CN114519299A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114519299A
CN114519299A CN202210040876.3A CN202210040876A CN114519299A CN 114519299 A CN114519299 A CN 114519299A CN 202210040876 A CN202210040876 A CN 202210040876A CN 114519299 A CN114519299 A CN 114519299A
Authority
CN
China
Prior art keywords
impact
support plate
integrated
basis function
radial basis
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
CN202210040876.3A
Other languages
English (en)
Inventor
谭晓茗
李文
韦裕恒
肖翔
单勇
张靖周
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210040876.3A priority Critical patent/CN114519299A/zh
Publication of CN114519299A publication Critical patent/CN114519299A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，属于航空发动机强化冷却设计与热防护领域。该方法将航空发动机一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，以冲击孔孔径di，气膜孔孔径与冲击孔孔径的比值df/di，气膜孔列数m，孔排数n，冲击间距与冲击孔孔径的比值H/di作为待优化参数，建立径向基神经网络数学模型并耦合遗传优化算法进行全局寻优。这种优化方法具有学习能力强、逼近精度高、覆盖范围广、鲁棒性强等优点，可以为高性能航空发动机加力燃烧室一体化加力支板结构设计提供技术支持。

Description

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
技术领域
本发明涉及一种航空发动机一体化加力支板火焰稳定器双层壁冷却结构的多目标优化方法，属于航空部件热防护领域。
背景技术
航空发动机一体化加力支板是目前发动机领域研究的重点内容，它将混合器、燃油喷杆和火焰稳定器等进行组合设计，从而减轻发动机总重量，降低能量损失，增大推重比，提高发动机总体效率。由于钝体扰流作用，一体化加力支板后方会形成一个高温区，为了使一体化加力支板能在高温环境下稳定工作，在其尾缘处设置双层壁冷却结构，从外涵引入适量冷气对一体化加力支板进行冷却，同时防止火焰向一体化加力支板前端移动，影响其工作性能。
双层壁冷却作为一种先进复合结构，在航空领域应用广泛。该冷却结构由冲击板、冲击腔和气膜板组成，冷气通过冲击孔对靶面进行冲击，强化换热，随后流向四周再由气膜孔流出，与外部气流作用形成气膜，保护热端部件。
径向基(RBF)神经网络是一种使用径向基函数作为激活函数的人工神经网络，属于前馈型神经网络，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题，在多个领域得到了广泛的应用。遗传算法是一种全局优化概率算法，通过模仿自然界的选择遗传规律来寻找最优解，可以有效地进行概率意义的全局搜素。
发明内容
发明目的：提供一种航空发动机一体化支板火焰稳定器双层壁结构的多目标优化方法，可以根据实际工程需求，高效精确的设计双层壁冷却结构，保障热端部件在高温下持续稳定地工作。
技术方案：一种航空发动机一体化支板火焰稳定器双层壁结构的多目标优化方法，该方法包括以下步骤：
步骤1，确定一体化加力支板火焰稳定器双层壁冷却结构的待优化结构参数及待优化结构参数范围；
步骤2，设计径向基神经网络的训练样本和测试样本；
步骤3，将一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，构建适应度函数并通过计算流体动力学计算选取样本的目标函数；
步骤4，基于训练样本建立径向基神经网络的数学模型，利用测试样本验证模型正确性，输出径向基神经网络的扩散系数；
步骤5，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优。
进一步的，步骤1中所述待优化结构参数包括冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、气膜孔排数n、冲击间距与冲击孔孔径的比值H/di，冲击孔孔径di为0.8～1.5mm，df/di为0.4～1.0，m为37～73，n为4～7，H/di为1～2.5。
进一步的，步骤2中，样本的设计步骤包括：
步骤2.1，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值H/di进行组合，利用正交试验设计根据正交性从全面组合中挑选出32组有代表性的样本作为径向神经网络的训练样本；
步骤2.2，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值H/di进行组合，随机抽取8组样本作为测试样本；
步骤2.3，针对不同样本参数的单位尺度不同，对选取样本的待优化结构参数做归一化处理，将不同参数的单位尺度置于(0,1)范围内：
Figure BDA0003470161250000021
式中，y是归一化后的结果，xi是样本参数变量，xmax，xmin分别是样本参数变量的最大值和最小值。
进一步的，步骤3中，综合冷却效率和相对压力损失的目标函数分别定义为：
F(di,df/di,m,n,H/di)＝1/η
F(di,df/di,m,n,H/di)＝ΔP
式中，η为综合冷却效率，ΔP为相对压力损失。
进一步的，步骤4中，径向基神经网络由输入层接收训练样本，隐含层将输入样本通过径向基函数映射到新的空间：
Figure BDA0003470161250000022
式中，x表示训练样本，ci表示径向基函数的中心向量，δi表示径向基函数的核宽；
输出层在新空间实现线性加权求和，输出结果：
Figure BDA0003470161250000031
式中，wi为隐含层与输出层的连接权值，
