CN116502566A - 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 - Google Patents
基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 Download PDFInfo
- Publication number
- CN116502566A CN116502566A CN202310765874.5A CN202310765874A CN116502566A CN 116502566 A CN116502566 A CN 116502566A CN 202310765874 A CN202310765874 A CN 202310765874A CN 116502566 A CN116502566 A CN 116502566A
- Authority
- CN
- China
- Prior art keywords
- optimization
- design
- combustion chamber
- performance
- gas turbine
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 101
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013461 design Methods 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012804 iterative process Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 23
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Control Of Turbines (AREA)
Abstract
本发明公开了基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，涉及燃气轮机技术领域，根据燃烧室的优化需求确定优化方法的多维设计变量及贝叶斯优化中代理模型的类型、辅助优化算法和采集函数；构建设计变量样本空间；得到样本点集；得到设计数据集；得到对应的综合性能评分；判断当前设计数据集得到的综合性能评分最高点是否达成预期优化目标，若是，结束优化过程并得到优化设计方案；若否，将样本点集合和性能评分带入代理模型；得到新样本点集；得到新设计数据集；执行的迭代过程，得到优化设计方案。本发明采用上述步骤，以燃气轮机的燃烧室为研究对象，提供以较少次数CFD仿真进行燃气轮机燃烧室性能参数多目标优化的方法。
Description
技术领域
本发明涉及燃气轮机技术领域，特别是涉及基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法。
背景技术
随着航空航天、燃气发电等技术的不断推广发展，缩短燃气轮机的设计周期已成为当前研究的热点。燃烧室是燃气轮机的核心部件之一，燃气轮机的可靠性、经济性和寿命在很大程度上取决于燃烧室的可靠性和综合性能。燃烧室性能要求燃烧效率高、污染物排放少、总压损失小、出口温度分布均匀，但目前燃烧室设计温升高，冷却空气量低，燃烧室工作环境恶劣，湍流燃烧机理复杂，燃气调控机理复杂等一系列问题，需要更为优越的燃烧组织技术或提高先进燃烧室的设计水平。
经调研，在目前的燃烧室设计阶段，通常依靠大量计算流体力学(ComputationalFluid Dynamics，简称CFD)数值模拟结合少量实验测试组成数据库，再依据经验模型评估新设计的可靠性和性能参数。由于燃烧室设计中有大量设计变量，其性能评估涉及多方面因素，同时设计变量和性能参数间为呈现高度非线性关系，使得燃烧室设计问题整体上呈现为一个高维度、多目标的黑箱函数优化问题。
尽管计算机性能提升速度很快，但直接用实验或高精度CFD方法探索整个高维设计空间，依然具有极高的设计成本。在现有技术中，一方面，由于高精度CFD仿真计算成本较高，常用优化算法，如遗传算法、模拟退火算法等由于其优化过程中通常需要成千上万次迭代计算，在燃烧室设计优化问题中直接应用受到计算成本限制。
另一方面，在相关领域已有通过构建近似模型（被称为代理模型）降低计算成本的燃烧室参数多目标优化相关研究，其工作流程可概括为：采集样本构建高精度代理模型，再应用常用多目标优化算法找到该代理模型的最优解集，从中选取最优设计进行试验验证。但由于其代理模型在设计初期一次性构建完成，因此必须在设计空间中采集大量样本来保证精度，即进行大量CFD仿真，导致其减少计算成本的效果较为有限。
针对现有技术计算成本高、设计周期长的问题，本发明提出一种基于贝叶斯优化的燃气轮机燃烧室性能参数优化方法。
发明内容
本发明的目的是提供基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，解决现有技术计算成本高、设计周期长的问题。
为实现上述目的，本发明提供了基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，具体步骤如下：
S1、根据燃烧室的优化需求确定优化方法的多维设计变量及贝叶斯优化中代理模型的类型、辅助优化算法和采集函数；
S2、以S1中的多维设计变量作为输入设计参数，并与目标性能参数构成设计变量样本空间；
S3、对S2中的设计变量样本空间进行样本抽取，得到样本点集；
S4、建立实验测试或燃烧室三维模型，将S3中的样本点集带入燃烧室三维模型中进行CFD仿真分析，得到设计数据集；
S5、根据S4得到的设计数据集中各个样本设计点对应的燃烧室性能数据，采用线性加权法得到对应的综合性能评分；
S6、判断当前设计数据集得到的综合性能评分最高点是否达成预期优化目标，若是，则取综合性能评分最高点为优化设计点，结束优化过程并得到优化设计方案；
S7、若否，根据S1中确定的代理模型类型，以S3中的样本点集合为输入数据、S5中的综合性能评分为输出数据构建代理模型，并计算采集函数；
S8、采用S1中的辅助优化算法，以S7中代理模型的采集函数为优化目标，执行辅助优化过程，得到新样本点集；
