仿生智能计算与吸附式叶型优化设计研究.docx
《仿生智能计算与吸附式叶型优化设计研究.docx》由会员分享，可在线阅读，更多相关《仿生智能计算与吸附式叶型优化设计研究.docx（232页珍藏版）》请在冰豆网上搜索。
西北工业大学博士研究生学位论文编写规则1学校代码10699分类号密级学号题目仿生智能计算与吸附式叶型优化设计研究作者杨小东学科、专业流体机械及工程指导教师刘波申请学位日期2016年11月西北工业大学博士研究生学位论文编写规则2西北工业大学博士学位论文（学位研究生）题目：
仿生智能计算与吸附式叶型优化设计研究作者：
杨小东学科专业：
流体机械及工程指导教师：
刘波2016年11月西北工业大学博士研究生学位论文编写规则3Title:
BiologicallyInspiredComputationandAspiratedBladeOptimalDesignTechnicalByYangXiao-dongUndertheSupervisionofProfessorLiuBoADissertationSubmittedtoNorthwesternPolytechnicalUniversityInpartialfulfillmentoftherequirementForthedegreeofDoctorofFluidMachineryandEngineeringXianP.R.ChinaNovember2016叶型优化过程中主要的时间消耗在于流场求解，为缓解优化耗时问题，提出了基摘要摘要压气机叶型优化设计是提升压气机整体性能的重要途径。
传统的基于梯度的优化算法要求目标函数连续可导，需要获取目标函数关于优化变量的导数信息，过程复杂，且容易陷入局部最优或反复震荡，通用性较差。
仿生进化算法及群智能算法作为性能优良的全局优化算法，具有广阔的应用前景。
较早提出基于分布式、并行计算架构Hadoop的进化及群智能算法。
基于Hadoop对遗传算法、微分进化及人工蜂群算法进行了加速优化，大大缓解了目标函数求解耗时的问题。
同时对算法本身的运行机制进行优化，提出了随机排序的微分进化算法及引入邻域搜索的人工蜂群算法，改进后的算法性能得到有效提升。
针对支持向量机参数设置无指导原则的难题，本文尝试引人人工蜂群算法完成支持向量机的参数的全局最优化计算。
与传统神经网络相比，支持向量机基于结构风险最小化理论，不仅充分考虑样本对系统的影响，同时考虑优化问题的结构特征信息，以实现最优泛化性能。
实验发现支持向量机在测试样本集上表现优于BP网络。
本文提出的基于蜂群算法的支持向量机（ABC-SVM）可使支持向量机在训练样本的拟合以及泛化能力上保持平衡，达到全局最优。
设计实现了参数化系统，实现的算法主要包括Hicks-Henne、CST和NURBS。
对NURBS进行了详细的研究，通过反复试验调整，提出了适用于压气机叶型拟合的经验公式，解决了在叶型拟合过程中使用NURBS容易出现的叶型畸变问题。
吸附式叶型通过抽吸叶片表面强逆压梯度处的负面层，使气动弯角增加，使整机做功能力提高。
为获得合适的叶型以及抽吸参数，本文基于人工蜂群算法和NURBS参数化法设计开发了一套智能叶型优化设计系统，该系统可对常规叶型、吸附式叶型进行优化设计。
通过优化实验叶栅证明了该系统的有效性。
Commentr1:
缺主语Commentr2:
缺主语Commentr3:
每个段落之间好像欠缺连贯性，不仅是该段，摘要的语言还得好好重新组织为进一步探究吸附式叶型机理，对5套吸附式叶栅进行了实验研究。
通过实验分析了不同抽吸情况对叶栅气动性能的影响。
最后，结合当前的研究热点，展望了未来压气机优化领域的研究方向。
指出借鉴深度学习的思想，搭建更加智能的优化设计平台。
同时建议加大多学科组合优化设计的研究与应用。
I于拉丁超立方采样的ABC-SVM算法，旨在代替流场求解器获取目标函数值，并且基于最大熵选取新的训练样本点，以期不断提高算法精确度。
整个优化过程是一个不断优化算法模型的过程，最终输出优化结果及最优的算法模型。
使用该套算法对现有吸附式叶型进行了优化验证，效果良好。
II西北工业大学博士研究生学位论文编写规则关键词：
优化设计，吸附式叶型，NURBS参数化，支持向量机，仿生计算本研究得到某某基金（编号：
）资助。
.IIIAbstractAbstractOptimized-Designisthekeypointtoimproveperformanceofthecompressor.Traditionalgradientbasedoptimizationalgorithmrequiregradientinformationandthismaketheworkmuchmorecomplicated.Localoptimalandvibrationcanbeobservedingradientbasedmethod.Intelligentalgorithm,comewithnaturaladvantageofglobaloptimumperformance,turnsouttobeabetterchoice.DistributedintelligentalgorithmareproposedbasedonHadooparchitecture.Distributedarchitecturecanhelpimprovethecalculationefficiencywhichisveryimportantespeciallyforthecasewhoseobjectivefunctionevaluationcostmuchtime.Ontheotherhand,changeisalsomadetotheprocessofthealgorithms.Stochasticdifferentialevolutionalgorithmandneighborsearchartificialbeecolonyalgorithmisintroduced,numericalresultsshowthattheperformanceisimprovedduetothechange.ThepapercombineartificialcolonybeealgorithmwithsupportvectormachinewiththepurposetosolvetheparametersselectionprobleminSVM.Comparedwithtraditionalneuralnetwork,SVMisbasedonstructuralriskminimizationtheory.GeneralizationperformanceofSVMismuchbetterthanNNevenwithfewersamplestotrainthemodel.ABC-SVMalgorithminthepaperisaimtoobtainaglobalbestSVMmodel.Parametricdesignsystemisimplementedinthispaper,commonalgorithmsuchasHicks-Henne,CSTandNURBSareincluded.ThepapertookmuchefforttoresearchandimproveNURBSparametricsystem.Thefinalparametricsystemproposedinthepapercanbeusedtooptimizetheairfoiloftheaxialflowcompressor.Aspiratedbladecanimprovetheenergyoutputofthecompressorbycontrollingthedevelopoftheboundarylayer.Propersuctionparameterplaysankeyroletocontroltheoverallperformance.ThispaperdevelopedanoptimizeddesignsystembasedonABCandNURBS.Withthissystem,airfoilcanbeoptimizedinordertoobtainrequiredaerodynamicperformance.Experimentsprovedtheeffectivenessofthissystem.Mostofthetimecostinoptimizationprocessmainlyfocusonevaluationoftheobjectivefunction.ABC-SVMbasedonLHSsamplealgorithmintroducedinthepaperwasdesignedtosolvetimecostobjectivefunctionevaluationproblem.Thealgorithmcanapproximatelyapproachtherealfunction,withtheimprovingofthesamples,theestimationcanbewithhighaccuracy.Thealgorithmmodelwasselectedtoreplacetherealobjectiveevaluationfunction（CFDinthepaper）andputtotheoptimizationcycle.Resultsshowthatthealgorithmcangetoptimaldesignasdesired.IV西北工业大学博士学位论文Thepaperintroducedtheexperimentoffivedifferentaspiratedairfoils.Whateffectswillbetookwithdifferentsuctionparameterswereanalyzed.Attheend,thepaperpredictedthefutureresearchdirectionbasedoncurrentwidelyresearchtechnology.Deeplearncanbeusedtobuildbetteroptimizeddesignplatform.Andmultidisciplinaryoptimizationshouldbepaidenoughattention.Keywords：
OptimalDesign,Aspiratedairfoil,NURBSParameterization,SVM,BiologicallyinspiredcomputationThepresentworkissupportedbythefundofxxx（ProjectNo：
xx）.V目录目录目录.V第一章绪论.11.1课
升级会员 