CN117744283B - 用于压气机的设计方法、装置、设备及计算机存储介质 - Google Patents
用于压气机的设计方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN117744283B CN117744283B CN202410186763.3A CN202410186763A CN117744283B CN 117744283 B CN117744283 B CN 117744283B CN 202410186763 A CN202410186763 A CN 202410186763A CN 117744283 B CN117744283 B CN 117744283B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- blade
- performance
- optimal
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 121
- 239000002245 particle Substances 0.000 claims abstract description 241
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 85
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000006872 improvement Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 17
- 230000002411 adverse Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000012938 design process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本公开提供了一种用于压气机的设计方法、装置、设备及计算机存储介质;该设计方法包括:根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数。能够不依赖专业工程师的经验以规避主观因素对设计结果所产生的不利影响,提升设计结果的准确性以及性能效果的稳定性,提高设计效率。
Description
技术领域
本公开涉及仿真设计技术领域,尤其涉及一种用于压气机的设计方法、装置、设备及计算机存储介质。
背景技术
压气机是气流流动方向与工作轮旋转轴心线方向一致或近乎一致的多级压缩设备,由一系列静子-转子交替排列构成,常用于航空发动机或燃气轮机。压气机的叶片是压气机的气流通道实现气流功能转换与改变气流方向的重要零件。而叶片的叶型(Cascade)是组成叶片的基本单元,叶片由叶型沿积叠线积叠而成。
航空发动机叶片具有叶片型面复杂、叶身扭曲弯度大、叶身趋薄、几何精度要求高等特点。设计人员将三维叶片设计解耦成一系列沿叶高分布的二维流面叶型设计问题,通过二维叶型设计和三维积叠,生成三维叶片设计结果。设计约束由通流设计给出,包括进出口气流角,进口马赫数、轴向速度等参数,沿叶高方向逐渐变化。
在二维叶型设计过程中,由于涉及大量的设计输入参数和输入参数的约束范围,并且输入参数之间存在相互作用和影响,因此目前通常进行设计过程中需要依赖工程师的经验进行设计调试和计算验证。这种强烈依赖经验的设计过程带有工程师主观性的因素,从而存在主观因素影响设计结果准确性的问题,此外,依赖工程师经验的设计过程也会导致设计速度较慢,效率较为低下的情况出现。
发明内容
本公开提供了一种用于压气机的设计方法、装置、设备及计算机存储介质;能够避免主观因素对设计结果所产生的影响,提高了设计效率,提升了设计得到的叶片参数的性能效果。
本公开的技术方案是这样实现的:
第一方面,本公开提供了一种用于压气机的设计方法,所述设计方法包括:
根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;
基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;
根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数。
第二方面,本公开提供了一种用于压气机的设计装置,所述设计装置包括:构建部分、初始化部分和获取部分;其中,
所述构建部分,被配置成根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;
所述初始化部分,被配置成基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;
所述获取部分,被配置成根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数。
第三方面,本公开提供了一种计算设备,所述计算设备包括:处理器和存储器;所述处理器用于执行所述存储器中存储的指令,以实现如第一方面所述的用于压气机的设计方法。
第四方面,本公开提供了一种计算机存储介质,所述计算机存储介质存储有至少一条指令,所述至少一条指令用于被处理器执行以实现如第一方面所述的用于压气机的设计方法。
本公开提供了一种用于压气机的设计方法、装置、设备及计算机存储介质;根据多种类型的叶片设计参数构建粒子群中的多维粒子,并根据叶片的性能提升值对粒子群中的粒子位置值和速度值进行更新,获取得到最优的叶片设计参数。从而能够不依赖专业工程师的经验以规避主观因素对设计结果所产生的不利影响,提升设计结果的准确性以及性能效果的稳定性,提高设计效率。
附图说明
图1为本公开提供的一种用于压气机的设计方法流程示意图。
图2为本公开提供的另一种用于压气机的设计方法流程示意图。
图3为本公开提供的一种用于压气机的设计装置组成示意图。
图4为本公开提供的一种计算设备的结构示意图。
具体实施方式
下面将结合本公开中的附图,对本公开中的技术方案进行清楚、完整地描述。
