模型进行网格划分;(3)、将三维仿真模型传递到计算模块;(4)、进行仿真运算得到仿真结果;(5)、进行多次模拟计算,由喷射器内检测面的压力云图、检测面的温度云图、检测面的速度云图、喷射系数作为评价喷射器效果的指标,以此确定最优化的喷射器结构参数设计;提高喷射器结构设计的优化处理,提升喷射器性能。
Description
技术领域
本发明涉及到喷射器结构设计过程中,对结构优化处理方法技术领域。
背景技术
喷射器是一种可以进行能量转化的流体机械,它不损耗机械能,可提高流体压力,最重要的是它能够节能减排,减少能源损耗,所以在生产中得到了广泛使用。喷射器作为核心部件,它的性能将直接影响化工系统性能参数。目前在喷射器设计阶段,未考虑不同运行工况下喷射器性能的变化规律,设计出的喷射器存在性能不理想。
由于喷射器内部流场的复杂性,从而存在很多因素能够影响喷射器的性能,其中最主要的两个因素:结构尺寸与运行参数。而喷射器在化工冶炼、轻工纺织方面所耗费的成本更决定了,需要使喷射器在结构尺寸上进行优化并且达到最大的喷射性能,以此来实现利益最大化的目的。
粒子群算法设计结构简单,设置调节参数少,通常根据实验经验值即可取得较好的优化性能,算法对于搜索过程中的历史个体最优值和全局最优值具有记忆性,能够利用群体信息对搜索过程进行引导,防止陷入局部最优。
发明内容
综上所述,本发明的目的在于解决现有设计方法获到的喷射器喷射性能不理解的技术不足,而提出一种基于粒子群算法的喷射器结构优化方法。
为解决本发明所提出的技术问题,采用的技术方案为:
一种基于粒子群算法的喷射器结构优化方法,其特征在于所述喷射器结构优化方法包括有如下步骤:
(1)、采用计算软件中Design Modeler模块建立喷射器流体计算域的三维仿真模型;设定的参数包括:喷射器的几何形状、几何尺寸、进出口几何形状、几何尺寸、喷射区喉部进口尺寸和混合区出口尺寸;
(2)、将步骤(1)建立的喷射器流体计算域的三维仿真模型分别传递到网格划分Mesh模块中,在Mesh模块中采用Multizone方式对三维仿真模型进行网格划分,对靠近喷射器流体计算域的三维仿真模型内腔壁面处进行网格加密,同时保证整体结构的网格质量大于0.5,定义三维仿真模型进出口与壁面边界名称;
(3)、将步骤(2)中网格划分好的喷射器流体计算域的三维仿真模型传递到计算模块,并在计算模块进行设置,在Domain选项中设置传热模型与湍流模型,Buoyancy Model中设定Gravity Y Dirn为9.81m2/s,计算介质Material设定为丙烯气和烯烃气体,在Boundary Details选项中设置进出口压力值,壁面条件;
(4)、在计算模块里设置检测点和检测面,并进行仿真运算得到仿真结果,以此作为设计喷射器腔体结构的指标;
(5)、在相同设置条件下,通过将三维仿真模型设置不同参数并重复步骤(1)-(4),以进行多次模拟计算,由喷射器内检测面的压力云图、检测面的温度云图、检测面的速度云图、喷射系数作为评价喷射器效果的指标,以此确定最优化的喷射器结构参数设计;
(6)、根据步骤(5)中的结果,采用粒子群优化算法对喷射器关键结构参数设计,粒子群优化算法对喷射器关键结构参数设计包括如下步骤:
6.1将d1,dn,Ln,Lp,NXP作为设计变量,分别记为x1,x2,x3,x4,x5,以喷射系数μ为设计指标,本文以d1,dn,Ln,Lp和NXP为喷射器待优化结构参数,喷射系数μ或压降△P优化目标,回归方程为目标函数,将每个结构参数的优化范围作为目标函数的约束条件,对喷射器进行结构参数优化设计;其中,d1的优化范围为[6.2,7.4]mm,dn优化范围为[12.8,15.2]mm,Ln的优化范围为[42,126]mm,Lp的优化范围为[70,154]mm,NXP的优化范围为[-4,20]mm。
6.2初始化粒子种群,对每一个粒子给予初始速度和位置;同时,初始化学习因子c1,c2,惯性权重的上/下限ωmax、ωmin,最大迭代次数tmax和粒子群规模M参数;对于粒子群规模为M的种群,任意一个粒子i的位置向量xi和速度向量vi分别表示为:
xi=(xi1,xi2,…,xid)T∈RD
vi=(vi1,vi2,…,vid)T∈Rd,i=1,2,…,M
d是决策变量个数,进化过程中粒子的位置和速度更新方式如下:
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
