神经网络在风力机翼型气动性能优化中的应用
针对风力机翼型优化计算量大的问题,提出了一种基于计算流体力学和神经网络气动性能近似计算的翼型优化方法。首先根据茹科夫斯基翼型理论构造了翼型参数化表达方法,以多工况条件下的翼型气动性能为目标函数,选取翼型表达式中的12个参数为设计变量,建立了翼型气动性能优化模型。然后用优化拉丁方采样方法获得翼型样本设计空间,通过计算流体力学方法获取每个样本的气动性能,利用神经网络对样本集进行非线性拟合,构建神经网络翼型气动性能近似计算模型。遗传算法在寻优时,用近似计算模型代替耗时的流场计算,最终得到最优解。并通过此方法对FFAW3-301翼型进行优化,优化后翼型具有更佳的气动性能,优化结果表明此优化方法具有可行性。
基于改进BP神经网络的液压支架前连杆疲劳寿命预测
为了解决液压支架前连杆疲劳寿命难以直接估算且预测成本较高的问题,采用鲸鱼优化算法(WOA)优化BP神经网络模型进行液压支架前连杆疲劳寿命估算,建立液压支架前连杆5个主要参数与疲劳寿命的非线性映射关系。首先在ANSYS的Fatigue模块中输入液压支架前连杠的5个主要参数,获取30组疲劳寿命仿真结果。然后从30组数据中随机选取25组数据作为优化后BP神经网络的训练集,剩余5组数据作为测试集。预测结果表明,WOA-BP神经网络模型预测精度较高,最大相对误差仅5.19%。
-
共1页/2条