基于EBF神经网络的引射器结构参数优化

简介

为提高氢燃料电池引射器的性能,以额定工况下氢燃料电池引射器为研究对象,提出一种基于椭球基(EBF)神经网络模型和非线性序列二次规划(NLPQL)算法的引射器结构参数优化方法。基于正交试验,建立EBF神经网络模型,描述引射器结构参数与引射系数间的非线性关系;通过引射系数模拟值与代理模型预测值的对比以及复相关系数,验证了代理模型的精度;最后,应用NLPQL算法进行全局寻优,获得使引射系数最大的结构参数组合,并进行模拟验证。研究结果表明:基于EBF神经网络和NLPQL算法,提高了燃料电池引射器的引射系数,相对于正交试验方案最大值,引射系数提高了3.9%。基于正交试验设计和EBF神经网络的方法,可以扩大引射器结构参数研究范围和水平,节约CFD模拟计算时间。