机器学习在高压比离心叶轮优化设计中的应用研究

发布时间：2025-02-05 15:40

　　 随着大数据时代的到来和人工智能的发展,气动优化领域进行了很多有益的尝试与探索。传统叶轮机械叶型优化有着耗时长,叶型参数化复杂,计算成本高等缺点。本文采用机器学习中的SVM(支持向量机)方法,基于离心压气机数据库,构建叶型参数与目标函数值之间的非线性模型,取代了繁琐的CFD计算。之后,利用遗传算法进行全局寻优,得出最优的叶型参数组合。与传统优化方法D3D比较,此方法优化时间大幅减少,优化叶型变化趋势与D3D接近,优化结果经过Numeca数值验证,峰值效率比D3D提高了0.2%,表明了机器学习优化具有较高的可靠性。

【文章页数】：8 页

【部分图文】：

图３网格ＴＴ；意图??Ｆｉｇ．?３?Ｃｏｍｐｕｔａｔｉｏｎ?ｇｒｉｄ??２优化方法??２．１传统优化算法??传统方法将采用Ｎｕｍｅｃａ平台下的Ｄｅｇｉｓｎ??３Ｄ（Ｄ３Ｄ）模块进行优化

０．７０??０．８０??０．８５?０．９０?０．９５??ｃｈｏｋｅｄ?ｍ／Ｍ??图２网格无关性校验??Ｆｉｇ．?２?Ｇｒｉｄ?ｉｎｄｅｐｅｎｄｅｎｃｅ??１．００??１．０５??图３网格ＴＴ；意图??Ｆｉｇ．?３?Ｃｏｍｐｕｔａｔｉｏｎ?ｇｒｉｄ??２优化方法??２．１传统优化算....

图６参数数量与ｉｉ２值关系??Ｆｉｇ．?６?Ｉｎｔｅｒａｃｔｉｏｎ?ｂｅｔｗｅｅｎ?ｔｈｅ?ｎｕｍｂｅｒ?ｏｆ?ｐａｒａｍｅｔｅｒ?ａｎｄ?Ｒ２??

２７３８??工程热物理学报??４１卷??０．８６０??０．８５５??－０．２??１?１?１—??０?５?１０?１５?２０?２５?３０?３５?４０??Ｎｕｍｂｅｒ?ｏｆ?ｆｅａｔｕｒｅｓ??图６参数数量与ｉｉ２值关系??Ｆｉｇ．?６?Ｉｎｔｅｒａｃｔｉｏｎ?ｂｅｔｗｅｅｎ?ｔｈｅ?....

图８模型测试结果??８?Ｒｅｓｕｌｔｓ?ｏｆ?ｔｈｅ?ｏｐｔｉｍｉｚａｔｉｏｎ??

相关，所以在进行??模型调优之前，应对数据库的构成进行调整。基于??上文所验证的４１个叶型参数的重要性分析，每次减??少一个最不相关的特征参数，以回归系数ｉ？２作为??模型性能指标，讨论参数个数对模型准确性的影响。??结果如图６所亦。??从图６中可以看出，当全局考虑４１个参数时，....

图１０设计转速下特性曲线图??Ｆｉｇ．?１０?Ｐｅｒｆｏｒｍａｎｃｅ?ｃｕｒｖｅｓ?ａｔ?ｄｅｓｉｇｎ?ｓｐｅｅｄ??

１１期??程鸿亮等：机器学习在高压比离心叶轮优化设计中的应用研究??２７３９??化与机器学习优化所得效率差值为０．２％，可以认为??机器学习优化方法的寻优能力更强，更接近最优解。??同时Ｄ３Ｄ优化中的每一步迭代都需要进行ＣＦＤ计??算，而在机器学习优化中，每一代迭代的结果都由??....

本文编号：4030069