CN116306383A - 展向波纹杆件协同优化方法及系统 - Google Patents
展向波纹杆件协同优化方法及系统 Download PDFInfo
- Publication number
- CN116306383A CN116306383A CN202310571891.5A CN202310571891A CN116306383A CN 116306383 A CN116306383 A CN 116306383A CN 202310571891 A CN202310571891 A CN 202310571891A CN 116306383 A CN116306383 A CN 116306383A
- Authority
- CN
- China
- Prior art keywords
- value
- optimization
- level
- design variable
- sound pressure
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 439
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013461 design Methods 0.000 claims description 203
- 238000013178 mathematical model Methods 0.000 claims description 55
- 238000004088 simulation Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 238000004590 computer program Methods 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000009467 reduction Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 241001125292 Balaena mysticetus Species 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 101150018444 sub2 gene Proteins 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了展向波纹杆件协同优化方法及系统,所述方法包括如下步骤:获取学科级优化期望值;根据获取的学科级优化期望值,获取学科级优化值;根据获取的学科级优化值,获取系统级约束条件是否满足的工况;当满足系统级约束条件时,获取最优值;当不满足系统级约束条件时,获取调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化直至满足系统级约束条件为止,将最终获取优化值作为最优值。本申请提供的展向波纹杆件协同优化方法,实现气动阻力、气动噪声和展向波纹杆杆件参数的协同优化,协调学科级件的不一致性,保证各学科级之间的优化互不影响。
Description
技术领域
本发明涉及展向波纹杆件的优化领域,具体是涉及展向波纹杆件协同优化方法及系统。
背景技术
随着人们对出行需求与列车时速不断提高,高速化列车所产生的空气动力学问题日益突出。高速列车在300km/h以上时,列车所受的气动阻力为主导阻力,其中,受电弓作为列车运行中的电流接受装置,产生的气动阻力占总气动阻力的12%。高速列车所受到气动噪声与运营速度的六次方成正比,其主要来源是由于受电弓的突出结构与气流碰撞,造成干扰产生噪声,降低列车的安全性与舒适性。
改进受电弓气动性能主要是对受电弓的结构与材料进行研究。结构改进的方法主要有采用多孔弓头、对弓头仿生优化、改进弓头杆件截面形状、对受电弓圆柱面进行球缺凹坑优化,受电弓杆件设计为展向波纹等方法。但上述研究未能在气动阻力、气动噪声与杆件参数的优化问题上进行改进,难以有效指导各类工况下最优结构参数的获取。
为同时达到降噪减阻的目的,还需要对杆件结构进一步优化。优化问题的方法主要分为传统方法与多学科优化算法。传统方法常用的有线性加权法、约束法、理想点评估法。针对多学科问题,传统方法采用归一化思想,将多学科问题转化为多个单学科问题,对转化成的单学科优先级排序,在实际问题中,需要优化的每一个单学科的数量级难以完全统一,优化过程容易加入主观想法,最终只能求得一个最优解,不能处理非理想化情况,无法有效解决展向波纹杆件优化问题。多学科优化算法用于处理多学科相互独立又相互约束的问题,并引入智能优化算法求解。智能优化算法通过自然现象、生物种群行为等的启发,进行全局搜索最优解的优化方法,主要有遗传算法、差分进化算法、模拟退火算法、粒子群算法等。多学科优化算法已在受电弓的优化中应用。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种展向波纹杆件协同优化方法及系统。
第一方面,提供展向波纹杆件协同优化方法,包括以下步骤:
获取学科级优化期望值;
根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;
根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;
当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;
当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
根据第一方面,在第一方面的第一种实现方式中,所述学科级优化期望值包括系统级阻力系数优化期望值、系统级总声压级优化期望值以及设计变量优化期望值。
根据第一方面,在第一方面的第二种实现方式中,根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值步骤,具体包括以下步骤:
构建阻力学科级优化数学模型;