式中,ω≥0为惯性权重;R为实数集;k为进化代数;c1,c2≥0为加速系数;r1,r2是(0,1)之间的随机数;为第i个粒子在第k代的位置向量第d维分量;为第i个粒子在第k代的速度向量第d维分量;pbestid为第i个粒子在第k代的最优粒子第d维分量;gbestd为粒子群中第k代的最优位置第d维分量;
粒子速度更新公式包含三部分:
第一部分为粒子先前的速度。
第二部分为“认知”部分,表示粒子本身的思考,可理解为粒子i当前位置与自己最好位置之间的距离。
第三部分为“社会”部分,表示粒子间的信息共享与合作,可理解为粒子i当前位置与群体最好位置之间的距离。
6.3粒子适应度是评价粒子优劣的标准,由适应度函数决定;计算粒子的适应度值,由压降或喷射系数两个目标函数决定,通过二次正交回归拟合方法所得的方程为:
6.4比较粒子的适应度,根据支配关系更新粒子个体最优位置和非劣解集,并从非劣解集中随机选取粒子全局最优位置;
6.5按照粒子更新公式1)-(3),更新粒子的速度和位置,并判断粒子是否陷入局部最优解;若是,则根据公式(4)进行变异;多目标粒子群优化算法中的变异策略是:给粒子种群设定一个临界值,当所有粒子的速度均小于该临界值时,在给定范围内随机改变一些粒子在某些维上的速度值,以增加粒子的全局搜索能力;变异方式如下:
ve=2βvmax(r3-1) (4)
上式中,ve是变异值;β∈[0,1]为变异系数,用于调节变异程度;r3为在[0,1]范围变化的随机数;表示第i个粒子的随机选中第d维;
6.6判断是否达到预先设定的最大迭代次数,若满足,则输出Pareto最优解集;否则,返回步骤6.2继续进行迭代;
6.7根据喷射器性能,求出以最大喷射系数或压降为单一目标所对应的两个边界点,并基于上述边界点,获得目标空间的理想点;
6.8在获得的Pareto最优解集中,筛选出与理想点的相对距离最小的解,作为最佳折衷解;该解的相应目标值,即为喷射器最优的性能;将优化后的结果重复步骤所述步骤(1)-(5),以此确定最优的几何参数。
作为对本发明作进一步限定技术特征包括有:
步骤(3)中,对在计算模块进行设置的过程如下:
(3.1)、在New Material选项中定义烯烃气的物质属性,包括有密度、黏度、导热系数和比热容;
(3.2)、在Buoyancy选项中,将y方向Gravity Y Dirn根据要求设定为预设值,Analysis type选项设置为Transient瞬态计算;
(3.3)、将Fluid Models选项中的Heat Transfer设置为Thermal Energy,Turbulence选项中选取k-epsilon模型;
(3.4)在Material Library选项部分选择烯烃气体和丙烯气;
(3.5)、在Fluid and particle Definitions选项中将Fluid1部分设为烯烃气体,Fluid2部分设为丙烯气;
(3.6)、在Boundary选项中设置入口边界条件为Mass Flow,并将Heat Transfer选项根据实际要求设置为预设值,设置出口边界条件为Average Static Pressure,将每个计算域设置为Interface进行数据交换,对流换热系数根据实际要求设置为预设值,其他壁面设置为绝热光滑壁面;
(3.7)、选择Define Run后进行计算。
3、根据权利要求1所述的一种基于粒子群算法的喷射器结构优化方法,其特征在于:步骤(4)中,选择喷射器内三维仿真模型的中心点作为检测点,检测面为过中心点的X方向平面。
4.根据权利要求1所述的一种基于粒子群算法的喷射器结构优化方法,其特征在于:步骤(4)中所述仿真结果包括:检测面的压力云图,检测面的温度云图,检测面的速度云图。
本发明的有益效果为:本发明通过建立能准确模拟并预测喷射器性能的理论计算摸型,研究不同运行工况下喷射器性能的变化规律,探究不同运行参数对喷射器性能影响的特征面,克服现有技术在喷射器设计阶段的不足,基于流场数值计算与优化算法结合的方法,对喷射器的性能提升方法进行研究,有助于深入了解喷射器工作过程,从而提高喷射器结构设计的优化处理,提升喷射器性能。
附图说明
图1为粒子群算法流程图。
图2为目标函数方程的适应度曲线。
图3为混合流体出口质量流量曲线。
图4为速度分布云图。
图5为压力分布云图。
图6为温度分布云图。
具体实施方式
以下以本发明优选的具体实施例对本发明的喷射器结构优化方法作进一步地说明。
本发明公开的一种基于粒子群算法的喷射器结构优化方法,具体包括有如下步骤:
(1)、采用计算软件中Design Modeler模块建立喷射器流体计算域的三维仿真模型;设定的相关参数至少包括:喷射器几何形状、几何尺寸、进出口几何形状、几何尺寸、喷射区喉部进口尺寸和混合区出口尺寸。
