CN116561903A - 基于ffd自由变形方法的离心通风机叶型参数化方法 - Google Patents

基于ffd自由变形方法的离心通风机叶型参数化方法 Download PDF

Info

Publication number
CN116561903A
CN116561903A CN202310238905.1A CN202310238905A CN116561903A CN 116561903 A CN116561903 A CN 116561903A CN 202310238905 A CN202310238905 A CN 202310238905A CN 116561903 A CN116561903 A CN 116561903A
Authority
CN
China
Prior art keywords
blade
points
coordinates
control grid
point
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
Application number
CN202310238905.1A
Other languages
English (en)
Inventor
孟凡念
周广群
巩晓赟
王良文
杜文辽
邬昌军
谢贵重
苏晓龙
张子琦
王刘杰
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202310238905.1A priority Critical patent/CN116561903A/zh
Publication of CN116561903A publication Critical patent/CN116561903A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • G06F2119/14—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

Abstract

本发明提出了一种基于FFD自由变形方法的离心通风机叶型参数化方法，涉及离心通风机叶片气动优化技术领域。包括：设计后离心通风机叶片的参数化配置，参数化配置采用FFD自由变形技术，把叶片构型包络到FFD控制体内，通过调控FFD控制体中控制点的位置进而改变叶片构型，FFD控制点的变化域作为拉丁超立方LHS的采样点设计区间，结合CFX气动仿真、Kriging代理模型和改进的灰狼算法来进行离心通风机叶片精细调控优化。本发明的方法使得叶片构型随控制体联动改变，保证变形精度的同时也会使得后续的风机优化精度提高，对于风机优化的工程问题有广泛的实用价值。