构建噪声学科级优化数学模型;
构建设计变量学科级优化数学模型;
将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
根据第一方面,在第一方面的第三种实现方式中,所述根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况步骤,具体包括以下步骤:
构建系统级阻力约束条件;
构建系统级噪声约束条件;
构建系统级设计变量约束条件;
将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
根据第一方面,在第一方面的第四种实现方式中,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤,具体包括以下步骤:
基于系统级约束条件,获取各学科级优化调整优化期望值;
将获取的各学科级优化调整优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行重新优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值;
根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况,重复优化、回传,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件,获取最终的阻力系数最优值、总声压级最优值以及设计变量最优值。
根据第一方面,在第一方面的第五种实现方式中,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤之后,还包括以下步骤:
获取各学科级之间的权重系数备选比例值;
获取系统级目标函数;
将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化,获取各学科级之间的权重系数最优比例值。
根据第一方面的第五种实现方式,在第一方面的第六种实现方式中,所述将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化,获取各学科级之间的权重系数最优比例值步骤之后,还包括以下步骤:
根据获取的权重系数最优比例值以及设计变量最优值,进行展向波纹杆件仿真试验,获取展向波纹杆的阻力系数仿真值和总声压级仿真值;
比对获取的展向波纹杆件的阻力系数仿真值和优化获取的阻力系数最优值,以及总声压级仿真值和和总声压级最优值,获取比对结果;
根据获取的比对结果,获取优化验证结论。
第二方面,本申请提供了一种展向波纹杆件的协同优化系统,优化期望值获取模块,用于获取学科级优化期望值;
学科级优化模块,与所述优化期望值获取模块通信连接,用于根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;
系统级约束满足工况获取模块,与所述学科级优化模块通信连接,用于根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;
最优值获取模块,与所述系统级约束满足工况获取模块通信连接,用于当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;
继续优化模块,与所述系统级约束满足工况获取模块通信连接,用于当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
根据第二方面,在第二方面的第一种实现方式中,所述学科级优化模块包括:
阻力学科优化单元,用于构建阻力学科级优化数学模型;
噪声学科优化单元,用于构建噪声学科级优化数学模型;
设计变量优化单元,用于构建设计变量学科级优化数学模型;
学科级优化单元,与所述阻力学科优化单元、所述噪声学科优化单元和设计变量优化单元通信连接,用于将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
根据第二方面,在第二方面的第二种实现方式中,所述系统级约束满足工况获取模块,包括:
阻力约束构建单元,用于构建系统级阻力约束条件;
噪声约束构建单元,用于构建系统级噪声约束条件;
设计变量约束构建单元,用于构建系统级设计变量约束条件;
系统级约束满足工况获取单元,与所述阻力约束构建单元、所述噪声约束构建单元以及所述设计变量约束构建单元通信连接,用于将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
与现有技术相比,本发明的优点如下:
本申请提供的展向波纹杆件协同优化方法,通过系统级优化和各学科级的优化,实现气动阻力、气动噪声和展向波纹杆杆件参数的协同优化,协调学科级件的不一致性,保证各学科级之间的优化互不影响,将系统级设计变量的最优解赋予不同学科中,寻找在各学科内可行域范围内与系统级优化赋予的最优解最接近的点。
附图说明
图1为本申请实施例提供的展向波纹杆件协同优化方法的方法流程图;
图2为本申请实施例提供的初始展向波纹杆件模型;
图3为本申请实施例提供的弓头杆件在计算区域的位置结构示意图;
图4是本申请实施例提供的基于阻力系数的克里金代理模型图;
图5是本申请实施例提供的基于总声压级的克里金代理模型图;
图6为本申请实施例提供的协同优化流程图;
图7为本申请实施例提供的协同优化数学模型示意图;
图8为初始弓头模型和本申请协同优化模型的声压级频谱图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,更清楚地了解本发明的目的、技术方案及其优点,以下请参考具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。除此,本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供的展向波纹杆件协同优化方法,有效解决现有技术中对展向波纹杆件的结构优化,存在的每一个单学科的数量级难以完全同一,优化过程中容易加入主观想法,最终只能得到一个最优解,不能同时得到多学科的最优解,不能处理非理想化情况,无法有效解决展向波纹杆件优化的技术问题。
