排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
NSGAII算法在翼型多点设计中有着广泛的应用价值,然而其巨大的计算资源和计算成本限制了它的使用。为了解决这个问题,本文引入具有较强非线性映射能力的神经网络代理模型,采用实验设计结合BP法训练神经网络响应面来代替N-S方程求解翼型的性能。在实验点的数值模拟中,为了进一步节省计算资源,提高计算效率,采用网格的变形代替网格的重新划分,使得计算网格的更新速度提高了约50%。在翼型的参数化过程中,采用改进的PARSEC方法,用较少的参数实现了翼型的精确控制。为了增强神经网络的泛化能力,采用12-7-4-3-1的隐层结构。对NLF1015翼型的多点优化算例表明,此方法不仅显著降低了整个优化过程的计算量,而且对翼型的气动性能预测也具有较高的可信度,在高空长航时无人机的翼型设计中具有一定的潜力。 相似文献
2.
雷诺数对涡扇发动机性能及稳定性影响 总被引:1,自引:2,他引:1
综合了Wassell方法和经验数学模型两种雷诺数修正方法,对风扇、压气机、高低压涡轮的部件特性进行了雷诺数修正。运用修正后的部件特性分别对3种涡扇发动机进行了性能计算,定量计算出了雷诺数对涡扇发动机性能的影响程度。计算结果表明:在低空区雷诺数对涡扇发动机性能和稳定性影响可以忽略不计;但在高空低速区,雷诺数对涡扇发动机性能和稳定性影响显著;涡轮前总温剧烈升高;推力增大3%~6%、耗油率增大8%~10%;稳定裕度下降19%~39%。因此在高空低速区航空发动机性能数值模拟必须考虑部件特性雷诺数的影响。 相似文献
3.
4.
5.
6.
基于部件特性未知的航空发动机故障诊断技术 总被引:1,自引:1,他引:1
以航空发动机部件通用特性为基础运用单纯形优化方法,发展了一种预测发动机部件特性的自适应模型方法。并以此为基础运用气路分析原理,选取表征发动机性能参数变化的症兆变量和测量参数,建立了发动机故障诊断小偏差方程。诊断结果表明:症兆变量的选取和相对变化值大小对故障诊断误差有决定性的影响,其值的选取应以门限值1/3为最佳;故障诊断模型症兆变量与实际故障症兆变量变化值相对误差控制在5%内,且不会对故障类型的判断产生影响;故障诊断模型在已知的检验结果内无误诊现象。 相似文献
7.
两种涡扇发动机部件特性自适应模型对比 总被引:3,自引:0,他引:3
发展了航空发动机自适应模型.并对以两种优化算法为基础的自适应模型进行了对比分析。两种模型以通用特性为基础运用优化方法,以发动机主要性能参数和过程参数偏差函数最小为优化目标,以部件特性耦合因子为被优参数,可以预测出不同飞行条件下的发动机风扇、压气机、燃烧室、高压涡轮、低压涡轮等部件特性。运用单纯形和遗传算法为基础的自适应模型对某型涡扇发动机性能的计算结果表明:相对于单纯形算法模型.遗传算法模型对发动机主要性能参数和过程参数的计算偏差降低了20%~30%;对发动机各截面总温、总压计算偏差降低了15%~20%;遗传算法模型相对于单纯形模型具有更为宽广的自适应模拟范围。对某型已知部件特性的涡扇发动机模拟结果显示.遗传算法模型部件特性模拟结果与已知部件特性差别甚微。 相似文献
1