在对压气机进行设计的过程中,叶片是压气机的气流通道实现气流功能转换与改变气流方向的重要零件,并且叶片的叶型(Cascade)是组成叶片的基本单元。基于此,在本公开的压气机设计过程中,所涉及的叶片设计参数包括:叶型几何参数、叶型类型、叶片形式、叶片前缘几何参数、叶片尾缘几何参数、顶端间隙以及流体工质参数中的至少一项或多项。进一步地,叶型几何参数可以包括叶型类型、叶片数量、安装角约束、叶尖弦长、叶根弦长、叶片厚度以及叶片倾角中的至少一项或多项。叶片前缘几何参数可以包括叶片入口均径、叶片入口高度、叶片入口几何角、叶尖前缘半径、叶根前缘半径、叶尖前缘楔角、叶根前缘楔角、叶尖前缘厚度、叶根前缘厚度中的至少一项或多项。叶片尾缘几何参数可以包括出口均径、叶片出口高度、叶根出口半径、叶片出口几何角、叶尖尾缘半径、叶根尾缘半径、叶尖尾缘楔角、叶根尾缘楔角、叶尖尾缘厚度、叶根尾缘厚度、入口总压、入口总温、入口流量系数中的至少一项或多项。流体工质参数包括气体常数、摩尔质量、比热比中的至少一项或多项。
对于叶片设计参数来说,各参数之间存在相关性,即各参数之间并非是相互独立的,而是各参数之间存在相互影响的关系。以上述示例的叶片设计参数类型为例,具体的参数种类多达三十种,那就意味着这三十种设计参数之间存在相关性。在面对庞大的相关性数量的情况下,优化叶片设计参数通常需要依赖专业工程师的经验进行调试、设计、验证以及修正。在依赖专业工程师的经验进行叶片设计参数优化的过程中,工程师的主观因素会导致出现设计结果准确性不稳定,设计效率低下以及最终得到的叶片参数的性能效果不稳定的问题。
基于此,本公开期望通过智能算法为压气机的叶片设计提供一个客观的设计结果,并且在设计过程中,依然能够保留各参数之间的相关性关系,不依赖专业工程师的经验以规避主观因素对设计结果所产生的不利影响,提升设计结果的准确性以及性能效果的稳定性,提高设计效率。
有鉴于此,参见图1,其示出了本公开提供的一种用于压气机的设计方法,所述设计方法包括步骤S101至步骤S103。
在步骤S101中,根据压气机各组件的叶片设计参数构建粒子群。
在本公开中,叶片设计参数可以包括前述压气机设计过程所涉及的叶片设计参数。在前述所涉及的叶片设计参数种类中,根据期望优化得到的叶片设计参数种类构建粒子群。
具体来说,设定粒子群的粒子数目为N,每个粒子的数据维度数目与期望优化得到的叶片设计参数种类一致,并且每个数据维度对应一种期望优化得到的叶片设计参数。比如期望优化得到的叶片设计参数为m种,单个粒子的数据维度则对应为m维,并且每个数据维度均对应一种期望优化得到的叶片设计参数。
在步骤S102中,基于叶片设计参数的约束范围初始化粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值。
在本公开中,对于每个粒子,其数据维度与期望优化得到的叶片设计参数相对应,那么每个粒子的位置和速度同样是多维的,并且位置和速度的维度与期望优化得到的叶片设计参数相对应。
由于每种叶片设计参数均对应存在一约束范围,在每个粒子中,与叶片设计参数对应维度的位置值和速度值可以采用在对应约束范围内随机生成的方式进行初始化。通常来说,每个维度的位置值可以认为是对应叶片设计参数值,每个维度的速度值则可以表示对应叶片设计参数值的变化值。
举例来说,以期望优化得到的叶片设计参数是叶片数量为例,其对应的约束范围是[55,80],那么每个粒子中,与叶片数量对应维度的位置值和速度值可以基于[55,80]范围设置随机数以进行初始化,即该初始化的随机数能够使得叶片数量对应维度的位置值处于[55,80]范围内。
在一些示例中,可以将与叶片数量对应维度的位置值初始化为[55,80]范围内的一随机数,而与叶片数量对应维度的速度值能够确保经由该速度值更新后的位置值仍然处于[55,80]范围内。
在一些示例中,可以将与叶片数量对应维度的速度值设置为一随机数,基于该随机数更新得到的且与叶片数量对应维度的位置值处于[55,80]范围内。
可以理解的,对于其他类型的期望优化得到的叶片设计参数,可以按照上述叶片数量对位置值和速度值进行初始化,从而得到每个粒子的每个数据维度的位置初始值和速度初始值,进而根据所有数据维度的位置初始值和速度初始值形成每个粒子的位置初始值和速度初始值。
在步骤S103中,根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数。
在本公开中,在对粒子群内的每个粒子均完成初始化后,就可以按照粒子群算法进行迭代,并在迭代的过程中基于叶片的性能值对每个粒子的位置和速度进行更新,直至在满足设定的迭代停止条件时停止迭代,并将此时得到的粒子群中获取最优的叶片设计参数。
具体来说,叶片的性能值可以包括增压比、质量流量、总效率、入口相对马赫数、出口相对马赫数、出口总温、扭矩、出口总压等性能参数值中的至少一项或多项。
在一些示例中,上述性能参数值中较为重要的性能参数值可以包括增压比、总效率以及质量流量。
具体来说,增压比可以根据下式获得:
R =
其中,k为气体等熵系数,为压力系数,/>为叶片叶尖速度,M为其他常数,/>为摩尔质量,R为多项系数,/>为入口温度,/>为进口压力。
总效率可以根据下式获得:
P=
其中,k为气体等熵系数,Z为气体压缩系数,R为分子量系数,为进口总温,/>出口总温,/>为进口压力,/>为出口压力,/>为吞吐量。
质量流量可以根据下式获得:
Q =
其中,S为叶片截面积,V为叶片速度,P为入口压力,j、k、t为常数,为入口总温,为气体密度。
基于此,在迭代过程中,可以基于增压比、总效率以及质量流量对每个粒子的位置值和速度值进行更新,从而得到下次迭代过程中,每个粒子的位置值和速度值。
需要说明的是,由于在上述计算性能参数值的过程中,涉及叶片设计参数中的部分或全部,也就是说,性能参数值并非仅与单一种类的叶片设计参数相关。基于此,在对每个粒子的每个维度的位置值和速度值进行更新的过程中,性能参数值就能够引入具备相关性关系的其他维度(其他叶片设计参数)的影响,从而保留了各设计参数之间的相关性关系,无需依赖专业工程师的设计经验,避免主观因素对叶片参数设计所带来的负面影响。
在一些示例中,设定的迭代停止条件可以是迭代次数。比如设定迭代次数为T,在经过T次迭代过程所得到的所有粒子群中,将性能参数值最高的粒子作为最优粒子。在该最优粒子中,每个数据维度的位置值为对应种类的叶片设计参数的最优值,进而基于该最优粒子中所有维度的位置值就能够获得所有期望优化得到的叶片设计参数的最优值,即步骤S103中所述的最优的叶片设计参数。
通过图1所示的技术方案,本公开根据多种类型的叶片设计参数构建粒子群中的多维粒子,并根据叶片的性能值对粒子群中的粒子位置和速度进行更新,获取得到最优的叶片设计参数。从而能够不依赖专业工程师的经验以规避主观因素对设计结果所产生的不利影响,提升设计结果的准确性以及性能效果的稳定性,提高设计效率。