Figure BDA0003470161250000032
为径向基函数，y为输出结果，M为隐含层节点数；
采用试错法确定径向基神经网络的扩散系数并验证径向基神经网络的正确性，基于训练样本计算出不同扩散系数对应的径向基神经网络，通过迭代计算，选取均方根误差最小的扩散系数值，计算流体动力学计算结果与径向基神经网络预测结果的均方根误差表示为：
Figure BDA0003470161250000033
式中，N为数据总数，yt(k)和
Figure BDA0003470161250000034
分别为计算数据和预测数据。
进一步的，步骤5中，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优的详细步骤为：
步骤5.1，初始化操作：染色体编码，确立种群数量，设置交叉、变异概率、最大迭代步数；
步骤5.2，初始化种群：随机生成第一代种群；
步骤5.3，基于径向基神经网络数学模型计算适应度值，评价种群，个体适应度包括一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失；
步骤5.4，判断算法收敛准则是否满足，满足则终止，输出最优解，否则继续进行操作；
步骤5.5，根据优胜劣汰的原则对种群进行选择，根据交叉概率和变异概率对种群进行交叉和变异，形成新一代种群，回到步骤5.3，经过若干代的进化迭代后，得到最优个体，即最优一体化加力支板火焰稳定器双层壁冷却结构。
本发明的有益效果是：
本发明采用径向基神经网络耦合遗传算法全局搜寻最优一体化加力支板火焰稳定器双层壁冷却结构，将复杂的结构设计问题数据化，简单化，使用少量训练样本和测试样本即可获得最优设计；径向基神经网络可以根据具体问题确定相应的网络拓扑结构，逼近精度高，学习能力强，可以并行高速地处理数据；本发明采用遗传优化算法，具有很好的收敛性，计算时间少，鲁棒性高。
附图说明
图1为一体化支板火焰稳定器双层壁结构的多目标优化方法流程图；
图2为加力燃烧室一体化加力支板几何模型，其中图2(a)为加力燃烧室三维视图，图2(b)为一体化加力支板三维视图，图2(c)为一体化加力支板局部A示意图；
图3为尾缘双层壁冷却结构孔排布图，其中图3(a)为支板孔排布示意图，图3(b)为局部放大图；
图4为RBF神经网络结构；
图5为多目标优化的Pareto前缘解集。
具体实施方式
下面结合附图和具体实例对本发明的技术方案进行详细阐述。
结合图1所示，本发明提供了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。该方法针对的优化目标为如图2(b)中所示的加力燃烧室一体化加力支板1。其中该一体化加力支板1是设置于如图2(a)中的加力燃烧室2内的。
包括以下步骤。
步骤1，选择冲击孔孔径di，气膜孔孔径与冲击孔孔径的比值df/di，气膜孔列数m，孔排数n，冲击间距与冲击孔孔径的比值H/di作为待优化结构参数，冲击孔孔径di为0.8～1.5mm，df/di为0.4～1.0，m为37～73，n为4～7，H/di为1～2.5。一体化支板火焰稳定器双层壁结构由冲击板、气膜板和两板之间的冲击腔组成，上述冲击间距是指冲击孔中的冲击流对冲击靶面(气膜板内壁面)的冲击间距。其中冲击孔设置在冲击板3上，气膜孔设置在气膜板4上，如图2(c)中所示的在一体化加力支板1上设置的孔5。气膜孔与冲击孔的排布方式可参考图3(a)、图3(b)。
步骤2，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值H/di进行组合，利用正交试验设计根据正交性从全面组合中挑选出32组有代表性的样本作为径向神经网络的训练样本，再随机抽取8组样本作为测试样本。训练样本和测试样本的参数如表1所示。
表1
Figure BDA0003470161250000041
Figure BDA0003470161250000051
针对不同样本参数的单位尺度不同，对选取样本的待优化结构参数做归一化处理，将不同参数的单位尺度置于(0,1)范围内：
Figure BDA0003470161250000052
式中，y是归一化后的结果，xi是样本参数变量，xmax，xmin分别是样本参数变量的最大值和最小值。
步骤3，将一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，构建适应度函数并通过CFD计算选取样本的目标函数，综合冷却效率和相对压力损失的目标函数分别定义为：
F(di,df/di,m,n,H/di)＝1/η
F(di,df/di,m,n,H/di)＝ΔP
式中，η为综合冷却效率，ΔP为相对压力损失。
一体化加力支板火焰稳定器双层壁冷却结构的综合冷却效率为：
Figure BDA0003470161250000061
式中，Tg为主流高温气流进口温度，Tc为次流冷却气流进口温度，Tw,e为双层壁结构高温气流侧壁面温度。
一体化加力支板火焰稳定器双层壁冷却结构的相对压力损失为：
Figure BDA0003470161250000062
式中，
Figure BDA0003470161250000063
为双层壁冲击孔的进口平均总压，
Figure BDA0003470161250000064
为双层壁气膜孔的出口平均总压。
步骤4，如图4所示，在MATLAB平台上自编程，基于训练样本建立RBF神经网络的数学模型，利用测试样本验证模型正确性，输出RBF神经网络的扩散系数。
其中，RBF神经网络由输入层接收训练样本，隐含层将输入样本通过径向基函数映射到新的空间：
Figure BDA0003470161250000065
式中，x表示训练样本，ci表示径向基函数的中心向量，δi表示径向基函数的核宽；
输出层在新空间实现线性加权求和，输出结果：
Figure BDA0003470161250000066
式中，wi为隐含层与输出层的连接权值，
Figure BDA0003470161250000067
为径向基函数，y为输出结果，M为隐含层节点数；
采用试错法确定RBF神经网络的扩散系数并验证RBF神经网络的正确性，基于训练样本计算出不同扩散系数对应的径向基神经网络，通过迭代计算，选取均方根误差(RMSE)最小的扩散系数值，CFD计算结果与RBF神经网络预测结果的均方根误差表示为：
Figure BDA0003470161250000071
式中，N为数据总数，yt(k)和
Figure BDA0003470161250000072
分别为计算数据和预测数据。