S9、对S8中新的样本点集执行CFD仿真分析，得到的新样本设计点加入S4中的设计数据集中得到新设计数据集，并返回步骤S5；
S10、执行S5-S9的迭代过程，直至新设计数据集中综合性能评分最高的样本设计点达到预期优化需求，得到优化设计方案。
优选的，S1中，多维设计变量为燃烧室系统边界条件，包括进口总温、进口总压、进口助燃剂组分的质量分数。
优选的，S1中，代理模型的类型为Kriging模型，随机森林模型、神经网络模型，响应面模型中的一种，采集函数为最优值函数、期望提升函数、概率提升函数中的一种。
优选的，S1中，辅助优化算法为遗传算法、粒子群算法、局部搜索算法中的一种。
优选的，S2中，目标性能参数为出口平均温度、出口温度分布系数、氮氧化物排放指数和总压损失系数。
优选的，S4中，设计数据集包括出口平均温度、出口温度分布系数、氮氧化物排放指数和总压损失系数。
优选的，S5中，对各个燃烧室性能数据指定权重，采用线性加权法如下，
其中，为样本/>的综合性能评分，/>为样本/>的第/>项目标性能参数归一化后的结果，/>为对第/>项目标性能参数分配的权重，/>为目标性能参数的个数。
优选的，S8中，S81、使用S1中确定的代理模型预测S1中确定的采集函数的数值；
S82、执行S1中的辅助优化算法，以一个或多个采集函数优化目标进行辅助优化；
S83、判断S82中本次迭代的优化算法是否需要收敛，若否，则给出下次迭代中需要求取采集函数数值的新迭代点集，并返回步骤S81；
S84、若是，则根据优化结果给出新样本点集。
因此，本发明采用上述步骤的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其有益效果为：
1、本发明以燃气轮机的燃烧室为研究对象，提供以较少次数CFD仿真进行燃气轮机燃烧室性能参数多目标优化的方法，相比其他黑箱函数优化算法(如进化算法和局部搜索等)关注对求解效率的提升，贝叶斯优化更侧重于减少评估代价，保证其能够仅经过少数目标函数评估即可得到近似最优解；
2、贝叶斯优化方法的特性符合燃烧室优化设计问题减少计算成本的需求，在少量样本点集的基础上，基于贝叶斯优化原理以总体较少的CFD仿真次数实现燃烧室综合性能的优化，具有较高的精度；
3、贝叶斯优化的迭代过程可以在综合性能达到预期设计标准时停止，可以根据设计需求控制优化效果，解决现有燃气轮机燃烧室设计方法中试验次数多，设计周期长，计算成本高的问题的效果；
4、采集函数用于迭代过程中选择综合性能评分保证选择的样本设计点快速趋近设计空间中的预期优化目标，达到指导燃烧室性能参数优化的目的。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法流程图；
图2为本发明实施例的优化过程中样本设计点燃烧室综合性能评分曲线图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
通过下面的实施例可以更详细的解释本发明，公开本发明的目的旨在保护本发明范围内的一切变化和改进，本发明并不局限于下面的实施例。
实施例1
基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，如图1所示：
S1、根据燃烧室的优化需求确定优化方法的多维设计变量及贝叶斯优化中代理模型的类型、辅助优化算法和采集函数。
多维设计变量为燃烧室系统边界条件，包括进口总温、进口总压、进口助燃剂组分的质量分数。
具体为，空气进口总温()、燃料进口总温(/>)、二氧化碳质量分数(/>)、水蒸气质量分数(/>)。
S1中，代理模型的类型为Kriging模型、随机森林模型、神经网络模型、响应面模型中的一种。
具体为，Kriging模型。
采集函数为最优值函数、期望提升函数、概率提升函数中的一种。
具体为，期望提升函数（EI）。
辅助优化算法为遗传算法、粒子群算法、局部搜索算法中的一种。
具体为，遗传算法。
S2、以S1中的多维设计变量作为输入设计参数，并与目标性能参数构成设计变量样本空间。
目标性能参数为出口平均温度、出口温度分布系数(OTDF)、氮氧化物排放指数(EIno)和总压损失系数。
S3、对S2中的设计变量样本空间进行样本抽取，得到样本点集。
将样本点集可视为如下形式所示的四维向量，
；
利用拉丁超立方抽样方法抽取16个样本点。
S4、建立燃烧室三维模型，将S3中的样本点集带入燃烧室三维模型中进行CFD仿真分析，得到设计数据集。
设计数据集包括出口平均温度、出口温度分布系数、氮氧化物排放指数和总压损失系数。
将样本点集中各样本点对应的参数输入CFD仿真软件，进行对应工况下的燃烧室三维仿真分析，从仿真结果中计算出出口平均温度、出口温度分布系数(OTDF)、氮氧化物排放指数(EIno)、总压损失系数。
S5、根据S4得到的设计数据集中各个样本设计点对应的燃烧室性能数据，采用线性加权法得到对应的综合性能评分；
对各个燃烧室性能数据指定权重，采用线性加权法如下，
其中，为样本/>的综合性能评分，/>为样本/>的第/>项目标性能参数归一化后的结果，/>为对第/>项目标性能参数分配的权重，/>为目标性能参数的个数。
S6、判断当前设计数据集得到的综合性能评分最高点是否达成预期优化目标，若是，则取综合性能评分最高点为优化设计点，结束优化过程并得到优化设计方案。
S7、若否，根据S1中确定的代理模型类型，以S3中的样本点集合为输入数据、S5中的综合性能评分为输出数据构建代理模型，并计算采集函数。
具体为，代理模型为Kriging模型。
具体为，采集函数为期望提升函数（EI）。
此时，采集函数EI的形式如下：
为当前代理模型下设计点x处的综合性能评分预测值相对于当前设计数据集中最优值提升量的数学期望值：
；
其中，为目前设计数据集中综合性能评分的最优值，
、/>分别为Kriging模型给出的概率后验分布（具体为，正态分布）的均值和方差，
为正态分布的累积分布函数，
为正态分布的概率密度函数。
S8、采用S1中的辅助优化算法，S7中代理模型的采集函数为优化目标，执行辅助优化过程，得到新样本点集。
具体为，辅助优化算法为遗传算法。
S8中，S81、使用Kriging模型预测期望提升函数（EI）；
S82、执行遗传算法，以期望提升函数（EI）为优化目标进行辅助优化；