参见图1所示,本发明实施例提供一种展向波纹杆件协同优化方法,包括以下步骤:
步骤S1、获取学科级优化期望值;
步骤S2、根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;
步骤S3、根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;
步骤S41、当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;
步骤S42、当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
本申请提供的展向波纹杆件协同优化方法,通过系统级优化和各学科级的优化,实现气动阻力、气动噪声和展向波纹杆杆件参数的协同优化,协调学科级件的不一致性,保证各学科级之间的优化互不影响,将系统级设计变量的最优解赋予不同学科中,寻找在各学科内可行域范围内与系统级优化赋予的最优解最接近的点。
在本申请中,展向波纹杆件协同优化的相关数学模型,包括如下:
(1)构建Realizable模型的控制方程模型,该模型是湍流模型,求解湍流流动是优化气动噪声的重要途径,确保优化结果的准确性,合理选择湍流模型,该模型扩大了湍流问题的适用问题,对回流、旋转等湍流处理更准确。
其中,是偏导数,/>为流体密度,/>为耗散率,/>为湍流动能,/>为湍流黏度,/>为时间。/>,分别对应横向、纵向和垂向3个方向,,/>,/>为/>方向的流速,/>为平均速度梯度所产生湍流动能。/>和/>为常量,/>和/>为源项。
(2)采用SNGR数学模型求解气动噪声
为求解气动噪声,引入随机噪声的产生和辐射SNGR方法。
在一实施例中,所述学科级优化期望值包括系统级阻力系数优化期望值、系统级总声压级优化期望值以及设计变量优化期望值。
在一较具体实施例中,构建的展向波纹杆件的弓头模型如下:
弓头杆件上游最远端定为波峰,下游最远端定为波谷,波谷与波峰的振幅ω,波长λ,弓头杆件截面的宽B和高D均为0.04mm。弓头杆件波长与宽度比=3.2、波谷与宽度比/>=0.34,并以此参数构建初始展向波纹杆件模型,如图2和图3所示。本发明取展向波纹结构面为迎风面,并构造符合流体计算要求的空气域,弓头杆件在计算区域的位置结构,如图3所示。弓头杆件横截面积D为定值,将计算区域总高度定为2λ,总宽度为10D,总长度为20D。设ABCD面为计算域迎风面,弓头杆件与迎风面ABCD相距6D,与面CDHG相距5D。
展向波纹结构的几何空间结构限制,本发明确定优化变量及范围为弓头杆件波长与宽度比=2~4、弓头杆件波谷与宽度比/>=0.2~0.6。设置的气动阻力与气动噪声的权重系数为4:6、5:5、6:4。其中的弓头杆件波长与宽度比/>为第一设计变量、弓头杆件波谷与宽度比/>为第二设计变量,所述气动阻力与气动噪声的权重系数为不同学科各学科级之间的权重系数备选比例值,均为协同优化的对象,以期实现各学科级优化的数量级的统一以及多学科优化平衡,获取各学科可行域范围内与系统级优化最优解最接近的优化值。
(3)明确弓头优化变量与优化目标后,需要确定代表优化变量的样本点在整个设计空间的位置,样本点是优化的基础。本申请采用拉丁超立方取样,以确保样本点的代表性。
本发明采用拉丁超立方取样方法如下:
将变量空间,/>均分为/>个子区间,其中/>表示样本变量,/>为分层序数,/>表示第/>分层叙述的样本变量,/>表示第/>分层叙述的最小样本变量,第/>分层叙述的最大样本变量,/>表示总层数,/>表示最小,/>表示最大。每个子区间再随机选取/>个点,保证所取的点所在子区间内只被运用一次,一维投影的均匀性最大化,保证样本点的代表性。选取了21组杆件波长与宽度比、波谷与宽度比的样本点进行流场和声场数值模拟,仿真结果如表1所示。其中/>为空气阻力系数。
表1 21组样本弓头杆件模型仿真结果表
(4)建立克里金代理模型如6所示,用于分析输入参数与输出参数的对应关系,采用较少计算资源的同时缩短计算时间。
本发明通过最大似然估值求解获得代理模型的预测值。
本发明通过21组样本点及仿真结果构建代理模型,代理模型获得的杆件阻力与气动噪声分布,如图4和图5所示。
(5)基于遗传算法的单目标优化数学模型,协同优化以克里金代理模型和遗传算法为基础。
本发明设计出适合于展向波纹杆件的遗传算法,包括如下步骤:
本申请中的21种组合,通过克里金代理模型在优化空间随机生成80种个体组成的初始种群。对8种个体样本进行选择、交叉和变异,并设置迭代次数T=300后终止。如表2所示,阻力系数优化值1.7122,较初始模型的减小3.33%;总声压级优化值101.86dB,较初始模型的减小6.46%。
表2 21种组合单目标优化结果
样本空间内阻力最优模型为=2.3,/>=0.37时,数值仿真计算得出阻力系数为1.7252,预测值与仿真结果相差0.75%。样本空间内噪声最优模型为/>=3.6,=0.42时,数值仿真得出总声压级为102.49dB,预测值与仿真结果相差0.79%,结论都具有可靠性。
在一实施例中,所述步骤S1、获取学科级优化期望值步骤,具体实现为:
通过车辆的展向波纹杆的使用性能标准获取学科级优化期望值,所述学科级优化期望值,具体包括阻力学科优化期望值、噪声学科优化期望值以及设计变量优化期望值,更具体地为阻力系数优化期望值,噪声学科优化期望值以及弓头杆件波长与宽度比第一设计变量优化期望值以及弓头杆件波谷与宽度比/>第二设计变量优化期望值。
在一实施例中,所述步骤S2、根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值步骤,具体包括以下步骤:
构建阻力学科级优化数学模型如下公式所示:
式中,与/>分别为第一系统级设计变量、第二系统级设计变量,/>分别为第一学科级设计变量、第二学科级设计变量,/>为系统级阻力系数优化期望值,/>为阻力学科级返还系统级的阻力系数优化值;/>表示阻力学科级优化结果,/>表示让优化结果的值最小。