上述图1示出了用于压气机的设计方法的基本流程。基于该基本流程,如图2所示,其示出了本公开提供的一种用于压气机的设计方法的示例性的详细流程,该详细流程可以包括步骤S201至S207。
在步骤S201中,从候选的叶片设计参数中选取期望优化得到的叶片设计参数。
在本步骤中,候选的叶片设计参数可以包括叶型几何参数、叶型类型、叶片形式、叶片前缘几何参数、叶片尾缘几何参数、顶端间隙以及流体工质参数中的至少一项或多项。进一步地,叶型几何参数可以包括叶型类型、叶片数量、安装角约束、叶尖弦长、叶根弦长、叶片厚度以及叶片倾角中的至少一项或多项。叶片前缘几何参数可以包括叶片入口均径、叶片入口高度、叶片入口几何角、叶尖前缘半径、叶根前缘半径、叶尖前缘楔角、叶根前缘楔角、叶尖前缘厚度、叶根前缘厚度中的至少一项或多项。叶片尾缘几何参数可以包括出口均径、叶片出口高度、叶根出口半径、叶片出口几何角、叶尖尾缘半径、叶根尾缘半径、叶尖尾缘楔角、叶根尾缘楔角、叶尖尾缘厚度、叶根尾缘厚度中的至少一项或多项。流体工质参数包括气体常数、摩尔质量、比热比中的至少一项或多项。
期望优化得到的叶片设计参数可以是上述候选的叶片设计参数中的部分或全部。在图2所示的示例性的技术方案中,期望优化得到的叶片设计参数可以包括叶片数量C、叶片入口均径R以及叶片厚度TH。可以理解的,本领域技术人员可以很容易地将图2所示的示例性的技术方案应用于其他种类的期望优化得到的叶片设计参数的情况,也可以应用于候选的叶片设计参数中的全部均为期望优化得到的叶片设计参数的情况,本公开对此不做赘述。
在步骤S202中,根据期望优化得到的叶片设计参数构建由多个多维粒子形成的粒子群。
在本公开中,设定粒子群内的粒子数目为N,基于步骤S201中所述的期望优化得到的叶片设计参数数量,每个粒子的数据维度为3,且分别对应于叶片数量C、叶片入口均径R以及叶片厚度TH。具体来说,对于第i个粒子来说,其位置值=(/>、/>、/>),速度值/>=(、/>、/>)。在一些示例中,位置值和速度值之间存在以下关系:
=a+/>(/>)、/>=b+/>(/>)、/>=c +/>(/>)
其中,为第i个粒子的叶片数量的取值,/>为第i个粒子的叶片入口均径的取值,为第i个粒子的叶片厚度的取值。a+/>(/>)为/>与其速度关联的计算函数,b+/>(/>)为/>与其速度关联的计算函数,c+/>(/>)为/>与其速度关联的计算函数,从而确保每个维度的位置值的取值在相应的叶片设计参数的约束的范围内。
具体来说,设定第i个粒子的速度值参数分别为/>=3、/>=0.15、/>=0.0015,第i-1个粒子位置值分别为/>=78,/>=0.45,/>=0.0056。
以第i个粒子位置值中的为例,计算函数/>=a+/>(/>)的计算过程为:首先,设定a为/>,/>(/>)=/>。接着,计算/>+/>的结果,并将该结果与叶片数量的取值范围进行比较。如果该结果不超出叶片数量的取值的范围,则/>=/>+/>。如果该结果超过了叶片数量的取值的范围,比如超过了前述[55,80]的范围,那么则按照/>=/>+/>-80+55进行计算,获得/>=56。
与上述计算函数的计算过程相类似的,基于上述设定,并且设定叶片入口均径R对应的约束范围是[0.2,0.5]米,叶片厚度TH对应的约束范围是[0.003,0.008]米,对于第i个粒子位置值中的以及/>,相应的计算函数的计算过程分别有:
=b+/>(/>)=0.45+0.15-0.5+0.2=0.4米;
=c+/>(/>) =0.0056+0.0015=0.0071米。
需要说明的是,上述步骤S201和S202可以作为前述图1所示技术方案中的步骤101的具体实施示例。
在步骤S203中,基于期望优化得到的叶片设计参数的约束范围初始化粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值。
在本步骤中,叶片数量C对应的约束范围是[55,80],叶片入口均径R对应的约束范围是[0.2,0.5]米,叶片厚度TH对应的约束范围是[0.003,0.008]米。
在一些示例中,对于第i个粒子来说,可以从[55,80]的范围内选取一随机值作为位置值的初始值,可以从[0.2,0.5]的范围内选取一随机值作为位置值/>的初始值,可以从[0.003,0.008]的范围内选取一随机值作为位置值/>的初始值,相应位置值对应的速度值可以使得根据前述计算函数所得到的位置值的取值在相应的约束范围内。
在一些示例中,对于第i个粒子来说,也可以分别针对速度值、/>以及/>选取随机值,并且基于随机值根据前述步骤S202中所述的计算函数获取对应的位置值/>、/>以及/>,并确保位置值/>、/>以及/>的取值在相应的约束范围内。
需要说明的是,上述步骤S203,可以作为前述图1所示技术方案中的步骤S102的具体实施示例。通过前述步骤S201至S203,在完成了粒子群的构建以及初始化之后,就可以利用后续步骤S204至S207所述的粒子群算法,通过迭代的方式对期望优化得到的叶片设计参数进行优化,得到最优的叶片设计参数。
在步骤S204中,在第t次迭代过程中,基于基准性能值,根据每个粒子的位置值与速度值获取每个粒子的叶片性能提升值。
需要说明的是,可选的性能值包括增压比、质量流量、总效率、入口相对马赫数、出口相对马赫数、入口总温、出口总温、扭矩等性能参数值中的至少一项或多项。在本公开中,可以从上述可选的性能值中选取增压比、总效率以及质量流量这三种较为重要的性能参数值作为粒子群算法进行位置和速度更新的性能值。
对于前述期望优化得到的叶片设计参数,即叶片数量C、叶片入口均径R以及叶片厚度TH与上述三种较为重要的性能参数值之间的关系,结合前述图1所示方案中这三种性能参数值的公式,详细来说:
对于增压比来说,叶片入口均径R越大,则越大,叶片厚度TH影响着叶片通道的有效横截面积,过厚的叶片会增大流道的阻力损失进而限制可能达到的增压比。
对于总效率来说,叶片厚度TH的增加会减少有效压缩气体的能量比例,进而间接影响压气机的吞吐量,导致效率的减少。叶片入口均径R决定了气体的体积流量,直接影响压气机的吞吐量。叶片数量C的变化会影响压气机流场的变化,从而影响压气机的总效率。