S83、判断S82中本次迭代的遗传算法是否需要收敛，若否，则给出下次迭代中需要求取期望提升函数（EI）数值的迭代点集，并返回步骤S81；
S84、若是，则根据期望提升函数（EI）的最大评估点给出新样本点集。
S9、对S8中的新样本点集执行CFD仿真分析，得到的新样本设计点加入S4中的设计数据集中得到新设计数据集，并返回步骤S5。
S10、执行S5-S9的迭代过程，直至新设计数据集中综合性能评分最高的样本设计点达到预期优化需求，得到优化设计方案。
整个过程中得到的综合性能评分如图2所示，可知，贝叶斯优化更侧重于减少评估代价，保证其能够仅经过少数目标函数评估即可得到近似最优解。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：
S1、根据燃烧室的优化需求确定优化方法的多维设计变量及贝叶斯优化中代理模型的类型、辅助优化算法和采集函数；
S2、以S1中的多维设计变量作为输入设计参数，并与目标性能参数构成设计变量样本空间；
S3、对S2中的设计变量样本空间进行样本抽取，得到样本点集；
S4、建立实验测试或燃烧室三维模型，将S3中的样本点集带入燃烧室三维模型中进行CFD仿真分析，得到设计数据集；
S5、根据S4得到的设计数据集中各个样本设计点对应的燃烧室性能数据，采用线性加权法得到对应的综合性能评分；
S6、判断当前设计数据集得到的综合性能评分最高点是否达成预期优化目标，若是，则取综合性能评分最高点为优化设计点，结束优化过程并得到优化设计方案；
S7、若否，根据S1中确定的代理模型类型，以S3中的样本点集合为输入数据、S5中的综合性能评分为输出数据构建代理模型，并计算采集函数；
S8、采用S1中的辅助优化算法，以S7中代理模型的采集函数为优化目标，执行辅助优化过程，得到新样本点集；
S9、对S8中新的样本点集执行CFD仿真分析，得到的新样本设计点加入S4中的设计数据集中得到新设计数据集，并返回步骤S5；
S10、执行S5-S9的迭代过程，直至新设计数据集中综合性能评分最高的样本设计点达到预期优化需求，得到优化设计方案。
2.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S1中，多维设计变量为燃烧室系统边界条件，包括进口总温、进口总压、进口助燃剂组分的质量分数。
3.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S1中，代理模型的类型为Kriging模型、随机森林模型、神经网络模型、响应面模型中的一种，采集函数为最优值函数、期望提升函数、概率提升函数中的一种。
4.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S1中，辅助优化算法为遗传算法、粒子群算法、局部搜索算法中的一种。
5.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S2中，目标性能参数为出口平均温度、出口温度分布系数、氮氧化物排放指数和总压损失系数。
6.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S4中，设计数据集包括出口平均温度、出口温度分布系数、氮氧化物排放指数和总压损失系数。
7.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S5中，对各个燃烧室性能数据指定权重，采用线性加权法如下，
；
其中，为样本/>的综合性能评分，/>为样本/>的第/>项目标性能参数归一化后的结果，/>为对第/>项目标性能参数分配的权重，/>为目标性能参数的个数。
8.根据权利要求1所述的基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法，其特征在于：S8中，S81、使用S1中确定的代理模型预测S1中确定的采集函数的数值；
S82、执行S1中的辅助优化算法，以一个或多个采集函数优化目标进行辅助优化；
S83、判断S82中本次迭代的优化算法是否需要收敛，若否，则给出下次迭代中需要求取采集函数数值的新迭代点集，并返回步骤S81；
S84、若是，则根据优化结果给出新样本点集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765874.5A CN116502566A (zh) | 2023-06-27 | 2023-06-27 | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765874.5A CN116502566A (zh) | 2023-06-27 | 2023-06-27 | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502566A true CN116502566A (zh) | 2023-07-28 |
Family
ID=87328738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310765874.5A Pending CN116502566A (zh) | 2023-06-27 | 2023-06-27 | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502566A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090240636A1 (en) * | 2003-09-30 | 2009-09-24 | Reimar Hofmann | Method, computer program with program code means and computer program product for analyzing variables influencing a combustion process in a combustion chamber, using a trainable statistical model |