(2)、将步骤(1)建立的喷射器流体计算域的三维仿真模型分别传递到网格划分Mesh模块中,在Mesh模块中采用Multizone方式对三维仿真模型进行网格划分,对靠近喷射器流体计算域的三维仿真模型内腔壁面处进行网格加密,同时保证整体结构的网格质量大于0.5,为了后期方便设置计算边界条件参数,定义三维仿真模型进出口与壁面边界名称。
(3)、将步骤(2)中网格划分好的喷射器流体计算域的三维仿真模型传递到计算模块,并在计算模块进行设置,在Domain选项中设置传热模型与湍流模型,Buoyancy Model中设定Gravity Y Dirn为9.81m2/s,计算介质Material设定为丙烯气和烯烃气体,在Boundary Details选项中设置进出口压力值,壁面条件;对在计算模块进行设置的过程如下:
(3.1)、在New Material选项中定义烯烃气的物质属性,主要有密度、黏度、导热系数、比热容。
(3.2)、在Buoyancy选项中,将y方向Gravity Y Dirn根据要求设定为预设值,Analysis type选项设置为Transient瞬态计算;
(3.3)、将Fluid Models选项中的Heat Transfer设置为Thermal Energy,Turbulence选项中选取k-epsilon模型;
(3.4)在Material Library选项部分选择烯烃气体和丙烯气;
(3.5)、在Fluid and particle Definitions选项中将Fluid1部分设为烯烃气体,Fluid2部分设为丙烯气;
(3.6)、在Boundary选项中设置入口边界条件为Mass Flow,并将Heat Transfer选项根据实际要求设置为预设值,设置出口边界条件为Average Static Pressure,将每个计算域设置为Interface进行数据交换,对流换热系数根据实际要求设置为预设值,其他壁面设置为绝热光滑壁面;
(3.7)、选择Define Run后进行计算。
(4)、在计算模块里设置检测点和检测面,并进行仿真运算得到仿真结果,以此作为设计喷射器腔体结构的指标;选择喷射器内三维仿真模型的中心点作为检测点,检测面为过中心点的X方向平面。所述仿真结果包括:检测面的压力云图,检测面的温度云图,检测面的速度云图,如图4所示。
(5)、在相同设置条件下,通过将三维仿真模型设置不同参数并重复步骤(1)-(4),以进行多次模拟计算,如图5和图6中所示,由喷射器内检测面的压力云图、检测面的温度云图、检测面的速度云图、喷射系数作为评价喷射器效果的指标,以此确定最优化的喷射器结构参数设计;
(6)、根据步骤(5)中的结果,如图1中所示,采用粒子群优化算法对喷射器关键结构参数设计,粒子群优化算法对喷射器关键结构参数设计包括如下步骤:
6.1将d1,dn,Ln,Lp,NXP作为设计变量,分别记为x1,x2,x3,x4,x5,以喷射系数μ为设计指标,本文以d1,dn,Ln,Lp和NXP为喷射器待优化结构参数,喷射系数μ或压降△P为优化目标,回归方程为目标函数,将每个结构参数的优化范围作为目标函数的约束条件,对喷射器进行结构参数优化设计;其中,d1的优化范围为[6.2,7.4]mm,dn优化范围为[12.8,15.2]mm,Ln的优化范围为[42,126]mm,Lp的优化范围为[70,154]mm,NXP的优化范围为[-4,20]mm。
6.2初始化粒子种群,对每一个粒子给予初始速度和位置;同时,初始化学习因子c1,c2,惯性权重的上/下限ωmax、ωmin,最大迭代次数tmax和粒子群规模M参数;对于粒子群规模为M的种群,任意一个粒子i的位置向量xi和速度向量vi分别表示为:
xi=(xi1,xi2,…,xid)T∈RD
vi=(vi1,vi2,…,vid)T∈Rd,i=1,2,…,M
d是决策变量个数,进化过程中粒子的位置和速度更新方式如下:
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
式中,ω≥0为惯性权重;R为实数集;k为进化代数;c1,c2≥0;r1,r2是(0,1)之间的随机数;为第i个粒子在第k代的位置向量第d维分量;为第i个粒子在第k代的速度向量第d维分量;pbestid为第i个粒子在第k代的最优粒子第d维分量;gbestd为粒子群中第k代的最优位置第d维分量;
粒子速度更新公式包含三部分:
第一部分为粒子先前的速度。
第二部分为“认知”部分,表示粒子本身的思考,可理解为粒子i当前位置与自己最好位置之间的距离。