对于质量流量来说,叶片入口均径R直接决定叶片速度V的变化,叶片数量C的变化会直接影响压气机内部流通的气体量,进而影响入口压力及叶片速度。
通过上述关系的阐述,在一些示例中,步骤S204具体可以包括:
针对期望优化得到的叶片设计参数分别设置基准参数值,并根据这些基准参数值计算得到基准性能值。比如,叶片数量的基准值为55、叶片入口均径的基准值为0.35米,叶片厚度的基准值为0.0055米。
结合前述增压比、总效率以及质量流量这三种较为重要的性能参数值,基准性能值分别标记为、/>以及/>。基于上述基准参数值,基准性能值为:/>=1.365、/>=0.88,/>=0.928。
对于第i个粒子来说,可以根据其位置值所指示叶片设计参数计算获得性能值,并根据第i个粒子的性能值与所述基准性能值获得所述第i个粒子的叶片性能提升值。
举例来说,根据位置值指示的叶片数量、叶片入口均径/>以及叶片厚度/>这些叶片设计参数计算获得增压比、总效率以及质量流量的性能值/>、/>以及/>。并根据第i个粒子的增压比、总效率以及入口相对马赫数的性能值/>、/>以及/>与基准性能值获得第i个粒子的叶片性能提升值。
具体来说,第i个粒子的增压比的性能提升值、总效率的性能提升值/>以及质量流量的性能提升值/>分别为:
=(/>-/>)//>
=(/>-/>)//>
=(/>-/>)//>
根据上述性能提升值,可以按照下式得到第i个粒子的叶片性能提升值。
Fi=*/>+/>*/>+/>*/>
其中,、/>、/>分别表示增压比、总效率以及质量流量的评价影响因子,该影响因子通常是一个常数,在一些示例中,/>可以取值为55,/>可以取值为36,/>可以取值为-10。
需要说明的是,上述第i个粒子的叶片性能提升值可以应用于每次迭代过程,并且在第一次迭代过程中,每个粒子的位置值为每个粒子的位置初始值,每个粒子的速度值为每个粒子的速度初始值。
结合上述三种性能参数值,即增压比、总效率以及质量流量与叶片数量C、叶片入口均径R以及叶片厚度TH之间的关系,可以知晓:该三种性能参数值涉及叶片数量C、叶片入口均径R以及叶片厚度TH的部分或全部,并非仅与单一种类的叶片设计参数相关,因此,在对每个粒子的每个维度的位置值和速度值进行更新的过程中,性能参数值就能够引入具备相关性关系的其他维度(其他叶片设计参数)的影响,从而保留了各设计参数之间的相关性关系,无需依赖专业工程师的设计经验,避免主观因素对叶片参数设计所带来的负面影响。
在步骤S205中,在第t次迭代过程中,从所有粒子中根据叶片性能提升值确定第t次迭代过程中的最优性能的粒子。
在本公开中,具体来说,在第t次迭代过程中,通过步骤S204获得每个粒子的叶片性能提升值之后,可以在所有粒子中,将叶片性能提升值最高的粒子作为第t次迭代过程中的最优性能的粒子,并将第t次迭代过程中的最优性能的粒子对应的叶片性能提升值作为第t次迭代过程的最优性能评估值。
在步骤S206中,根据第t次迭代过程中的最优性能的粒子更新每个粒子在第t+1次迭代过程中的位置值和速度值,直至满足停止迭代条件。
在一些示例中,通过步骤S205获得第t次迭代过程中的最优性能的粒子以及该粒子所对应的第t次迭代过程的最优性能评估值之后,可以将第t次迭代过程的最优性能评估值与全局最优性能评估值进行比较。
需要说明的是,全局最优性能评估值可以是第t次迭代过程之前的所有粒子的叶片性能提升值的最大值,并将该最大值对应的粒子确定为全局最优粒子。
如果第t次迭代过程的最优性能评估值大于全局最优性能评估值,则将全局最优性能评估值更新为第t次迭代过程的最优性能评估值,将全局最优粒子更新为第t次迭代过程中的最优性能的粒子,否则仍旧保留全局最优性能评估值不变。
举例来说,设定第t次迭代过程中的最优性能的粒子Pbest 为Xi,该粒子对应的第t次迭代过程的最优性能评估值best_i为Fi,全局最优性能评估值为Gbest_i。当best_i大于Gbest_i,则可以将Gbest_i更新为best_i,即Fi,全局最优粒子Gbest则为Pbest,即Xi。
在一些示例中,在根据前述获得全局最优性能评估值之后,可以根据第t次迭代过程中的最优性能的粒子以及全局最优粒子对每个粒子的速度值和位置值进行更新,获得每个粒子在第t+1次迭代过程的位置值和速度值。
具体来说,首先,根据第t次迭代过程中的最优性能的粒子以及全局最优粒子更新得到第i个粒子在第t+1次迭代过程的速度值。比如,设定第i个粒子在第t+1次迭代过程的速度值为、/>以及/>,这三个速度值可以分别按照以下式子进行更新:
=w*/>+c1*r1*(Pbest_i_C-/>)+c2*r1*(Gbest_C-/>);
=w*/>+c1*r2*(Pbest_i_R-/>)+c2*r2*(Gbest_R-/>);
=w*/>+c1*r3*(Pbest_i_TH-/>)+c2*r3*(Gbest_TH-/>);
在上述式子中,w 是惯性权重,c1和c2是加速常数,r1、r2、r3分别是介于0到1之间的随机数,、/>、/>分别是第i个粒子在第t次迭代时分别与叶片数量、叶片入口均径、叶片厚度对应的速度值;/>、/>、/>分别是第i个粒子在第t次迭代时分别与叶片数量、叶片入口均径、叶片厚度对应的位置值;Pbest_i_C、Pbest_i_R、Pbest_i_TH分别是第t次迭代过程中的最优性能的粒子与叶片数量、叶片入口均径、叶片厚度对应的位置值;Gbest_C、Gbest_R、Gbest_T分别是全局最优粒子与叶片数量、叶片入口均径、叶片厚度对应的位置值。
接着,根据第i个粒子在第t+1次迭代过程的速度值按照速度值和位置值之间的计算函数获得第i个粒子在第t+1次迭代过程的位置值。比如,在获得第i个粒子在第t+1次迭代过程的速度值为、/>以及/>之后,结合步骤S202中所阐述的计算函数,分别将a、b、c设定为第i个粒子在第t次迭代过程的位置值,即/>、/>、/>,从而可以分别按照以下式子更新得到第i个粒子在第t+1次迭代过程的位置值:
=/>(/>);
=/>(/>);
=/>(/>)。
通过上述两个步骤,就完成了每个粒子的更新过程,随后,就可以根据每个粒子更新后的位置值和速度值进行第t+1次迭代过程,直至满足停止迭代条件。在本公开中,停止迭代条件为设定的迭代次数T。
在步骤S207中,在满足停止迭代条件时,根据最优性能的粒子确定所述最优的叶片设计参数。
对于步骤S207来说,当满足停止迭代条件时,可以将全局最优粒子作为最优性能的粒子,并且将该粒子的位置值确定为最优的叶片设计参数。