| DE102010003699A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Brennraumgeometrie einer Brennkraftmaschine |
| CN109063266A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种基于并行贝叶斯优化的蒙皮天线机电协同设计方法 |
| CN111199105A (zh) * | 2020-01-03 | 2020-05-26 | 浙江大学 | 一种扑翼运动参数优化方法 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN113033054A (zh) * | 2021-03-29 | 2021-06-25 | 河海大学 | 一种基于pce_bo的结构性能参数快速反演方法 |
| CN113391894A (zh) * | 2021-06-10 | 2021-09-14 | 华南理工大学 | 一种基于rbp神经网络的最优超任务网优化方法 |
| CN113591299A (zh) * | 2021-07-28 | 2021-11-02 | 清华大学 | 判定不同类型微通道散热器综合性能优劣的方法和系统 |
| CN113688565A (zh) * | 2021-08-02 | 2021-11-23 | 大连理工大学 | 基于最优权衡的超临界co2离心压缩机贝叶斯优化方法 |
| CN114282320A (zh) * | 2021-12-24 | 2022-04-05 | 厦门大学 | 一种利用贝叶斯优化算法优化工程参数的方法 |
| CN114297925A (zh) * | 2021-12-27 | 2022-04-08 | 杭州电子科技大学 | 基于可行域收缩贝叶斯优化的功放设计方法 |
| CN115062433A (zh) * | 2022-06-30 | 2022-09-16 | 东北大学 | 一种基于高斯过程的柴油机多目标性能优化方法 |
| CN115204051A (zh) * | 2022-07-23 | 2022-10-18 | 复旦大学 | 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 |
| CN115455773A (zh) * | 2022-09-15 | 2022-12-09 | 广汽埃安新能源汽车有限公司 | 一种设计变量的多目标优化方法及装置 |
| CN115482655A (zh) * | 2022-04-18 | 2022-12-16 | 同济大学 | 一种基于偏最小二乘Kriging模型的路径诱导方法 |
| CN116049977A (zh) * | 2022-12-26 | 2023-05-02 | 西南科技大学 | 一种航空发动机燃烧室的参数多目标优化方法 |
| CN116110505A (zh) * | 2022-11-30 | 2023-05-12 | 浙江工业大学 | 一种基于多目标贝叶斯优化的流动化学工艺优化方法 |
| CN116245023A (zh) * | 2023-02-23 | 2023-06-09 | 上海空间电源研究所 | 一种空间燃料电池系统混合度参数匹配优化方法 |
-
2023
- 2023-06-27 CN CN202310765874.5A patent/CN116502566A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090240636A1 (en) * | 2003-09-30 | 2009-09-24 | Reimar Hofmann | Method, computer program with program code means and computer program product for analyzing variables influencing a combustion process in a combustion chamber, using a trainable statistical model |
| DE102010003699A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Brennraumgeometrie einer Brennkraftmaschine |
| CN109063266A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种基于并行贝叶斯优化的蒙皮天线机电协同设计方法 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN111199105A (zh) * | 2020-01-03 | 2020-05-26 | 浙江大学 | 一种扑翼运动参数优化方法 |
| CN113033054A (zh) * | 2021-03-29 | 2021-06-25 | 河海大学 | 一种基于pce_bo的结构性能参数快速反演方法 |
| CN113391894A (zh) * | 2021-06-10 | 2021-09-14 | 华南理工大学 | 一种基于rbp神经网络的最优超任务网优化方法 |
| CN113591299A (zh) * | 2021-07-28 | 2021-11-02 | 清华大学 | 判定不同类型微通道散热器综合性能优劣的方法和系统 |
| CN113688565A (zh) * | 2021-08-02 | 2021-11-23 | 大连理工大学 | 基于最优权衡的超临界co2离心压缩机贝叶斯优化方法 |
| CN114282320A (zh) * | 2021-12-24 | 2022-04-05 | 厦门大学 | 一种利用贝叶斯优化算法优化工程参数的方法 |
| CN114297925A (zh) * | 2021-12-27 | 2022-04-08 | 杭州电子科技大学 | 基于可行域收缩贝叶斯优化的功放设计方法 |
| CN115482655A (zh) * | 2022-04-18 | 2022-12-16 | 同济大学 | 一种基于偏最小二乘Kriging模型的路径诱导方法 |