阻力学科级优化约束条件为:
构建噪声学科级优化数学模型如下公式所示;
式中,与/>分别为第一系统级设计变量、第二系统级设计变量,/>分别为第一学科级设计变量、第二学科级设计变量,/>为系统级的总声压级优化期望值,/>为噪声学科级返还系统级的总声压级优化值;/>表示噪声学科级优化结果,表示让优化结果的值最小。
噪声学科级优化约束条件为:
构建学科级设计变量学科级优化数学模型;
式中,为第/>个学科的学科级设计变量一致性约束,/>为第/>学科的第/>个设计变量;/>为系统级优化赋予的第/>个学科级设计变量的优化期望值,/>为第/>个学科的设计变量总个数。/>表示让优化结果的值最小。
设计变量学科级优化约束条件为:
其中,为第/>学科的所有设计变量的优化目标函数,/>为第i学科的所有设计变量,在学科级优化中,符合各个学科级自身约束时,采用平方和最小为学科级的优化目标函数,使学科优化过程中的设计变量最大限度接近系统级赋予的目标变量。由于各学科级的自身约束不同,各学科设计优化的最优解不一致,所以在确保系统级优化的目标最小时,设法使系统级设计变量的最优解约束违背限度趋于零;
将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
在一实施例中,如图6所示,所述根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况步骤,具体包括以下步骤:
构建系统级约束综合约束条件如下式所示:
其中,与/>分别为第一系统级设计变量、第二系统级设计变量,/>与/>为学科级问题优化后返还的第一设计变量优化值和第二设计变量优化值,/>为系统级的阻力系数优化期望值,/>为阻力学科级返还系统级的阻力系数优化值,/>为系统级的总声压级优化期望值,/>为噪声学科级返还系统级的总声压级优化值,引入收敛因子0.0001;/>分别为系统级约束条件函数;
构建系统级阻力约束条件如下式所示:
构建系统级噪声约束条件如下式所示:
构建系统级设计变量学科级优化数学模型,如下式所示:
其中,为整个系统的目标函数,/>为第/>个学科级设计变量,/>为系统级优化赋予的第/>个学科级设计变量的优化期望值,/>为第/>个学科的一致性约束,/>为第/>学科的第/>个设计变量,/>为第/>个学科的设计变量总个数,/>为松弛因子,松弛因子的引入,使计算难的等式约束转变成较收敛的不等式约束;
将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
在一实施例中,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤,具体包括以下步骤:
基于系统级约束条件,获取各学科级优化调整优化期望值,更具体地,阻力系数优化期望值和总声压级优化期望值不变,在第一设计变量和第二设计变量的可行阈范围内调整第一设计变量优化期望值和第二设计变量优化期望值;
将获取的各学科级优化调整优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行重新优化或称为迭代优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值;
根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况,重复优化、回传,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件,获取最终的阻力系数最优值、总声压级最优值以及设计变量最优值。
在一实施例中,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤之后,还包括以下步骤:
获取各学科级之间的权重系数备选比例值,本申请中气动阻力与气动噪声之间的权重系数备选比例值为4:6、5:5、6:4;
获取系统级目标函数,如下式所示:
将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化获取系统级目标函数的最小值对应的气动阻力与气动噪声之间的权重系数比例值作为各学科级之间的权重系数最优比例值。至此,获取通过一次优化获取或多次迭代优化获取阻力系数最优值、总声压级最优值、第一设计变量最优值、第二设计变量最优值以及气动阻力与气动噪声之间的权重系数最优比例值。
在一较具体实施例中,请参考表3,三种权重的协同优化结果。权重比例对阻力系数预测值影响较小,对总声压级预测值的影响较大。当气动阻力的权重增大时,阻力系数预测值缓慢减小;当气动噪声的权重增大时,总声压级预测值明显减小。根据减阻不明显、降噪效果较好的规律,本发明采用4:6的权重比作为协同优化的权值比,与仿真结果对比,见表4和表5,优化值与仿真结果误差在2%之内,可信度较高。
表3 协同优化结果
在一实施例中,所述将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化,获取各学科级之间的权重系数最优比例值步骤之后,还包括以下步骤:
根据获取的权重系数最优比例值以及设计变量最优值,进行展向波纹杆件仿真试验,获取展向波纹杆的阻力系数仿真值和总声压级仿真值;
比对获取的展向波纹杆件的阻力系数仿真值和优化获取的阻力系数最优值,以及总声压级仿真值和和总声压级最优值,获取比对结果;
根据获取的比对结果,获取优化验证结论。
表4 协同优化结果与仿真结果对比
表5 协同优化模型与初始模型的结果
请参考表5,对比协同优化模型与初始模型的结果。协同优化模型的阻力系数1.7430,比初始模型见减小了0.0282,下降1.59%;协同优化模型的总声压级103.64dB,比初始模型减小了5.06dB,下降4.66%。