步骤5，调用MATLAB自带的遗传算法与直接搜索工具箱(GADS)，采用RBF神经网络数学模型编写适应度函数，并在工具箱内设置种群大小、选择函数、变异函数、交叉函数、最大迭代步长。
利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优的详细步骤为：
步骤5.1，初始化操作：染色体编码，确立种群数量，设置交叉、变异概率、最大迭代步数；
步骤5.2，初始化种群：随机生成第一代种群；
步骤5.3，基于RBF神经网络数学模型计算适应度值，评价种群，个体适应度包括一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失；
步骤5.4，判断算法收敛准则是否满足，满足则终止，输出最优解，否则继续进行操作；
步骤5.5，根据优胜劣汰的原则对种群进行选择，根据交叉概率和变异概率对种群进行交叉和变异，形成新一代种群，回到步骤5.3，经过若干代的进化迭代后，得到最优个体，即最优一体化加力支板火焰稳定器双层壁冷却结构。
图5为多目标优化的Pareto前缘解集。Pareto前缘解集均为非劣解，A点为最大综合冷却效率处，C点为最小相对压力损失处，B点是中值点，两种目标函数的权重为(0.5,0.5)。
以上所举实施例仅为本发明的优选实施方式，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种一体化支板火焰稳定器双层壁结构的多目标优化方法，其特征在于：包括以下步骤：
步骤1，确定一体化加力支板火焰稳定器双层壁冷却结构的待优化结构参数及待优化结构参数范围；
步骤2，设计径向基神经网络的训练样本和测试样本；
步骤3，将一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失作为优化目标，构建适应度函数并通过计算流体动力学计算选取样本的目标函数；
步骤4，基于训练样本建立径向基神经网络的数学模型，利用测试样本验证模型正确性，输出径向基神经网络的扩散系数；
步骤5，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优。
2.根据权利要求1所述的多目标优化方法，其特征在于：步骤1中所述待优化结构参数包括冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、气膜孔排数n、冲击间距与冲击孔孔径的比值H/di，冲击孔孔径di为0.8～1.5mm，df/di为0.4～1.0，m为37～73，n为4～7，H/di为1～2.5。
3.根据权利要求2所述的多目标优化方法，其特征在于：步骤2中，样本的设计步骤包括：
步骤2.1，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值H/di进行组合，利用正交试验设计根据正交性从全面组合中挑选出32组有代表性的样本作为径向神经网络的训练样本；
步骤2.2，将待优化结构参数冲击孔孔径di、气膜孔孔径与冲击孔孔径的比值df/di、气膜孔列数m、孔排数n、冲击间距与冲击孔孔径的比值H/di进行组合，随机抽取8组样本作为测试样本；
步骤2.3，针对不同样本参数的单位尺度不同，对选取样本的待优化结构参数做归一化处理，将不同参数的单位尺度置于(0,1)范围内：
Figure FDA0003470161240000011
式中，y是归一化后的结果，xi是样本参数变量，xmax，xmin分别是样本参数变量的最大值和最小值。
4.根据权利要求3所述的多目标优化方法，其特征在于：步骤3中，综合冷却效率和相对压力损失的目标函数分别定义为：
F(di，df/di，m，n，H/di)＝1/η
F(di，df/di，m，n，H/di)＝ΔP
式中，η为综合冷却效率，ΔP为相对压力损失。
5.根据权利要求4所述的多目标优化方法，其特征在于：步骤4中，径向基神经网络由输入层接收训练样本，隐含层将输入样本通过径向基函数映射到新的空间：
Figure FDA0003470161240000021
式中，x表示训练样本，ci表示径向基函数的中心向量，δi表示径向基函数的核宽；
输出层在新空间实现线性加权求和，输出结果：
Figure FDA0003470161240000022
式中，wi为隐含层与输出层的连接权值，
Figure FDA0003470161240000023
为径向基函数，y为输出结果，M为隐含层节点数；
采用试错法确定径向基神经网络的扩散系数并验证径向基神经网络的正确性，基于训练样本计算出不同扩散系数对应的径向基神经网络，通过迭代计算，选取均方根误差最小的扩散系数值，计算流体动力学计算结果与径向基神经网络预测结果的均方根误差表示为：
Figure FDA0003470161240000024
式中，N为数据总数，yt(k)和
Figure FDA0003470161240000025
分别为计算数据和预测数据。
6.根据权利要求5所述的多目标优化方法，其特征在于：步骤5中，利用遗传算法对一体化加力支板火焰稳定器双层壁结构进行全局寻优的详细步骤为：
步骤5.1，初始化操作：染色体编码，确立种群数量，设置交叉、变异概率、最大迭代步数；
步骤5.2，初始化种群：随机生成第一代种群；
步骤5.3，基于径向基神经网络数学模型计算适应度值，评价种群，个体适应度包括一体化加力支板火焰稳定器双层壁冷却结构的最大综合冷却效率和最小相对压力损失；
步骤5.4，判断算法收敛准则是否满足，满足则终止，输出最优解，否则继续进行操作；
步骤5.5，根据优胜劣汰的原则对种群进行选择，根据交叉概率和变异概率对种群进行交叉和变异，形成新一代种群，回到步骤5.3，经过若干代的进化迭代后，得到最优个体，即最优一体化加力支板火焰稳定器双层壁冷却结构。
CN202210040876.3A 2022-01-14 2022-01-14 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 Pending CN114519299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210040876.3A CN114519299A (zh) 2022-01-14 2022-01-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210040876.3A CN114519299A (zh) 2022-01-14 2022-01-14 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

