压气机三维叶片代理辅助优化中无效样本点处理方法研究

摘要

在气动优化领域,压气机三维叶片的优化可能需要同时考虑复合弯掠、叶型截面、前尾缘型面等设计变量,优化目标涉及到多个工况下的效率、压比和流量,并且有时还需要对结构强度、噪音传播等因素进行校核与限制.代理辅助优化结合现代优化算法、代理模型以及流场求解器,实现叶片精细优化设计,而代理模型就是指利用部分现有数据训练得到的可在一定程度上替代复杂CFD求解过程的模型策略.在代理辅助优化压气机三维叶片时,CFD评价叶片过程中可能会出现某些叶型存在负网格、流场不收敛以及压力波动误差较大的情况,这样的叶片样本点在优化过程中称为无效样本点.本文以神经网络模型作为代理模型,针对无效样本点在回归模型中的处理方式进行了论证,分别比较了EFL(Exclude From Learning)策略和NVO(Nearest Valid Outputs)策略,结论表明EFL策略对于回归模型是最优的.为了充分挖掘样本空间信息,防止无效样本区域干扰遗传算法寻优过程,提出将神经网络分类模型引入优化过程,在此过程中,分类模型判断样本点有效性,回归模型给定有效样本点对应的输出值,回归模型和分类模型协同作用,共同控制算法优化方向.测试函数验证表明,该种方法能够在一定程度上避免遗传算法陷入间断区域,得出实际最优值,尽管最终效果依赖于分类模型分类准确率,但在文中所设置的工况中,分类模型的引入是会提升整体算法的性能.

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号