Description

基于FFD自由变形方法的离心通风机叶型参数化方法
技术领域
本发明涉及离心风机设计技术领域，主要涉及离心风机叶片叶型的参数化与优化设计领域，是一种基于FFD方法的叶型参数化方法。
背景技术：
离心风机一种通过提高气体压力来输送气体的旋转机械，其广泛应用于各种工业领域，如工厂、隧道、矿井等工业设施的通风系统。从工业发展角度来说风机的优化设计有非常重要的意义。
风机在工作中，叶片是主要做功部件，通过叶片做功将机械能转化为气体的动能从而提高气体压力。所以叶片的叶型能够直接影响风机的气动性能与噪声大小。目前大部分的风机叶型的优化设计都是通过研究人员直接在建模软件上改变叶片形状，然后通过划分网格进行气体动力学分析得出优化结果，这种方法得到的优化模型往往不是最优的。
本发明在离心通风机设计的基础上，对叶片进行FFD技术的精细调控，以最大可能的提高叶片的气动性能，进而提高离心通风机的整机的效率。
发明内容
本发明的目的在于克服现有技术中离心通风机叶型设计中存在的问题，提出一种基于FFD自由变形方法的离心通风机叶型参数化方法，以解决上述技术问题。
为了实现本发明的目的，本发明所采用的技术方案为：
一种基于FFD自由变形方法的离心通风机叶型参数化方法，包括如下步骤：
步骤1：对设计后的离心通风机叶片进行参数化配置，
步骤2：生成Kriging代理模型的数据集
步骤3：完成控制网格与叶型的一致变形
步骤4：构建叶片构型的气动仿真模型
步骤5：建模
步骤6：仿真计算
步骤7：构造相应耦合关系
构建拉丁超立方数据样本和CFX计算出的气动响应值集合，并按照Kriging回归的代理模型构造拉丁超立方LHS数据样本和气动响应值间的耦合关系；
步骤8：用Kriging代理模型求出新的输入样本点下的气动响应值
步骤9：用灰狼算法求出最优控制点坐标
步骤10：优化后得出控制网格的控制点坐标，构建叶片模型
根据优化后得出网格控制点的全局坐标和Bernstein基函数公式等计算叶片关键设计点的全局坐标，进而构建叶片模型，进行气动仿真和实验验证，检验优化调控的合理性。
进一步地，步骤1具体如下：
步骤1.1：在叶片分布域的初始全局坐标系下构造局部坐标系，在局部坐标系下嵌入控制体及控制网格点；
步骤1.2：求出叶片关键设计点(A点)在局部坐标系下的局部坐标；
步骤1.3：将控制网格的控制网格点与叶片初始关键设计点的全局坐标全部转化为局部坐标。具体实施过程为：
首先确定以O为原点，XY为坐标轴建立O-XY全局坐标系，二维下的原点O为(0，0)；然后以O'为原点，ST为坐标轴构造局部坐标系，其中O'全局坐标为(x0,y0)；再创建控制网格，使得控制网格与叶片轮廓在坐标系构建的框架中，控制网格或叶片上任意一点的局部坐标为x(s,t)，全局坐标为X(x,y)，全局坐标与局部坐标的关系有：
X(x,y)＝X0(x0,y0)+s·S+t·T
其中，S，T为局部坐标系坐标轴的单位向量，0≤s≤1，0≤t≤1，Pi,j表示控制网格点的全局坐标；i,j表示两个方向上的控制点，数目为l+1,m+1，l、m取正整数；Ri(s)和Rj(t)表示两个方向上的基函数。
采用基于Bezier的FFD方法，选取Bernstein基函数：
步骤1.4：将控制网格点移动，设计控制网格点移动的位置和数目；
步骤1.5：利用叶片关键设计点(A点)的局部坐标、控制网格点的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标。
进一步地，步骤2具体为：
控制网格点的变化域作为拉丁超立方LHS的采样点设计区间，通过拉丁超立方采样进行叶片的仿真试验样本点布置，确定变量的取值范围，生成Kriging代理模型的数据集；
进一步地，步骤3具体为：
根据叶型轮廓随控制网格点坐标改变联动变化的理论，反推出变形后的叶型轮廓关键设计点的坐标，完成控制网格与叶型的一致变形。
具体推演方法为，根据步骤2中叶片关键设计点的局部坐标、网格控制点变化后的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标，生成各组LHS的采样点集下的离心通风机叶片构型；
进一步地，步骤4具体为：