请参考图8, 54°处协同优化弓头模型的最大声压级频谱,声压级峰值89dB,小于初始弓头模型在200Hz时的声压级峰值97dB。在50°~62°内协同优化模型的总声压级的平均值103.64dB,较初始模型的总声压级减小了5.06dB,协同优化模型的降噪效果明显。初始弓头模型的最大声压级位于200Hz,协同优化模型的最大声压级位于165Hz,递减点提前,两模型都在递减点后声压级随频率增大而减小。
在一实施例中,基于同一发明构思,本申请提供了一种展向波纹杆件协同优化系统,包括优化期望值获取模块、学科级优化模块、系统级约束满足工况获取模块、最优值获取模块和继续优化模块;优化期望值获取模块用于获取学科级优化期望值;学科级优化模块与所述优化期望值获取模块通信连接,用于根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;系统级约束满足工况获取模块与所述学科级优化模块通信连接,用于根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;最优值获取模块与所述系统级约束满足工况获取模块通信连接,用于当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;继续优化模块,与所述系统级约束满足工况获取模块通信连接,用于当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
在一实施例中,本申请通过构建降噪减阻的协同优化数学模型实现对展向波纹杆件的协同优化,具体地,构建系统级优化器和学科级优化器,更具体地,构建系统级优化器、阻力学科级优化器和噪声学科级优化器,实现对展向波纹杆件的协同优化。系统级优化器向阻力学科级优化器以及噪声学科级优化器发送学科级优化期望值,具体包括阻力系数优化期望值、总声压级优化期望值以及第一设计变量优化期望值和第二设计变量优化期望值;阻力学科级优化器和噪声学科级优化器将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值,将获取的阻力系数优化值、总声压级优化值以及设计变量优化值回传至系统级优化器,在系统级优化器内进行系统级约束条件满足工况判断,当满足时,获取阻力系数最优值、总声压级最优值以及设计变量最优值,当不满足时,系统级优化器向阻力学科级优化器以及噪声学科级优化器发送阻力系数优化期望值、气动噪声优化期望值以及第一设计变量调整优化值、第二设计变量调整优化期望值的分配值,阻力学科级优化器和噪声学科级优化器将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值,再回传至系统级优化器,进行系统级约束条件的满足工况判断,直至满足系统级约束条件,获取最接近阻力系数优化期望值以及总声压级优化期望值的展向波纹杆件的最优解,包括阻力系数最优值、总声压级最优值以及第一设计变量最优值、第二设计变量最优值,最终实现多学科优化的平衡,并实现优化后的每一个单学科的数量级的统一。
在一实施例中,请参考图6,降噪减阻的协同优化数学模型示意图。最上层为降噪减阻的系统级优化器,按照一定的权重分配,求解所构优化目标函数的最小值,函数值越小,表明优化值越接近单目标优化得到的最小阻力系数和最小总声压级。中间层为阻力和噪声的学科级优化器,目标函数以和最小的方式来构建,两个优化模型有自身的学科级约束条件。最下层为阻力和噪声学科根据仿真结果建立的克里金代理模型。
请参考图7,基于阻力和噪声的优化模型,确定优化流程。该流程中,系统中的阻力优化期望值与总声压级优化期望值传递给学科,学科优化器求得sub1、sub2值,实际变量传给系统优化器,回传的作用是寻找与优化期望值最接近的优化值。通过分配与回传的不断迭代,当优化期望值与学科回传达到系统优化的约束条件,得到优化值。
在一实施例中,所述学科级优化模块包括:
阻力学科优化单元,用于构建阻力学科级优化数学模型;
噪声学科优化单元,用于构建噪声学科级优化数学模型;
构建设计变量学科级优化数学模型;
学科级优化单元,与所述阻力学科优化单元和所述噪声学科优化单元通信连接,用于将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
在一实施例中,所述系统级约束满足工况获取模块,包括:
阻力约束构建单元,用于构建系统级阻力约束条件;
噪声约束构建单元,用于构建系统级噪声约束条件;
设计变量约束构建单元,用于构建系统级设计变量约束条件;
系统级约束满足工况获取单元,与所述阻力约束构建单元、所述噪声约束构建单元以及所述设计变量约束构建单元通信连接,用于将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本发明实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思,本申请实施例还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等);存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或请参考软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的请参考。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种展向波纹杆件协同优化方法,其特征在于,包括以下步骤:
获取学科级优化期望值;
根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;
根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;
当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;
当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
2.如权利要求1所述的展向波纹杆件协同优化方法,其特征在于,所述学科级优化期望值包括系统级阻力系数优化期望值、系统级总声压级优化期望值以及设计变量优化期望值。