需要说明的是,图2所示的技术方案对1000组初始化的粒子群进行优化,最终可以获得1000组最优的叶片设计参数以及对应的叶片性能提升值,针对叶片性能提升值划分不同的评估等级,比如,叶片性能提升值小于20代表提升效果较差、叶片性能提升值处于21至50之间代表提升效果一般,叶片性能提升值处于51至80之间代表提升效果良好,叶片性能提升值大于80代表提升效果优秀。基于上述评估等级,1000组最优的叶片设计参数以及对应的叶片性能提升值的提升评估如下表1所示:
表1
从表1可以看出,本公开提供的技术方案的性能提升良好及以上的比率超过了75%,表明了本公开提供的技术方案能够代替专业工程师的凭借经验主观进行调节的优化设计操作,从而能够不依赖专业工程师的经验以规避主观因素对设计结果所产生的不利影响,提升设计结果的准确性以及性能效果的稳定性,提高设计效率。
此外,即便性能提升效果评估在良好以下,也可以修改基准参数值及约束范围再次进行计算,提高了设计效率。
基于前述技术方案相同的发明构思,参见图3,其示出了本公开提供的一种用于压气机的设计装置30,所述设计装置30包括:构建部分301、初始化部分302和获取部分303;其中,
所述构建部分301,被配置成根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;
所述初始化部分302,被配置成基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;
所述获取部分303,被配置成根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数。
在一些示例中,所述获取部分303,被配置成:
在第t次迭代过程中,基于基准性能值,根据每个粒子的位置值与速度值获取每个粒子的叶片性能提升值;其中,每个粒子在第一次迭代过程中的位置值为每个粒子的位置初始值,每个粒子在第一次迭代过程中的速度值为每个粒子的速度初始值;
在第t次迭代过程中,从所有粒子中根据叶片性能提升值确定第t次迭代过程中的最优性能的粒子,并根据第t次迭代过程中的最优性能的粒子更新每个粒子在第t+1次迭代过程中的位置和速度,直至满足停止迭代条件;
在满足停止迭代条件时,根据最优性能的粒子确定所述最优的叶片设计参数。
在一些示例中,所述获取部分303,被配置成:
针对期望优化得到的叶片设计参数分别设置基准参数值,并根据这些基准参数值计算得到基准性能值;
对于第i个粒子,根据所述第i个粒子的位置值所指示的叶片设计参数计算获得性能值;
根据第i个粒子的性能值与所述基准性能值获得所述第i个粒子的叶片性能提升值。
在一些示例中,所述获取部分303,被配置成:
在所有粒子中,将叶片性能提升值最高的粒子作为第t次迭代过程中的最优性能的粒子,并将第t次迭代过程中的最优性能的粒子对应的叶片性能提升值作为第t次迭代过程的最优性能评估值。
在一些示例中,所述获取部分303,被配置成:
将第t次迭代过程中的最优性能的粒子所对应的第t次迭代过程的最优性能评估值与全局最优性能评估值进行比较;
如果第t次迭代过程的最优性能评估值大于全局最优性能评估值,则将全局最优性能评估值更新为第t次迭代过程的最优性能评估值,将全局最优粒子更新为第t次迭代过程中的最优性能的粒子,否则仍旧保留全局最优性能评估值不变;
根据第t次迭代过程中的最优性能的粒子以及全局最优粒子对每个粒子的速度值和位置值进行更新,获得每个粒子在第t+1次迭代过程的位置值和速度值。
在一些示例中,所述获取部分303,被配置成:
当满足停止迭代条件时,将所述全局最优粒子作为最优性能的粒子,并且将所述最优性能的粒子的位置值确定为所述最优的叶片设计参数。
在一些示例中,所述叶片设计参数包括叶片数量、叶片入口均径以及叶片厚度;
相应的,所述性能值包括增压比、总效率以及质量流量。
请参考图4,其示出了本公开一个示例性实施例提供的计算设备的结构方框图。在一些示例中,计算设备40可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种。计算设备40具有通信功能,可以接入有线网络或无线网络。计算设备40可以泛指多个终端中的一个,本领域技术人员可以知晓,上述终端的数量可以更多或更少。在一些示例中,计算设备40可以基于所接入的有线网络或无线网络接收数据。可以理解的,计算设备40承担本公开技术方案的计算及处理工作,本公开对此不作限定。
如图4所示,本公开中的计算设备可以包括一个或多个如下部件:处理器410和存储器420。
可选的,处理器410利用各种接口和线路连接整个计算设备内的各个部分,通过运行或执行存储在存储器420内的指令、程序、代码集或指令集,以及调用存储在存储器420内的数据,执行计算设备的各种功能和处理数据。可选的,处理器410可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器410可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)、神经网络处理器(Neural-network Processing Unit,NPU)和基带芯片等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;NPU用于实现人工智能(Artificial Intelligence,AI)功能;基带芯片用于处理无线通信。可以理解的是,上述基带芯片也可以不集成到处理器410中,单独通过一块芯片进行实现。
存储器420可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选的,该存储器420包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器420可用于存储指令、程序、代码、代码集或指令集。存储器420可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现以上各个方法实施例的指令等;存储数据区可存储根据计算设备的使用所创建的数据等。
除此之外,本领域技术人员可以理解,上述附图所示出的计算设备的结构并不构成对计算设备的限定,计算设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,计算设备中还包括显示屏、摄像组件、麦克风、扬声器、射频电路、输入单元、传感器(比如加速度传感器、角速度传感器、光线传感器等等)、音频电路、WiFi模块、电源、蓝牙模块等部件,在此不再赘述。