对各组LHS的采样点集下的离心通风机叶片构型进行气动仿真模型构建，在此采用PORE软件建模，并根据气动模型的逆向建模思路，即气体流动的中空部分建为实体。
进一步地，步骤5具体为：
对离心通风机进气口、蜗壳和FFD叶片变形后的叶轮分别建模，建模后保存为*.x-t格式导入到ICEM软件中划分仿真网格。
进一步地，步骤6具体为：
将仿真网格导入到CFX软件中计算，计算后经后处理软件CFX-Post分析得出效率、全压等气动参数。
进一步地，步骤8具体为：
Kriging代理模型由给出的样本点训练后，根据Kriging模型公式来预测未知样本点对应的气动响应值，其中式中，为预测值，f(x)为关于x的二阶回归函数，/>为回归函数待定系数β的估计值，r(x)为样本点与预测点之间的相关矢量，R为相关矩阵，此处选择高斯相关函数，y为样本数据响应值构成的列矢量，f为单位列矢量。
进一步地，步骤9具体为：
训练后的Kriging代理模型导入到灰狼智能算法中进行寻优，其中训练后的Kriging代理模型作为灰狼算法的优化适应度函数。灰狼算法模拟狼群的狩猎和领导机制，把适应度评价最好的前三头狼分别命名为α、β、δ，其余命名为γ。γ狼在α、β和δ的带领下搜索猎物，灰狼算法通过搜索猎物、包围猎物和攻击猎物等行为来实现智能优化。在包围猎物后，我们认为α、β和δ是3个潜在解，且它们的位置随着猎物的移动而改变，狼群追逐行为可表达为：
式中分别表示当前种群中α、β、δ的位置向量；/>表示灰狼的位置向量；/>分别表示当前候选灰狼与最优的三只狼α、β、δ之间的位置。
在用灰狼智能算法进行优化迭代中，设置狼群数量为50，最大迭代次数设置为500。
相对于现有技术，本申请的有益效果为：
1.本发明可以实现叶片的参数化变形调控，通过数值改变精确反应叶片的几何联动改变，进而通过数值模型、代理模型和智能算法对叶片进行精确调控优化，更大程度上提高了离心通风机的气动性能，缩短了优化周期，降低了成本。
2.本发明提出的基于自由变形FFD技术的离心风机叶片精细调控优化可以实现叶型结构快速改变，变形能力强，进行了最大程度的对叶片进行气动结构优化，这对于提高离心通风机叶型参数化有着积极的意义。另外，本发明同样适用于其它类型的风机叶型结构变形设计，在工程上具有比较广泛的应用前景。
附图说明
本发明通过结合下面附图与实例描述能够更直观理解其优点和特色,其中：
图1为基于自由变形FFD技术的离心通风机叶片精细调控优化流程图
图2为本发明离心通风机叶轮结构图
图3为本发明离心通风机叶片全局坐标计算图
图4为本发明叶片关键设计点在FFD控制网格中的计算分析图
具体实施方法
接下来将结合本发明中的实例配图，对本发明的技术进行实例说明，对如何实现本发明的技术进行清晰、完整地叙述。
本发明所举例说明的实例是为了阐述本发明的前述和其他的特点以及优点。该详细描述和附图只是用于说明本发明，而不是限制由权利要求和其等价物定义的本发明的范围。
如图1-4所示，一种基于FFD自由变形方法的离心通风机叶型参数化方法步骤1：对设计后的离心通风机叶片(如图2所示)进行参数化配置，具体包括如下步骤：
(1)在叶片分布域的初始全局坐标系下构造局部坐标系，在局部坐标系下嵌入控制体及控制网格点(如图4的田字控制网格)；
(2)求出叶片关键设计点(A点)(如图4所示)在局部坐标系下的局部坐标(如图4中A点的局部坐标(0.6，0.4))；
(3)将控制网格的控制网格点与叶片初始关键设计点的全局坐标全部转化为局部坐标。具体实施过程为：
首先确定以O为原点，XY为坐标轴建立O-XY全局坐标系，二维下的原点O为(0，0)；然后以O'为原点，ST为坐标轴构造局部坐标系，其中O'全局坐标为(x0,y0)；再创建控制网格，使得控制网格与叶片轮廓在坐标系构建的框架中，控制网格或叶片上任意一点的局部坐标为x(s,t)，全局坐标为X(x,y)，全局坐标与局部坐标的关系有：
X(x,y)＝X0(x0,y0)+s·S+t·T
其中，S，T为局部坐标系坐标轴的单位向量，0≤s≤1，0≤t≤1，Pi,j表示控制网格点的全局坐标；i,j表示两个方向上的控制点，数目为l+1,m+1，l、m取正整数；Ri(s)和Rj(t)表示两个方向上的基函数。
FFD技术有多种基函数选取方法，包括基于Bezier的FFD方法、基于均匀B样条的FFD方法以及基于NURBS的FFD方法。