3.如权利要求1所述的展向波纹杆件协同优化方法,其特征在于,根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值步骤,具体包括以下步骤:
构建阻力学科级优化数学模型;
构建噪声学科级优化数学模型;
构建设计变量学科级优化数学模型;
将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
4.如权利要求1所述的展向波纹杆件协同优化方法,其特征在于,所述根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况步骤,具体包括以下步骤:
构建系统级阻力约束条件;
构建系统级噪声约束条件;
构建系统级设计变量约束条件;
将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
5.如权利要求1所述的展向波纹杆件协同优化方法,其特征在于,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤,具体包括以下步骤:
基于系统级约束条件,获取各学科级优化调整优化期望值;
将获取的各学科级优化调整优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行重新优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值;
根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况,重复优化、回传,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件,获取最终的阻力系数最优值、总声压级最优值以及设计变量最优值。
6.如权利要求1所述的展向波纹杆件协同优化方法,其特征在于,所述当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值步骤之后,还包括以下步骤:
获取各学科级之间的权重系数备选比例值;
获取系统级目标函数;
将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化,获取各学科级之间的权重系数最优比例值。
7.如权利要求6所述的展向波纹杆件协同优化方法,其特征在于,所述将获取的各学科级之间的权重系数备选比例值输入系统级目标函数中进行优化,获取各学科级之间的权重系数最优比例值步骤之后,还包括以下步骤:
根据获取的权重系数最优比例值以及设计变量最优值,进行展向波纹杆件仿真试验,获取展向波纹杆的阻力系数仿真值和总声压级仿真值;
比对获取的展向波纹杆件的阻力系数仿真值和优化获取的阻力系数最优值,以及总声压级仿真值和总声压级最优值,获取比对结果;
根据获取的比对结果,获取优化验证结论。
8.一种展向波纹杆件的协同优化系统,其特征在于,包括:
优化期望值获取模块,用于获取学科级优化期望值;
学科级优化模块,与所述优化期望值获取模块通信连接,用于根据获取的学科级优化期望值,获取阻力系数优化值、总声压级优化值以及设计变量优化值;
系统级约束满足工况获取模块,与所述学科级优化模块通信连接,用于根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值,获取系统级约束条件是否满足的工况;
最优值获取模块,与所述系统级约束满足工况获取模块通信连接,用于当满足系统级约束条件时,获取阻力系数最优值、总声压级最优值以及设计变量最优值;
继续优化模块,与所述系统级约束满足工况获取模块通信连接,用于当不满足系统级约束条件时,获取各学科级优化调整优化期望值,根据获取的各学科级优化调整优化期望值,重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值,直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止,将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。
9.如权利要求8所述的展向波纹杆件的协同优化系统,其特征在于,所述学科级优化模块包括:
阻力学科优化单元,用于构建阻力学科级优化数学模型;
噪声学科优化单元,用于构建噪声学科级优化数学模型;
设计变量优化单元,用于构建设计变量学科级优化数学模型;
学科级优化单元,与所述阻力学科优化单元、所述噪声学科优化单元和设计变量优化单元通信连接,用于将获取的学科级优化期望值输入构建的阻力学科级优化数学模型、噪声学科级优化数学模型以及设计变量学科级优化数学模型,基于阻力学科级优化约束条件、噪声学科级优化约束条件和设计变量学科级优化约束条件进行优化,获取优化后的阻力系数优化值、总声压级优化值以及设计变量优化值。
10.如权利要求8所述的展向波纹杆件的协同优化系统,其特征在于,所述系统级约束满足工况获取模块,包括:
阻力约束构建单元,用于构建系统级阻力约束条件;
噪声约束构建单元,用于构建系统级噪声约束条件;
设计变量约束构建单元,用于构建系统级设计变量约束条件;
系统级约束满足工况获取单元,与所述阻力约束构建单元、所述噪声约束构建单元以及所述设计变量约束构建单元通信连接,用于将获取的阻力系数优化值、总声压级优化值以及设计变量优化值输入构建的系统级阻力约束条件、系统级噪声约束条件和系统级设计变量约束条件,获取系统级约束条件是否满足的工况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310571891.5A CN116306383B (zh) | 2023-05-22 | 2023-05-22 | 展向波纹杆件协同优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310571891.5A CN116306383B (zh) | 2023-05-22 | 2023-05-22 | 展向波纹杆件协同优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116306383A true CN116306383A (zh) | 2023-06-23 |