| CN115062433A (zh) * | 2022-06-30 | 2022-09-16 | 东北大学 | 一种基于高斯过程的柴油机多目标性能优化方法 |
| CN115204051A (zh) * | 2022-07-23 | 2022-10-18 | 复旦大学 | 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 |
| CN115455773A (zh) * | 2022-09-15 | 2022-12-09 | 广汽埃安新能源汽车有限公司 | 一种设计变量的多目标优化方法及装置 |
| CN116110505A (zh) * | 2022-11-30 | 2023-05-12 | 浙江工业大学 | 一种基于多目标贝叶斯优化的流动化学工艺优化方法 |
| CN116049977A (zh) * | 2022-12-26 | 2023-05-02 | 西南科技大学 | 一种航空发动机燃烧室的参数多目标优化方法 |
| CN116245023A (zh) * | 2023-02-23 | 2023-06-09 | 上海空间电源研究所 | 一种空间燃料电池系统混合度参数匹配优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116049977B (zh) | 一种航空发动机燃烧室的参数多目标优化方法 | |
| Pal et al. | Constrained surrogate-based engine calibration using lower confidence bound | |
| Wu et al. | A low-sample-count, high-precision Pareto front adaptive sampling algorithm based on multi-criteria and Voronoi | |
| Chen et al. | Knowledge-based turbomachinery design system via a deep neural network and multi-output Gaussian process | |
| CN113935124B (zh) | 柴油机燃用生物柴油多目标性能优化方法 | |
| Xu et al. | A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning | |
| Xu et al. | A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principle | |
| CN107742000B (zh) | 锅炉燃烧含氧量建模方法 | |
| CN116502566A (zh) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 | |
| Yang et al. | Optimized design of aero-engine high temperature rise combustion chamber based on" kriging-NSGA-II" | |
| CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
| CN116804706A (zh) | 一种电动汽车锂电池温度预测方法及装置 | |
| US20230237211A1 (en) | Structural optimization method for biomass boiler economizers | |
| Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
| Cheng et al. | Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles | |
| CN116227350A (zh) | 锅炉多目标优化方法及装置 | |
| CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
| Wang et al. | Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine | |
| CN114519299A (zh) | 一种一体化支板火焰稳定器双层壁结构的多目标优化方法 | |
| Mohanty et al. | Physics-infused ai/ml based digital-twin framework for flow-induced-vibration damage prediction in a nuclear reactor heat exchanger | |
| CN114038513A (zh) | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 | |
| Ram et al. | Gas turbine power plant performance evaluation under key failures | |
| Zhao et al. | Multi-objective optimisation of a free-form building shape to improve the solar energy utilisation potential using artificial neural networks | |
| CN116910923B (zh) | 一种机载机电系统的优化设计方法及装置 | |
| Liu et al. | Multi-objective optimization of a dual-fuel engine at low and medium loads based on moea/d |
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 |