采用基于Bezier的FFD方法，选取Bernstein基函数：
(4)将控制网格点移动，设计控制网格点移动的位置和数目；
(5)利用叶片关键设计点(A点)的局部坐标、控制网格点的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标，如图3所示。
图4清晰的显示了叶片关键设计点在FFD控制网格中的计算分析过程，叶片关键设计点为图4中的A点，控制网格如图4中田字形网格，l等于2，m等于2，坐标原点的Bernstein基为(1-s)2(1-t)2，同理得出其它网格控制点的Bernstein基；A点的局部坐标为(0.6，0.4)，坐标原点对应于A点的Bernstein基值计算为(1-s)2(1-t)2＝(1-0.6)2(1-0.4)2＝0.0576，其它Bernstein基值列于图4；控制网格点的全局坐标为(0,0),(0,0.5),……，A点的全局坐标计算如0.5×0.1728+0.5×0.2304+0.5×0.0768+0.1296+0.1728+0.0576＝0.6，此图中控制网格改变前A点的局部坐标等于全局坐标；图4中A点的局部坐标固定不动，全局坐标会随着网格控制点的移动而改变。
步骤2：生成Kriging代理模型的数据集
控制网格点的变化域作为拉丁超立方LHS的采样点设计区间，通过拉丁超立方采样进行叶片的仿真试验样本点布置，确定变量的取值范围，生成Kriging代理模型的数据集；
步骤3：完成控制网格与叶型的一致变形
根据叶型轮廓随控制网格点坐标改变联动变化的理论，反推出变形后的叶型轮廓关键设计点的坐标，完成控制网格与叶型的一致变形。
具体推演方法为，根据步骤2中叶片关键设计点的局部坐标、网格控制点变化后的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标，生成各组LHS的采样点集下的离心通风机叶片构型；
步骤4：构建叶片构型的气动仿真模型
对各组LHS的采样点集下的离心通风机叶片构型进行气动仿真模型构建，在此采用PORE软件建模，并根据气动模型的逆向建模思路，即气体流动的中空部分建为实体。
步骤5：建模
对离心通风机进气口、蜗壳和FFD叶片变形后的叶轮分别建模，建模后保存为*.x-t格式导入到ICEM软件中划分仿真网格。
步骤6：仿真计算
将仿真网格导入到CFX软件中计算，计算后经后处理软件CFX-Post分析得出效率、全压等气动参数。
步骤7：构造相应耦合关系
构建拉丁超立方数据样本和CFX计算出的气动响应值集合，并按照Kriging回归的代理模型构造拉丁超立方LHS数据样本和气动响应值间的耦合关系；
步骤8：用Kriging代理模型求出新的输入样本点下的气动响应值
Kriging代理模型由给出的样本点训练后，根据Kriging模型公式来预测未知样本点对应的气动响应值，其中式中，为预测值，f(x)为关于x的二阶回归函数，/>为回归函数待定系数β的估计值，r(x)为样本点与预测点之间的相关矢量，R为相关矩阵，此处选择高斯相关函数，y为样本数据响应值构成的列矢量，f为单位列矢量。
步骤9：用灰狼算法求出最优控制点坐标
训练后的Kriging代理模型导入到灰狼智能算法中进行寻优，其中训练后的Kriging代理模型作为灰狼算法的优化适应度函数。灰狼算法模拟狼群的狩猎和领导机制，把适应度评价最好的前三头狼分别命名为α、β、δ，其余命名为γ。γ狼在α、β和δ的带领下搜索猎物，灰狼算法通过搜索猎物、包围猎物和攻击猎物等行为来实现智能优化。在包围猎物后，我们认为α、β和δ是3个潜在解，且它们的位置随着猎物的移动而改变，狼群追逐行为可表达为：
式中分别表示当前种群中α、β、δ的位置向量；/>表示灰狼的位置向量；/>分别表示当前候选灰狼与最优的三只狼α、β、δ之间的位置。
在用灰狼智能算法进行优化迭代中，设置狼群数量为50，最大迭代次数设置为500。
步骤10：优化后得出控制网格的控制点坐标，再依据图3中的公式，根据优化后得出网格控制点的全局坐标和Bernstein基函数公式等计算叶片关键设计点的全局坐标，进而构建叶片模型，进行气动仿真和实验验证，检验优化调控的合理性。
本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

