...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Ocean Engineering >On surrogate methods in propeller optimisation
【24h】

On surrogate methods in propeller optimisation

机译：螺旋桨优化中的替代方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In marine propeller design, tools for propeller performance evaluation are often time consuming and automated optimisation of the blade geometry is thus not conducted. This paper discusses several response surface methods to replace the main part of the needed computations: the Kriging predictor, standard and with input improvement; the feed forward neural network; the cascade correlation neural network; and a mixed version. Optimisation assignments are performed by applying each of the surrogates to find the best solution in a multi-objective propeller design task including advanced constraints on cavitation. The final performance regarding geometry trends and degree of improvement are evaluated. Further, an approach is presented on a practical application of minimum computational effort by combining a response surface method to fill the design space and calculations in a local search method.
机译：在船用螺旋桨设计中，用于螺旋桨性能评估的工具通常很耗时，因此无法进行叶片几何形状的自动优化。本文讨论了几种响应面方法来代替所需计算的主要部分：Kriging预测器，标准方法和输入改进方法；前馈神经网络；级联相关神经网络和混合版本。通过应用每个代理以在多目标螺旋桨设计任务（包括对气穴的高级约束）中找到最佳解决方案，可以进行优化分配。评估有关几何趋势和改进程度的最终性能。此外，通过结合响应面方法来填充设计空间并以局部搜索方法进行计算，提出了一种最小计算量的实际应用方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 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