CN116306383B CN116306383B (zh) | 2024-01-30 |
Family
ID=86803542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310571891.5A Active CN116306383B (zh) | 2023-05-22 | 2023-05-22 | 展向波纹杆件协同优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306383B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180196A1 (zh) * | 2014-05-27 | 2015-12-03 | 中国空间技术研究院 | 一种基于多学科优化的卫星总体方案确定系统及实现方法 |
CN108664721A (zh) * | 2018-05-03 | 2018-10-16 | 中南大学 | 基于多学科设计的高速列车头部外形协同设计方法 |
WO2019091442A1 (zh) * | 2017-11-09 | 2019-05-16 | 中车株洲电力机车有限公司 | 一种小转角受电弓弓头平衡机构、弓头及其设计方法 |
CN109815439A (zh) * | 2018-12-28 | 2019-05-28 | 杭州电子科技大学 | 一种减速器设计协同优化方法 |
CN110059415A (zh) * | 2019-04-22 | 2019-07-26 | 西南交通大学 | 一种基于协同优化算法的高速受电弓多学科设计方法 |
CN110287562A (zh) * | 2019-06-14 | 2019-09-27 | 西南交通大学 | 一种高速受电弓结构参数优化方法 |
CN111191401A (zh) * | 2019-12-31 | 2020-05-22 | 北京航空航天大学 | 一种基于协同优化的高超声速飞行器气动/控制/结构多学科优化设计方法 |
CN114274781A (zh) * | 2021-12-15 | 2022-04-05 | 中南大学 | 一种基于多孔介质材料的受电弓杆件减阻降噪装置 |
CN114329805A (zh) * | 2021-10-25 | 2022-04-12 | 东方电气集团科学技术研究院有限公司 | 基于自适应代理模型的连接件多学科协同设计优化方法 |
WO2022257308A1 (zh) * | 2021-06-10 | 2022-12-15 | 大连理工大学 | 一种基于联合仿真的燃料组件多学科结构设计优化方法 |
-
2023
- 2023-05-22 CN CN202310571891.5A patent/CN116306383B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180196A1 (zh) * | 2014-05-27 | 2015-12-03 | 中国空间技术研究院 | 一种基于多学科优化的卫星总体方案确定系统及实现方法 |
WO2019091442A1 (zh) * | 2017-11-09 | 2019-05-16 | 中车株洲电力机车有限公司 | 一种小转角受电弓弓头平衡机构、弓头及其设计方法 |
CN108664721A (zh) * | 2018-05-03 | 2018-10-16 | 中南大学 | 基于多学科设计的高速列车头部外形协同设计方法 |
CN109815439A (zh) * | 2018-12-28 | 2019-05-28 | 杭州电子科技大学 | 一种减速器设计协同优化方法 |
CN110059415A (zh) * | 2019-04-22 | 2019-07-26 | 西南交通大学 | 一种基于协同优化算法的高速受电弓多学科设计方法 |
CN110287562A (zh) * | 2019-06-14 | 2019-09-27 | 西南交通大学 | 一种高速受电弓结构参数优化方法 |
CN111191401A (zh) * | 2019-12-31 | 2020-05-22 | 北京航空航天大学 | 一种基于协同优化的高超声速飞行器气动/控制/结构多学科优化设计方法 |
WO2022257308A1 (zh) * | 2021-06-10 | 2022-12-15 | 大连理工大学 | 一种基于联合仿真的燃料组件多学科结构设计优化方法 |
CN114329805A (zh) * | 2021-10-25 | 2022-04-12 | 东方电气集团科学技术研究院有限公司 | 基于自适应代理模型的连接件多学科协同设计优化方法 |
CN114274781A (zh) * | 2021-12-15 | 2022-04-05 | 中南大学 | 一种基于多孔介质材料的受电弓杆件减阻降噪装置 |
Non-Patent Citations (6)
Title |
---|
X.W. LIU等: "Reduction of aerodynamic noise from square bars by introducing spanwise waviness", JOURNAL OF SOUND AND VIBRATION, vol. 435, pages 323 - 349 * |
张长亮等: "基于展向波纹结构受电弓杆件减阻降噪研究", 噪声与振动控制, vol. 41, no. 6 * |
梅小宁;杨树兴;: "由子系统主导的协同优化算法", 宇航学报, no. 01 * |
裴;张宇文;王亚东;袁绪龙;: "基于自适应模拟退火法的UUV艏部线型优化设计", 鱼雷技术, no. 02 * |
赵彬;张海林;: "基于Kriging近似模型的车身气动低阻低噪协同优化研究", 内燃机与配件, no. 07 * |
