科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