本公开还提供了一种计算机存储介质,该计算机存储介质存储有至少一条指令,所述至少一条指令用于被处理器执行以实现如上各个实施例所述的用于压气机的设计方法。
本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中;计算设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算设备执行以实现上述各个实施例所述的用于压气机的设计方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本公开所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
需要说明的是:本公开所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种用于压气机的设计方法,其特征在于,所述设计方法包括:
根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;
基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;
根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数;
其中,所述利用叶片的性能值通过粒子群算法获取最优的叶片设计参数,包括:
针对期望优化得到的叶片设计参数分别设置基准参数值,并根据所述基准参数值计算得到基准性能值;
在第t次迭代过程中,基于基准性能值,根据每个粒子的位置值与速度值获取每个粒子的叶片性能提升值;其中,每个粒子在第一次迭代过程中的位置值为每个粒子的位置初始值,每个粒子在第一次迭代过程中的速度值为每个粒子的速度初始值;
在第t次迭代过程中,从所有粒子中根据叶片性能提升值确定第t次迭代过程中的最优性能的粒子,并根据第t次迭代过程中的最优性能的粒子更新每个粒子在第t+1次迭代过程中的位置值和速度值,直至满足停止迭代条件;
在满足停止迭代条件时,根据最优性能的粒子确定所述最优的叶片设计参数。
2.根据权利要求1所述的设计方法,其特征在于,所述基于基准性能值,根据每个粒子的位置值与速度值获取每个粒子的叶片性能提升值,包括:
针对期望优化得到的叶片设计参数分别设置基准参数值,并根据所述基准参数值计算得到基准性能值;
对于第i个粒子,根据所述第i个粒子的位置值所指示的叶片设计参数计算获得性能值;
根据第i个粒子的性能值与所述基准性能值获得所述第i个粒子的叶片性能提升值。
3.根据权利要求1所述的设计方法,其特征在于,所述在第t次迭代过程中,从所有粒子中根据叶片性能提升值确定第t次迭代过程中的最优性能的粒子,包括:
在所有粒子中,将叶片性能提升值最高的粒子作为第t次迭代过程中的最优性能的粒子,并将所述第t次迭代过程中的最优性能的粒子对应的叶片性能提升值作为第t次迭代过程的最优性能评估值。
4.根据权利要求3所述的设计方法,其特征在于,所述根据第t次迭代过程中的最优性能的粒子更新每个粒子在第t+1次迭代过程中的位置值和速度值,包括:
将第t次迭代过程中的最优性能的粒子所对应的第t次迭代过程的最优性能评估值与全局最优性能评估值进行比较;
如果第t次迭代过程的最优性能评估值大于全局最优性能评估值,则将全局最优性能评估值更新为第t次迭代过程的最优性能评估值,并将全局最优粒子更新为第t次迭代过程中的最优性能的粒子;否则仍旧保留全局最优性能评估值不变;
根据第t次迭代过程中的最优性能的粒子以及全局最优粒子对每个粒子的速度值和位置值进行更新,获得每个粒子在第t+1次迭代过程的位置值和速度值。
5.根据权利要求4所述的设计方法,其特征在于,所述在满足停止迭代条件时,根据最优性能的粒子确定所述最优的叶片设计参数,包括:
当满足停止迭代条件时,将所述全局最优粒子作为最优性能的粒子,并且将所述最优性能的粒子的位置值确定为所述最优的叶片设计参数。
6.根据权利要求1所述的设计方法,其特征在于,所述叶片设计参数包括叶片数量、叶片入口均径以及叶片厚度;
相应的,所述性能值包括增压比、总效率以及质量流量。
7.一种用于压气机的设计装置,其特征在于,所述设计装置包括:构建部分、初始化部分和获取部分;其中,
所述构建部分,被配置成根据压气机各组件的叶片设计参数构建粒子群,其中,所述粒子群中的每个粒子的数据维度数目与所述叶片设计参数的种类一致;
所述初始化部分,被配置成基于所述叶片设计参数的约束范围初始化所述粒子群中每个粒子的位置值和速度值,获得每个粒子的位置初始值和速度初始值;
所述获取部分,被配置成根据每个粒子的位置初始值和速度初始值,利用叶片的性能值通过粒子群算法获取最优的叶片设计参数;
其中,所述获取部分,被配置成:
针对期望优化得到的叶片设计参数分别设置基准参数值,并根据所述基准参数值计算得到基准性能值;
在第t次迭代过程中,基于基准性能值,根据每个粒子的位置值与速度值获取每个粒子的叶片性能提升值;其中,每个粒子在第一次迭代过程中的位置值为每个粒子的位置初始值,每个粒子在第一次迭代过程中的速度值为每个粒子的速度初始值;
在第t次迭代过程中,从所有粒子中根据叶片性能提升值确定第t次迭代过程中的最优性能的粒子,并根据第t次迭代过程中的最优性能的粒子更新每个粒子在第t+1次迭代过程中的位置值和速度值,直至满足停止迭代条件;
在满足停止迭代条件时,根据最优性能的粒子确定所述最优的叶片设计参数。
8.一种计算设备,其特征在于,所述计算设备包括:处理器和存储器;所述处理器用于执行所述存储器中存储的指令,以实现如权利要求1至6任一项所述的用于压气机的设计方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有至少一条指令,所述至少一条指令用于被处理器执行以实现如权利要求1至6任一项所述的用于压气机的设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186763.3A CN117744283B (zh) | 2024-02-20 | 2024-02-20 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186763.3A CN117744283B (zh) | 2024-02-20 | 2024-02-20 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117744283A CN117744283A (zh) | 2024-03-22 |