Publications (1)

Publication Number Publication Date
CN114519299A true CN114519299A (zh) 2022-05-20

Family

ID=81597477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210040876.3A Pending CN114519299A (zh) 2022-01-14 2022-01-14 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

Country Status (1)

Country Link
CN (1) CN114519299A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN115270606B (zh) * 2022-07-01 2024-02-13 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法

Similar Documents

Publication Publication Date Title
CN112380765B (zh) 一种基于改进平衡优化器算法的光伏电池参数识别方法
Ghosh et al. Parametric shape optimization of pin-fin arrays using a surrogate model-based Bayesian method
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
CN114462319B (zh) 航空发动机燃烧性能主动调控方法及智能预测模型
CN116049977B (zh) 一种航空发动机燃烧室的参数多目标优化方法
Li et al. Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms
Bryden et al. Optimization of heat transfer utilizing graph based evolutionary algorithms
Karimi et al. Robust optimization of the NASA C3X gas turbine vane under uncertain operational conditions
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
Shimoyama et al. Multi-objective design optimization for a steam turbine stator blade using LES and GA
Johnson et al. Design optimization methods for improving HPT vane pressure side cooling properties using genetic algorithms and efficient CFD
Bagheri-Esfeh et al. Multi-objective optimisation of drag and lift coefficients of a car integrated with canards
Cheng et al. Robust aerodynamic optimization and design exploration of a wide-chord transonic fan under geometric and operational uncertainties
Sánchez Moreno et al. Robustness of optimisation algorithms for transonic aerodynamic design
Fischer et al. Optimizing the trench shaped film cooling design
El Ayoubi et al. Aero-thermal optimization and experimental verification for the discrete film cooling of a turbine airfoil
CN116702462A (zh) 氢燃料电池双极板流道结构多学科优化设计方法
CN111079920B (zh) 一种涡轮集气腔出口流量不均匀系数的预测方法
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
Cheng et al. Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles
Ma et al. Improved centrifugal compressor impeller optimization with a radial basis function network and principle component analysis
Al-Rbaihat et al. Performance evaluation of supersonic flow for variable geometry radial ejector through CFD models based on DES-turbulence models, GPR machine learning, and MPA optimization
Pakatchian et al. Applications of machine learning approaches in aerodynamic aspects of axial flow compressors: A review
Tang et al. Multi-objective optimization of aerodynamic performance for a small single-stage turbine
Tong et al. Optimization of aero-engine combustion chambers with the assistance of Hierarchical-Kriging surrogate model based on POD downscaling method

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