Claims (9)

1.一种基于FFD自由变形方法的离心通风机叶型参数化方法，其特征在于，包括如下步骤：
步骤1：对设计后的离心通风机叶片进行参数化配置
步骤2：生成Kriging代理模型的数据集
步骤3：完成控制网格与叶型的一致变形
步骤4：构建叶片构型的气动仿真模型
步骤5：建模
步骤6：仿真计算
步骤7：构造相应耦合关系
构建拉丁超立方数据样本和CFX计算出的气动响应值集合，并按照Kriging回归的代理模型构造拉丁超立方LHS数据样本和气动响应值间的耦合关系；
步骤8：用Kriging代理模型求出新的输入样本点下的气动响应值
步骤9：用灰狼算法求出最优控制点坐标
步骤10：优化后得出控制网格的控制点坐标，构建叶片模型
根据优化后得出网格控制点的全局坐标和Bernstein基函数公式等计算叶片关键设计点的全局坐标，进而构建叶片模型，进行气动仿真和实验验证，检验优化调控的合理性。
2.如权利要求1所述的方法，其特征在于，步骤1具体如下：
步骤1.1：在叶片分布域的初始全局坐标系下构造局部坐标系，在局部坐标系下嵌入控制体及控制网格点；
步骤1.2：求出叶片关键设计点(A点)在局部坐标系下的局部坐标；
步骤1.3：将控制网格的控制网格点与叶片初始关键设计点的全局坐标全部转化为局部坐标；具体实施过程为：
首先确定以O为原点，XY为坐标轴建立O-XY全局坐标系，二维下的原点O为(0，0)；然后以O，为原点，ST为坐标轴构造局部坐标系，其中O，全局坐标为(x0,y0)；再创建控制网格，使得控制网格与叶片轮廓在坐标系构建的框架中，控制网格或叶片上任意一点的局部坐标为x(s,t)，全局坐标为X(x,y)，全局坐标与局部坐标的关系有：
X(x,y)＝X0(x0,y0)+s·S+t·T
其中，S，T为局部坐标系坐标轴的单位向量，0≤s≤1，0≤t≤1，Pi,j表示控制网格点的全局坐标；i,j表示两个方向上的控制点，数目为l+1,m+1，l、m取正整数；Ri(s)和Rj(t)表示两个方向上的基函数；
采用基于Bezier的FFD方法，选取Bernstein基函数：
步骤1.4：将控制网格点移动，设计控制网格点移动的位置和数目；
步骤1.5：利用叶片关键设计点(A点)的局部坐标、控制网格点的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标。
3.如权利要求1所述的方法，其特征在于，步骤2具体为：
控制网格点的变化域作为拉丁超立方LHS的采样点设计区间，通过拉丁超立方采样进行叶片的仿真试验样本点布置，确定变量的取值范围，生成Kriging代理模型的数据集。
4.如权利要求1所述的方法，其特征在于，步骤3具体为：
根据叶型轮廓随控制网格点坐标改变联动变化的理论，反推出变形后的叶型轮廓关键设计点的坐标，完成控制网格与叶型的一致变形；
具体推演方法为，根据步骤2中叶片关键设计点的局部坐标、网格控制点变化后的全局坐标和Bernstein基函数公式重新计算叶片关键设计点的全局坐标，生成各组LHS的采样点集下的离心通风机叶片构型。
5.如权利要求1所述的方法，其特征在于，步骤4具体为：
对各组LHS的采样点集下的离心通风机叶片构型进行气动仿真模型构建，在此采用PORE软件建模，并根据气动模型的逆向建模思路，即气体流动的中空部分建为实体。
6.如权利要求1所述的方法，其特征在于，步骤5具体为：
对离心通风机进气口、蜗壳和FFD叶片变形后的叶轮分别建模，建模后保存为*.x-t格式导入到ICEM软件中划分仿真网格。
7.如权利要求1所述的方法，其特征在于，步骤6具体为：
将仿真网格导入到CFX软件中计算，计算后经后处理软件CFX-Post分析得出效率、全压等气动参数。
8.如权利要求1所述的方法，其特征在于，步骤8具体为：
Kriging代理模型由给出的样本点训练后，根据Kriging模型公式来预测未知样本点对应的气动响应值，其中式中，为预测值，f(x)为关于x的二阶回归函数，/>为回归函数待定系数β的估计值，r(x)为样本点与预测点之间的相关矢量，R为相关矩阵，此处选择高斯相关函数，y为样本数据响应值构成的列矢量，f为单位列矢量。
9.如权利要求1所述的方法，其特征在于，步骤9具体为：
训练后的Kriging代理模型导入到灰狼智能算法中进行寻优，其中训练后的Kriging代理模型作为灰狼算法的优化适应度函数。灰狼算法模拟狼群的狩猎和领导机制，把适应度评价最好的前三头狼分别命名为α、β、δ，其余命名为γ。γ狼在α、β和δ的带领下搜索猎物，灰狼算法通过搜索猎物、包围猎物和攻击猎物等行为来实现智能优化。在包围猎物后，我们认为α、β和δ是3个潜在解，且它们的位置随着猎物的移动而改变，狼群追逐行为可表达为：
式中分别表示当前种群中α、β、δ的位置向量；/>表示灰狼的位置向量；分别表示当前候选灰狼与最优的三只狼α、β、δ之间的位置。
在用灰狼智能算法进行优化迭代中，设置狼群数量为50，最大迭代次数设置为500。
CN202310238905.1A 2023-03-13 2023-03-13 基于ffd自由变形方法的离心通风机叶型参数化方法 Pending CN116561903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310238905.1A CN116561903A (zh) 2023-03-13 2023-03-13 基于ffd自由变形方法的离心通风机叶型参数化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310238905.1A CN116561903A (zh) 2023-03-13 2023-03-13 基于ffd自由变形方法的离心通风机叶型参数化方法