CN117744283B true CN117744283B (zh) | 2024-04-30 |
Family
ID=90261275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186763.3A Active CN117744283B (zh) | 2024-02-20 | 2024-02-20 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744283B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN113887114A (zh) * | 2021-09-18 | 2022-01-04 | 湖南大学 | 基于改进多目标混合粒子群算法的汽车传动参数优化方法 |
CN114169218A (zh) * | 2021-11-02 | 2022-03-11 | 河北恒昇立辰信息科技有限公司 | 一种应用于罗茨式动力机的混合式优化方法 |
CN114329813A (zh) * | 2021-11-22 | 2022-04-12 | 华能华家岭风力发电有限公司 | 基于Wilson模型和粒子群算法的风机叶片优化设计方法 |
CN114662228A (zh) * | 2022-02-28 | 2022-06-24 | 武汉理工大学 | 基于粒子群算法的挖掘机溢流阀缓冲参数优化方法 |
CN114881090A (zh) * | 2022-06-06 | 2022-08-09 | 哈尔滨工业大学 | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 |
CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
CN115169032A (zh) * | 2022-06-29 | 2022-10-11 | 中国航发湖南动力机械研究所 | 带叶尖凹槽和小翼复合结构的燃气涡轮工作叶片设计方法 |
CN116070369A (zh) * | 2023-01-12 | 2023-05-05 | 天华化工机械及自动化研究设计院有限公司 | 一种基于粒子群算法的喷射器结构优化方法 |
CN116090344A (zh) * | 2023-01-31 | 2023-05-09 | 西安交通大学 | 一种适用于大变量数的多级叶轮优化方法及相关装置 |
CN116384005A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种变形叶片气动性能的确定方法及装置和电子设备 |
CN116467810A (zh) * | 2023-04-23 | 2023-07-21 | 浙江运达风电股份有限公司 | 叶片结构参数确定方法、装置、设备及可读存储介质 |
CN116522542A (zh) * | 2023-05-08 | 2023-08-01 | 中国长江三峡集团有限公司 | 罐体结构的确定方法、装置、电子设备和存储介质 |
CN116579252A (zh) * | 2023-05-30 | 2023-08-11 | 西安交通大学 | 基于粒子群算法的涡旋机械排气孔优化方法及系统 |
CN117235912A (zh) * | 2023-07-31 | 2023-12-15 | 浙江水利水电学院 | 一种基于智能算法考虑叶片角度约束的水泵调节方法 |
CN117495443A (zh) * | 2023-11-13 | 2024-02-02 | 奇瑞新能源汽车股份有限公司 | 基于改进粒子群算法的汽车充电站选址方法及相关装置 |
-
2024
- 2024-02-20 CN CN202410186763.3A patent/CN117744283B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN113887114A (zh) * | 2021-09-18 | 2022-01-04 | 湖南大学 | 基于改进多目标混合粒子群算法的汽车传动参数优化方法 |
CN114169218A (zh) * | 2021-11-02 | 2022-03-11 | 河北恒昇立辰信息科技有限公司 | 一种应用于罗茨式动力机的混合式优化方法 |
CN114329813A (zh) * | 2021-11-22 | 2022-04-12 | 华能华家岭风力发电有限公司 | 基于Wilson模型和粒子群算法的风机叶片优化设计方法 |
CN114662228A (zh) * | 2022-02-28 | 2022-06-24 | 武汉理工大学 | 基于粒子群算法的挖掘机溢流阀缓冲参数优化方法 |
CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
CN114881090A (zh) * | 2022-06-06 | 2022-08-09 | 哈尔滨工业大学 | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 |
CN115169032A (zh) * | 2022-06-29 | 2022-10-11 | 中国航发湖南动力机械研究所 | 带叶尖凹槽和小翼复合结构的燃气涡轮工作叶片设计方法 |
CN116070369A (zh) * | 2023-01-12 | 2023-05-05 | 天华化工机械及自动化研究设计院有限公司 | 一种基于粒子群算法的喷射器结构优化方法 |
CN116090344A (zh) * | 2023-01-31 | 2023-05-09 | 西安交通大学 | 一种适用于大变量数的多级叶轮优化方法及相关装置 |
CN116384005A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种变形叶片气动性能的确定方法及装置和电子设备 |
