CN118095143A - 一种燃烧室燃烧稳定性的快速优化方法 - Google Patents
一种燃烧室燃烧稳定性的快速优化方法 Download PDFInfo
- Publication number
- CN118095143A CN118095143A CN202410490254.XA CN202410490254A CN118095143A CN 118095143 A CN118095143 A CN 118095143A CN 202410490254 A CN202410490254 A CN 202410490254A CN 118095143 A CN118095143 A CN 118095143A
- Authority
- CN
- China
- Prior art keywords
- design
- optimization
- combustion chamber
- combustion
- algorithm
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013461 design Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 239000000446 fuel Substances 0.000 claims description 17
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000000889 atomisation Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000010349 pulsation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000035485 pulse pressure Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- G06F2119/08—Thermal analysis or thermal 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种燃烧室燃烧稳定性的快速优化方法，属于燃气轮机技术领域。该方法包括以下步骤：根据燃烧室燃烧稳定性的设计需求确定多维设计变量和目标性能参数，确定概率代理模型、采集函数和辅助优化算法；构建设计参数样本空间；构建设计参数样本点集；构成初始设计数据集；判断当前设计数据集中的目标性能参数是否满足预期优化目标需求；计算概率代理模型上的采集函数并使之最大化，判断算法是否收敛；构成新设计数据集；执行迭代过程，结束优化过程，得到优化设计方案。本发明采用上述的一种燃烧室燃烧稳定性的快速优化方法，以带有钝体稳燃的燃烧室为研究对象，提供以较少次数CFD仿真进行燃烧室燃烧稳定性优化的方法。
Description
技术领域
本发明属于燃气轮机技术领域，具体涉及一种燃烧室燃烧稳定性的快速优化方法。
背景技术
在燃气轮机燃烧室、工业锅炉、火箭发动机中经常会发生不稳定燃烧现象，也称为振荡燃烧。不稳定燃烧会导致燃烧室甚至整个燃烧系统剧烈振动，发生巨大的噪声，严重时有可能对部件造成破坏，极大地影响机组的燃烧效率。引起燃烧室不稳定燃烧的因素有很多，主要可概括为三种类型，分别是燃烧系统的固有不稳定性、声场—流场不稳定性及系统间耦合引起的不稳定性。其根本原因是声振与放热脉动耦合，当放热脉动和燃烧压力脉动处于-90°到90°的相位差时，热释放的波动会加强压力的振荡；处于90°到270°的相位差时则减弱，即Rayleigh准则。自燃烧室发明和使用以来，其内部的不稳定燃烧问题一直是设计制造的研究重点。因此如何使燃烧室在一定的热负荷下实现更稳定的点火燃烧性能，需要更先进的设计制造技术。
对燃烧室进行优化设计主要包括实验和模拟两方面。通过实验可以直接观察燃烧室内的流动和燃烧过程，提供实际的工作条件和数据，以便于对燃烧室的稳定性和可靠性进行验证，为后续的优化提供实际性能和效果的对比。然而实验存在成本高、周期长等问题，往往无法全面了解燃烧室内复杂流动和化学反应过程。随着计算机技术的迅速发展，计算流体力学（CFD）和低维模拟方法已经是传统设计的重要手段之一。数值模拟可以在更短的时间内提供大量的数据，并对燃烧室的各个参数进行灵活调整和分析。然而，高精度的CFD仿真需要消耗大量的计算资源，而传统燃烧室的设计研发方法中，即便获得大量的不同工况运行数据，也只能得到单个设计参数和优化目标之间的关系，难以同时得到众多设计参数在合理范围内的最优组合，且需要成千上万次迭代计算，计算资源浪费严重。
贝叶斯优化框架是一个迭代过程，主要由概率代理模型、采集函数以及辅助优化器组成。具体步骤包括：通过已有样本构建高精度代理模型；使用辅助优化器及采集函数进行辅助优化，寻找代理模型最优解集并进行试验验证，循环迭代，直至满足预期设计需求。
针对现有技术计算成本高、设计周期长、计算资源浪费严重的问题，本发明提出一种燃烧室燃烧稳定性的快速优化方法。
发明内容
本发明的目的在于提供一种燃烧室燃烧稳定性的快速优化方法，以带有钝体稳燃的燃烧室为研究对象，提供以较少次数CFD仿真进行燃烧室燃烧稳定性优化的方法。
为实现上述目的，本发明提供了一种燃烧室燃烧稳定性的快速优化方法，包括以下步骤：
S1、根据燃烧室燃烧稳定性的设计需求确定多维设计变量和目标性能参数，确定概率代理模型、采集函数和辅助优化算法；
S2、确定步骤S1中多维设计变量的范围，作为输入设计参数，构建设计参数样本空间；
S3、采用随机空间填充方法对步骤S2中确定的设计参数样本空间进行样本抽取，构建设计参数样本点集；
S4、对步骤S3中样本点集执行CFD分析，得到目标性能参数，并与设计参数构成初始设计数据集；
S5、判断当前设计数据集中的目标性能参数是否满足预期优化目标需求；
若判断为是，则取满足预期优化目标的样本点作为优化设计点，结束优化过程，得到优化方案；
S6、若步骤S5中的判断为否，则根据步骤S1中确定的概率代理模型类型，以步骤S3中的设计参数样本点集为输入数据，以步骤S4中的目标性能参数为输出数据构建代理模型，并计算步骤S1中确定的采集函数；