第三部分为“社会”部分,表示粒子间的信息共享与合作,可理解为粒子i当前位置与群体最好位置之间的距离。
6.3粒子适应度是评价粒子优劣的标准,由适应度函数决定;计算粒子的适应度值,由压力损失和喷射系数两个目标函数决定,通过二次正交回归拟合方法所得的方程为:
6.4如图2中所示,比较粒子的适应度,根据支配关系更新粒子个体最优位置和非劣解集,并从非劣解集中随机选取粒子全局最优位置;
6.5按照粒子更新公式1)-(3),更新粒子的速度和位置,并判断粒子是否陷入局部最优解;若是,则根据公式(4)进行变异;多目标粒子群优化算法中的变异策略是:给粒子种群设定一个临界值,当所有粒子的速度均小于该临界值时,在给定范围内随机改变一些粒子在某些维上的速度值,以增加粒子的全局搜索能力;变异方式如下:
ve=2βvmax(r3-1) (4)
上式中,ve是变异值;β∈[0,1]为变异系数,用于调节变异程度;r3为在[0,1]范围变化的随机数;表示第i个粒子的随机选中第d维;
6.6判断是否达到预先设定的最大迭代次数,若满足,则输出Pareto最优解集;否则,返回步骤6.2继续进行迭代;
6.7根据喷射器性能,求出以最大喷射系数或压降为单一目标所对应的两个边界点,并基于上述边界点,获得目标空间的理想点;
6.8在获得的Pareto最优解集中,筛选出与理想点的相对距离最小的解,作为最佳折衷解;该解的相应目标值,即为喷射器最优的性能;将优化后的结果重复步骤所述步骤(1)-(5),以此确定最优的几何参数。
喷射器的运行参数与结构参数经粒子群算法优化后,得到的混合流体出口质量流量变化曲线如图3的(a)和(b)所示,可以看出两图中质量流量曲线随着迭代进行逐渐收敛至平滑,数值也没有超过0的情况,可证明没有产生回流,因此经过优化的喷射器一切正常。
Claims (4)
1.一种基于粒子群算法的喷射器结构优化方法,其特征在于所述喷射器结构优化方法包括有如下步骤:
(1)、采用计算软件中Design Modeler模块建立喷射器流体计算域的三维仿真模型;设定的参数包括:喷射器的几何形状、几何尺寸、进出口几何形状、几何尺寸、喷射区喉部进口尺寸和混合区出口尺寸;
(2)、将步骤(1)建立的喷射器流体计算域的三维仿真模型分别传递到网格划分Mesh模块中,在Mesh模块中采用Multizone方式对三维仿真模型进行网格划分,对靠近喷射器流体计算域的三维仿真模型内腔壁面处进行网格加密,同时保证整体结构的网格质量大于0.5,定义三维仿真模型进出口与壁面边界名称;
(3)、将步骤(2)中网格划分好的喷射器流体计算域的三维仿真模型传递到计算模块,并在计算模块进行设置,在Domain选项中设置传热模型与湍流模型,Buoyancy Model中设定Gravity Y Dirn为9.81m2/s,计算介质Material设定为丙烯气和烯烃气体,在BoundaryDetails选项中设置进出口压力值,壁面条件;
(4)、在计算模块里设置检测点和检测面,并进行仿真运算得到仿真结果,以此作为设计喷射器腔体结构的指标;
(5)、在相同设置条件下,通过将三维仿真模型设置不同参数并重复步骤(1)-(4),以进行多次模拟计算,由喷射器内检测面的压力云图、检测面的温度云图、检测面的速度云图、喷射系数作为评价喷射器效果的指标,以此确定最优化的喷射器结构参数设计;
(6)、根据步骤(5)中的结果,采用粒子群优化算法对喷射器关键结构参数设计,粒子群优化算法对喷射器关键结构参数设计包括如下步骤:
6.1将d1,dn,Ln,Lp,NXP作为设计变量,分别记为x1,x2,x3,x4,x5,以喷射系数μ为设计指标,本文以d1,dn,Ln,Lp和NXP为喷射器待优化结构参数,喷射系数μ或压降△P为优化目标,回归方程为目标函数,将每个结构参数的优化范围作为目标函数的约束条件,对喷射器进行结构参数优化设计;其中,d1的优化范围为[6.2,7.4]mm,dn优化范围为[12.8,15.2]mm,Ln的优化范围为[42,126]mm,Lp的优化范围为[70,154]mm,NXP的优化范围为[-4,20]mm。
6.2初始化粒子种群,对每一个粒子给予初始速度和位置;同时,初始化学习因子c1,c2,惯性权重的上/下限ωmax、ωmin,最大迭代次数tmax和粒子群规模M参数;对于粒子群规模为M的种群,任意一个粒子i的位置向量xi和速度向量vi分别表示为:
xi=(xi1,xi2,…,xid)T∈RD
vi=(vi1,vi2,…,vid)T∈Rd,i=1,2,…,M
d是决策变量个数,进化过程中粒子的位置和速度更新方式如下:
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
式中,ω≥0为惯性权重;R为实数集;k为进化代数;c1,c2≥0;r1,r2是(0,1)之间的随机数;为第i个粒子在第k代的位置向量第d维分量;为第i个粒子在第k代的速度向量第d维分量;pbestid为第i个粒子在第k代的最优粒子第d维分量;gbestd为粒子群中第k代的最优位置第d维分量;
粒子速度更新公式包含三部分:
第一部分为粒子先前的速度。
第二部分为“认知”部分,表示粒子本身的思考,可理解为粒子i当前位置与自己最好位置之间的距离。
第三部分为“社会”部分,表示粒子间的信息共享与合作,可理解为粒子i当前位置与群体最好位置之间的距离。
6.3粒子适应度是评价粒子优劣的标准,由适应度函数决定;计算粒子的适应度值,由喷射系数或压降的目标函数决定,通过二次正交回归拟合方法所得的方程为:
6.4比较粒子的适应度,根据支配关系更新粒子个体最优位置和非劣解集,并从非劣解集中随机选取粒子全局最优位置;
6.5按照粒子更新公式(1)-(3),更新粒子的速度和位置,并判断粒子是否陷入局部最优解;若是,则根据公式(4)进行变异;多目标粒子群优化算法中的变异策略是:给粒子种群设定一个临界值,当所有粒子的速度均小于该临界值时,在给定范围内随机改变一些粒子在某些维上的速度值,以增加粒子的全局搜索能力;变异方式如下:
ve=2βvmax(r3-1) (4)
上式中,ve是变异值;β∈[0,1]为变异系数,用于调节变异程度;r3为在[0,1]范围变化的随机数;表示第i个粒子的随机选中第d维;
6.6判断是否达到预先设定的最大迭代次数,若满足,则输出Pareto最优解集;否则,返回步骤6.2继续进行迭代;
6.7根据喷射器性能,求出以最大喷射系数或压降为单一目标所对应的两个边界点,并基于上述边界点,获得目标空间的理想点;
6.8在获得的Pareto最优解集中,筛选出与理想点的相对距离最小的解,作为最佳折衷解;该解的相应目标值,即为喷射器最优的性能;将优化后的结果重复步骤所述步骤(1)-(5),以此确定最优的几何参数。
2.根据权利要求1所述的一种基于粒子群算法的喷射器结构优化方法,其特征在于:步骤(3)中,对在计算模块进行设置的过程如下:
(3.1)、在New Material选项中定义烯烃气的物质属性,包括有密度、黏度、导热系数和比热容;
(3.2)、在Buoyancy选项中,将y方向Gravity Y Dirn根据要求设定为预设值,Analysistype选项设置为Transient瞬态计算;
(3.3)、将Fluid Models选项中的Heat Transfer设置为Thermal Energy,Turbulence选项中选取k-epsilon模型;
(3.4)在Material Library选项部分选择烯烃气体和丙烯气;
(3.5)、在Fluid and particle Definitions选项中将Fluid1部分设为烯烃气体,Fluid2部分设为丙烯气;
(3.6)、在Boundary选项中设置入口边界条件为Mass Flow,并将Heat Transfer选项根据实际要求设置为预设值,设置出口边界条件为Average Static Pressure,将每个计算域设置为Interface进行数据交换,对流换热系数根据实际要求设置为预设值,其他壁面设置为绝热光滑壁面;
(3.7)、选择Define Run后进行计算。
3.根据权利要求1所述的一种基于粒子群算法的喷射器结构优化方法,其特征在于:步骤(4)中,选择喷射器内三维仿真模型的中心点作为检测点,检测面为过中心点的X方向平面。
4.根据权利要求1所述的一种基于粒子群算法的喷射器结构优化方法,其特征在于:步骤(4)中所述仿真结果包括:检测面的压力云图,检测面的温度云图,检测面的速度云图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039999.XA CN116070369A (zh) | 2023-01-12 | 2023-01-12 | 一种基于粒子群算法的喷射器结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039999.XA CN116070369A (zh) | 2023-01-12 | 2023-01-12 | 一种基于粒子群算法的喷射器结构优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070369A true CN116070369A (zh) | 2023-05-05 |