陶冶;黄洪钟;刘志杰;吕显强;: "基于非对称模糊优化模型的多学科协同满意优化", 大连理工大学学报, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116306383B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haji et al. | Comparison of optimization techniques based on gradient descent algorithm: A review | |
Huang et al. | Forecasting outpatient visits using empirical mode decomposition coupled with back-propagation artificial neural networks optimized by particle swarm optimization | |
US10521729B2 (en) | Neural architecture search for convolutional neural networks | |
Oden et al. | Selection and assessment of phenomenological models of tumor growth | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Stamoulis et al. | Single-path mobile automl: Efficient convnet design and nas hyperparameter optimization | |
Ye et al. | Accelerating CNN training by pruning activation gradients | |
US20220036231A1 (en) | Method and device for processing quantum data | |
Stegmann et al. | Nonlinear mixed-effects modeling programs in R | |
Kou et al. | Aeroacoustic airfoil shape optimization enhanced by autoencoders | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
Li et al. | An optimisation method for complex product design | |
Chen et al. | Hot-starting the AC power flow with convolutional neural networks | |
Xiao et al. | Fault diagnosis of rolling bearing based on back propagation neural network optimized by cuckoo search algorithm | |
Chen et al. | A compressed lattice Boltzmann method based on ConvLSTM and ResNet | |
CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
Daniels et al. | Automated shape optimisation of a plane asymmetric diffuser using combined Computational Fluid Dynamic simulations and multi-objective Bayesian methodology | |
Yang et al. | Flowfield prediction of airfoil off-design conditions based on a modified variational autoencoder | |
Gong et al. | GWMA: the parallel implementation of woodpecker mating algorithm on the GPU | |
Du et al. | Super Resolution Generative Adversarial Networks for Multi-Fidelity Pressure Distribution Prediction | |
CN116306383B (zh) | 展向波纹杆件协同优化方法及系统 | |
Steins et al. | Probabilistic constrained Bayesian inversion for transpiration cooling | |
Liang et al. | Multidisciplinary optimization under uncertainty using Bayesian network | |
Meng et al. | A novel physics-informed neural operator for thermochemical curing analysis of carbon-fibre-reinforced thermosetting composites | |
Wei et al. | Iterative design and implementation of rapid gradient descent method |
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 |