S7、采用步骤S1中确定的辅助优化算法，计算步骤S6中概率代理模型上的采集函数并使之最大化，判断算法是否收敛；
若判断为否，则增加辅助优化算法迭代次数，重新计算概率代理模型上的采集函数并使之最大化，直至算法收敛；
S8、若步骤S7中判断为是，则输出步骤S6中采集函数最大评估点，作为新样本设计点；
S9、对步骤S8中的新样本设计点执行CFD分析，将获得的新设计数据加入步骤S4中的初始设计数据集构成新设计数据集，并返回步骤S5；
S10、执行步骤S5-S9迭代过程，直至新设计数据集中的目标性能参数满足预期优化目标需求，结束优化过程，得到优化设计方案。
优选的，步骤S1中，多维设计变量为燃烧室系统的边界条件和燃料物性参数，多维设计变量包括进口总温、进口总压、燃料注射位置和液体燃料雾化平均粒径。
优选的，步骤S1中，概率代理模型的类型为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，步骤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，步骤S4中，初始设计数据集包括进口总温、燃料注射位置、液体燃料雾化平均粒径和脉动压力均方根值。
优选的，脉动压力均方根值的计算公式如下，
；
其中，为压力的时间序列数据，/>为平均压力，/>是压力数据长度。
优选的，步骤S6中，使用步骤S1中确定的概率代理模型预测步骤S1中确定的采集函数的数值。
优选的，步骤S7中，执行步骤S1中确定的辅助优化算法，以至少一个采集函数优化目标进行辅助优化，并判断算法是否收敛。
本发明的有益效果：
1、本发明以燃烧室为研究对象，提供以较少次数CFD仿真进行燃烧室燃烧稳定性优化的方法；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燃烧稳定性能的优化，具有较高的精度；
2、本发明采用的贝叶斯优化的迭代过程可以在优化目标达到预期优化需求时停止，可以根据设计需求控制优化效果，解决现有燃烧室燃烧稳定性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；
3、本发明中的采集函数用于迭代过程中选择脉动压力均方根值，从而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为本发明一种燃烧室燃烧稳定性的快速优化方法实施例的流程图；
图2为本发明一种燃烧室燃烧稳定性的快速优化方法实施例的优化过程中样本设计点燃烧室脉动压力均方根值曲线图。
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。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例
如图1所示，一种燃烧室燃烧稳定性的快速优化方法，包括以下步骤：
S1、根据燃烧室燃烧稳定性的设计需求确定多维设计变量和目标性能参数，确定概率代理模型、采集函数和辅助优化算法。
多维设计变量为燃烧室系统的边界条件和燃料物性参数，多维设计变量包括进口总温（Tair）、进口总压、燃料注射位置（Linj）和液体燃料雾化平均粒径（SMD）。
概率代理模型的类型为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（EI）、概率提升函数中的一种。辅助优化算法为遗传算法（GA）、粒子群算法、局部搜索算法中的一种。
S2、确定步骤S1中多维设计变量的范围，作为输入设计参数，构建设计参数样本空间。
具体为，Tair变化范围为800~1200K，SMD变化范围为20~100μm，Linj变化范围为距入口处133.8~176.2mm。
S3、采用随机空间填充方法对步骤S2中确定的设计参数样本空间进行样本抽取，构建设计参数样本点集。
样本点集可视为如下形式所示的三维向量，
；
利用拉丁超立方(LHS)抽样方法抽取14个样本点。
S4、对步骤S3中样本点集执行CFD分析，得到目标性能参数，并与设计参数构成初始设计数据集。
初始设计数据集包括进口总温、燃料注射位置、液体燃料雾化平均粒径和脉动压力均方根值。
CFD仿真软件为OpenFOAM，目标性能参数为燃烧室内部脉动压力均方根值。设计数据集包括空气进口总温，燃料注射位置，雾化燃油Sauter平均直径和脉动压力均方根值。
如图2所示，将样本点集中各样本点对应的参数输入OpenFOAM，进行对应工况下的燃烧室仿真分析，从仿真结果中计算出燃烧室脉动压力均方根值（Prms）。
脉动压力均方根值的计算公式如下，
；
其中，为压力的时间序列数据，/>为平均压力，/>是压力数据长度。
S5、判断当前设计数据集中的目标性能参数是否满足预期优化目标需求。
若判断为是，则取满足预期优化目标的样本点作为优化设计点，结束优化过程，得到优化方案。
S6、若步骤S5中的判断为否，则根据步骤S1中确定的概率代理模型类型，预测步骤S1中确定的采集函数的数值。以步骤S3中的设计参数样本点集为输入数据，以步骤S4中的目标性能参数为输出数据构建代理模型，并计算步骤S1中确定的采集函数。
具体为，代理模型为Kriging模型，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Prms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Prms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。
使用Kriging代理模型预测期望提升函数（EI）。
S7、采用步骤S1中确定的辅助优化算法，以一个或多个采集函数优化目标进行辅助优化，计算步骤S6中概率代理模型上的采集函数并使之最大化，判断算法是否收敛。若判断为否，则增加辅助优化算法迭代次数，重新计算概率代理模型上的采集函数并使之最大化，直至算法收敛。