CN116467810A (zh) * | 2023-04-23 | 2023-07-21 | 浙江运达风电股份有限公司 | 叶片结构参数确定方法、装置、设备及可读存储介质 |
CN116522542A (zh) * | 2023-05-08 | 2023-08-01 | 中国长江三峡集团有限公司 | 罐体结构的确定方法、装置、电子设备和存储介质 |
CN116579252A (zh) * | 2023-05-30 | 2023-08-11 | 西安交通大学 | 基于粒子群算法的涡旋机械排气孔优化方法及系统 |
CN117235912A (zh) * | 2023-07-31 | 2023-12-15 | 浙江水利水电学院 | 一种基于智能算法考虑叶片角度约束的水泵调节方法 |
CN117495443A (zh) * | 2023-11-13 | 2024-02-02 | 奇瑞新能源汽车股份有限公司 | 基于改进粒子群算法的汽车充电站选址方法及相关装置 |
Non-Patent Citations (3)
Title |
---|
叶片基元叶型椭圆形前缘拟合方法;裴景东;汪文虎;王姝;成浪永;;计算机工程与应用;20150201(第03期);全文 * |
基于改进粒子群的汽轮机高精度叶片控制算法研究;郭旭敏;张月琴;冯珊珊;;微电子学与计算机;20130505(第05期);全文 * |
结合非高斯随机分布的粒子群优化算法在风力机叶片优化设计中的应用;孙芳锦;梁爽;;热能动力工程;20150320(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117744283A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Multi-objective optimization of a centrifugal compressor impeller through evolutionary algorithms | |
Voß et al. | Automated multiobjective optimisation in axial compressor blade design | |
CN108073772B (zh) | 离心压缩机设计方法 | |
Kim et al. | Design optimization of a centrifugal compressor impeller using radial basis neural network method | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
US7941300B1 (en) | Process for the design of an airfoil | |
CN116050031B (zh) | 轴流叶轮叶片设计方法、装置、存储介质及电子设备 | |
CN114372318A (zh) | 设计参数确定方法、装置、电子设备及可读存储介质 | |
CN111832189B (zh) | 一种离心式蒸汽压缩机选型方法 | |
Olivero et al. | Three-dimensional turbulent optimization of vaned diffusers for centrifugal compressors based on metamodel-assisted genetic algorithms | |
CN114060102B (zh) | 一种导叶叶片的出口金属角确定方法、确定装置 | |
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 | |
CN111460571B (zh) | 中介机匣部件的型线的构造方法、构造装置以及计算机可读存储介质 | |
CN117744283B (zh) | 用于压气机的设计方法、装置、设备及计算机存储介质 | |
Li et al. | Stability improvement without efficiency penalty of a transonic centrifugal compressor by casing treatment and impeller/diffuser coupling optimization | |
Sun et al. | Numerical optimization of a stator vane setting in multistage axial-flow compressors | |
CN116579252A (zh) | 基于粒子群算法的涡旋机械排气孔优化方法及系统 | |
CN101158991A (zh) | 大小叶片压气机的气动设计方法 | |
Robinson et al. | An integrated approach to the aero-mechanical optimisation of turbo compressors | |
Ellbrant et al. | Balancing efficiency and stability in the design of transonic compressor stages | |
CN108194412A (zh) | 流量系数0.0056单轴co2压缩机末段模型级及叶轮设计方法 | |
CN108180164A (zh) | 流量系数0.0086单轴co2压缩机末段模型级及叶轮设计方法 | |
CN113221483B (zh) | 基于类别形状函数的二元自由造型进气道优化设计方法及系统 | |
Luan et al. | Numerical study on aerodynamic noise performances of axial spacing in a contra-rotating axial fan | |
Xiang et al. | Aerodynamic modification and optimization of intermediate pressure compressor in marine intercooled recuperated gas turbine |
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 |