Publications (1)

Publication Number Publication Date
CN116561903A true CN116561903A (zh) 2023-08-08

Family

ID=87497170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310238905.1A Pending CN116561903A (zh) 2023-03-13 2023-03-13 基于ffd自由变形方法的离心通风机叶型参数化方法

Country Status (1)

Country Link
CN (1) CN116561903A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521282A (zh) * 2023-11-07 2024-02-06 国家气候中心 用于风电场气候特征模拟的密度依赖型风机参数化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521282A (zh) * 2023-11-07 2024-02-06 国家气候中心 用于风电场气候特征模拟的密度依赖型风机参数化方法
CN117521282B (zh) * 2023-11-07 2024-04-12 国家气候中心 用于风电场气候特征模拟的密度依赖型风机参数化方法

Similar Documents

Publication Publication Date Title
US7191161B1 (en) Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques
CN114047770B (zh) 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法
CN116561903A (zh) 基于ffd自由变形方法的离心通风机叶型参数化方法
CN112488153B (zh) 基于聚类趋向性原理的气味源自主搜索及定位方法
CN114154275B (zh) 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法
CN116541995B (zh) 一种多级压气机的全几何空间参数化变形方法及系统
CN113688565B (zh) 基于最优权衡的超临界co2离心压缩机贝叶斯优化方法
CN113743029B (zh) 基于机器学习的透平机械气动性能-叶片载荷优化方法
Chu et al. Rapid modeling method for performance prediction of centrifugal compressor based on model migration and SVM
CN112487570B (zh) 基于自由变形技术的离心压缩机分流叶片形状优化方法
Abraham et al. DC motor speed control using machine learning algorithm
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
CN112632874A (zh) 一种直升机流场数值模拟的优化方法及系统
GUNDY-BURLET et al. Two-dimensional computations of multi-stage compressor flows using azonal approach
Song et al. Blade shape optimization of transonic axial flow fan in terms of sectional profiles and stacking line
Selvan On the effect of shape parametrization on airfoil shape optimization
Shahpar et al. Large scale optimization of transonic axial compressor rotor blades
CN115017808A (zh) 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法
Bufi et al. Efficient uncertainty quantification of turbulent flows through supersonic ORC nozzle blades
CN113569502A (zh) 汽车行业机加工厂房车间的气流速度预测方法
CN110555267A (zh) 一种基于隐式b-样条的参数化水平集结构拓扑优化方法
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
CN115238613B (zh) 一种风机叶片形状优化方法、系统、存储介质及设备
Pałys et al. Using metamodeling and fluid-structure interaction analysis in multi-objective optimization of a butterfly valve
Chu et al. Modeling method for performance prediction of centrifugal compressor based on broad learning system

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