具体为，辅助优化算法为遗传算法（GA）。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。判断本次迭代的遗传算法是否收敛。若否，则增加遗传算法迭代次数，重新计算Kriging模型上的期望提升函数（EI）并使之最大化，直至算法收敛。
S8、若步骤S7中判断为是，则输出步骤S6中采集函数最大评估点，作为新样本设计点。
若S7中的遗传算法收敛，则输出期望提升函数（EI）的最大评估点，作为新样本设计点。
S9、对步骤S8中的新样本设计点执行CFD分析，将获得的新设计数据加入步骤S4中的初始设计数据集构成新设计数据集，并返回步骤S5。
S10、执行步骤S5-S9迭代过程，直至新设计数据集中的目标性能参数满足预期优化目标需求，结束优化过程，得到优化设计方案。
因此，本发明采用上述一种燃烧室燃烧稳定性的快速优化方法，以带有钝体稳燃的燃烧室为研究对象，提供以较少次数CFD仿真进行燃烧室燃烧稳定性优化的方法。
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)
1.一种燃烧室燃烧稳定性的快速优化方法，其特征在于，包括以下步骤：
S1、根据燃烧室燃烧稳定性的设计需求确定多维设计变量和目标性能参数，确定概率代理模型、采集函数和辅助优化算法；
S2、确定步骤S1中多维设计变量的范围，作为输入设计参数，构建设计参数样本空间；
S3、采用随机空间填充方法对步骤S2中确定的设计参数样本空间进行样本抽取，构建设计参数样本点集；
S4、对步骤S3中样本点集执行CFD分析，得到目标性能参数，并与设计参数构成初始设计数据集；
S5、判断当前设计数据集中的目标性能参数是否满足预期优化目标需求；
若判断为是，则取满足预期优化目标的样本点作为优化设计点，结束优化过程，得到优化方案；
S6、若步骤S5中的判断为否，则根据步骤S1中确定的概率代理模型类型，以步骤S3中的设计参数样本点集为输入数据，以步骤S4中的目标性能参数为输出数据构建代理模型，并计算步骤S1中确定的采集函数；
S7、采用步骤S1中确定的辅助优化算法，计算步骤S6中概率代理模型上的采集函数并使之最大化，判断算法是否收敛；
若判断为否，则增加辅助优化算法迭代次数，重新计算概率代理模型上的采集函数并使之最大化，直至算法收敛；
S8、若步骤S7中判断为是，则输出步骤S6中采集函数最大评估点，作为新样本设计点；
S9、对步骤S8中的新样本设计点执行CFD分析，将获得的新设计数据加入步骤S4中的初始设计数据集构成新设计数据集，并返回步骤S5；
S10、执行步骤S5-S9迭代过程，直至新设计数据集中的目标性能参数满足预期优化目标需求，结束优化过程，得到优化设计方案。
2.根据权利要求1所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤S1中，多维设计变量为燃烧室系统的边界条件和燃料物性参数，多维设计变量包括进口总温、进口总压、燃料注射位置和液体燃料雾化平均粒径。
3.根据权利要求2所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤S1中，概率代理模型的类型为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3所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤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4所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤S4中，初始设计数据集包括进口总温、燃料注射位置、液体燃料雾化平均粒径和脉动压力均方根值。
6.根据权利要求5所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：脉动压力均方根值的计算公式如下，
；
其中，为压力的时间序列数据，/>为平均压力，/>是压力数据长度。
7.根据权利要求6所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤S6中，使用步骤S1中确定的概率代理模型预测步骤S1中确定的采集函数的数值。
8.根据权利要求7所述的一种燃烧室燃烧稳定性的快速优化方法，其特征在于：步骤S7中，执行步骤S1中确定的辅助优化算法，以至少一个采集函数优化目标进行辅助优化，并判断算法是否收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410490254.XA CN118095143A (zh) | 2024-04-23 | 2024-04-23 | 一种燃烧室燃烧稳定性的快速优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410490254.XA CN118095143A (zh) | 2024-04-23 | 2024-04-23 | 一种燃烧室燃烧稳定性的快速优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095143A true CN118095143A (zh) | 2024-05-28 |
Family
ID=91155398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410490254.XA Pending CN118095143A (zh) | 2024-04-23 | 2024-04-23 | 一种燃烧室燃烧稳定性的快速优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095143A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
| CN115493800A (zh) * | 2022-11-17 | 2022-12-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 稳态压力与脉动压力数据同步并行采集系统及应用方法 |
| CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
-
2024
- 2024-04-23 CN CN202410490254.XA patent/CN118095143A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
| CN115493800A (zh) * | 2022-11-17 | 2022-12-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 稳态压力与脉动压力数据同步并行采集系统及应用方法 |
| CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022061871A1 (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
| CN112528441B (zh) | 喉栓式变推力发动机总体参数设计方法、装置和设备 | |
| Aulich et al. | High-dimensional constrained multiobjective optimization of a fan stage | |
| CN107194118B (zh) | 一种涡轮叶片扇形孔气膜冷却结构气动-热协同优化方法 | |
| Ma et al. | Robust optimization design of compressor blade considering machining error | |
| CN113779704B (zh) | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 | |
| Lu et al. | Optimization of cantilevered stators in an industrial multistage compressor to improve efficiency | |
| CN116049977B (zh) | 一种航空发动机燃烧室的参数多目标优化方法 | |
| CN112131670A (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
| Lu et al. | Design optimization of a transonic compressor blade with sweep and lean integrated with axial slot casing treatment | |
| Cheng et al. | Robust aerodynamic optimization and design exploration of a wide-chord transonic fan under geometric and operational uncertainties | |
| Cheng et al. | Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles | |
| CN118095143A (zh) | 一种燃烧室燃烧稳定性的快速优化方法 | |
| 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 | |
| Wang et al. | Effect of uncertain operating conditions on the aerodynamic performance of high-pressure axial turbomachinery blades | |
| Feng et al. | Aerodynamic inverse design optimization for turbine cascades based on control theory | |
| Mueller et al. | Adjoint-based multidisciplinary, multipoint optimization of a radial turbine considering aerodynamic and structural performances | |
| CN114519299B (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 | |
| Amirante et al. | Design optimization of the intake of a small-scale turbojet engine | |
| Li et al. | Trajectory optimization of hypersonic periodic cruise using an improved PSO algorithm | |
| CN109388884A (zh) | 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法 | |
| CN115434925A (zh) | 一种无轴式管道泵分段可调式导叶智能调控方法 | |
| Kegl | Optimal design of conventional in-line fuel injection equipment | |
| Razaaly et al. | Uncertainty Quantification of an ORC turbine blade under a low quantile constrain | |
| Kolade et al. | Coupled 1-D/3-D analysis of fuel injection and diesel engine combustion |
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 |