Family
ID=86174467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310039999.XA Pending CN116070369A (zh) | 2023-01-12 | 2023-01-12 | 一种基于粒子群算法的喷射器结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070369A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
-
2023
- 2023-01-12 CN CN202310039999.XA patent/CN116070369A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
CN117744283B (zh) * | 2024-02-20 | 2024-04-30 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191316B (zh) | 一种基于响应面的建筑自然通风性能优化模型及优化方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN111832204B (zh) | 一种热流耦合结构的非迭代式拓扑优化方法 | |
CN111400934B (zh) | 基于workbench低温碳化炉氧含量分布模拟方法 | |
CN112528569A (zh) | 基于数字孪生的工业加热炉温度场预测方法 | |
CN116070369A (zh) | 一种基于粒子群算法的喷射器结构优化方法 | |
CN112528572B (zh) | 一种基于overset模型的低温碳化炉丝束加热过程三维模拟方法 | |
CN115186555B (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN114398824A (zh) | 基于局部代理模型的电机多目标鲁棒性优化方法 | |
CN106777517A (zh) | 基于粒子群的航空发动机高压涡轮盘优化设计系统及方法 | |
CN114741961A (zh) | 印刷电路板式换热器的翼型翅片排列结构优化方法和系统 | |
CN112884198A (zh) | 结合门限回归和改进支持向量机面板坝坝顶沉降预测方法 | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN116595866A (zh) | 一种基于神经网络算法预测喷射器效率的模拟方法 | |
CN115481510B (zh) | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 | |
CN112270109A (zh) | 一种高温碳化炉中石墨棒加热性能的模拟方法 | |
CN117113553A (zh) | 一种基于cfd的齿轮箱散热模拟仿真方法 | |
CN116401888A (zh) | 一种高镍正极材料晶粒生长过程的模拟方法及系统 | |
CN107301303B (zh) | 3d玻璃热弯机模具加热系统群智能优化设计方法 | |
Sugimura et al. | Kriging-model-based multi-objective robust optimization and trade-off-rule mining using association rule with aspiration vector | |
CN116306341A (zh) | 一种印刷电路板式换热器翼型翅片的优化设计方法及系统 | |
CN111695216B (zh) | 一种桥接显隐拓扑描述的热流耦合结构设计方法 | |
CN115408842A (zh) | 注塑成型仿真过程特性相似性分析方法 | |
Sugimura et al. | Kriging-model-based multi-objective robust optimization and trade-off rule mining of a centrifugal fan with dimensional uncertainty |
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 |