一种用于旋转射流喷嘴结构设计的多目标优化方法技术

一种用于旋转射流喷嘴结构设计的多目标优化方法，属于喷嘴结构设计技术领域。它包括以下步骤：S1、进行均匀实验设计，获取样本空间与各因素影响显著性；S2、进行bp神经网络预测，得到各个因素与目标值之间的复杂的映射关系并转换成函数；S3、采用多目标优化遗传算法对旋转射流喷嘴进行寻优操作，得到非支配解集；S4、根据均匀实验得出的各因素对目标值的影响显著性进行最优解选取，并且对比前后喷嘴的内部流场得到性能提升结果。本发明专利技术通过将均匀实验设计、bp神经网络及多目标优化遗传算法结合对喷嘴进行多目标优化，实现喷嘴效率和精度的优化，为喷嘴的结构设计提供更加科学和可靠的支持。支持。支持。

【技术实现步骤摘要】
一种用于旋转射流喷嘴结构设计的多目标优化方法


[0001]本专利技术属于喷嘴结构设计
，具体涉及一种用于旋转射流喷嘴结构设计的多目标优化方法。

技术介绍

[0002]喷嘴作为一种常用的工业设备，在不同的应用领域都有着广泛的应用，随着科技的不断发展，喷嘴的设计与制造也在不断的改进和升级。目前，随着微型化和微纳制造技术的发展，由于工作场景愈来愈趋向于高精密，喷嘴的尺寸也越来越小，旋转射流喷嘴对于内部流场和压力的要求要比普通喷嘴更高，如果结构参数控制不当很容易使得水流有雾化的趋势，这也就使得喷嘴的各个设计参数需要更准确才能保证喷嘴的性能。
[0003]目前对于喷嘴的结构优化设计多采用基于模型优化、响应面优化方法、遗传算法优化以及神经网络优化。
[0004]基于模型进行优化就是使用模拟仿真的软件对喷嘴的模型进行模拟仿真，模拟喷嘴的流动过程、压力分布等，最后根据模拟的结果来优化喷嘴结构，这种方法需要大量的计算和时间并且最终的结构受模型精度的影响较大；
[0005]基于响应面模型的优化方法能够保证选取样本的平整性，但是它不能保证所有的样本都经过响应面，因此也存在着不小的误差，并且需要做的试验次数太多；
[0006]遗传算法进行优化是目前比较火热的优化方法，它适用于复杂的多目标、非线性、离散优化问题，并且它是一种全局优化算法，能够获得接近最优解的优化结果，但是遗传算法需要根据情况确定合适的种群大小、交叉率、变异率等参数，如果选择不当会导致优化结果的不理想；
[0007]BP神经网络是一种适用于复杂非线性、高维、多目标优化问题的有效方法，但是它的优化结果需要进行综合考虑和验证。
[0008]总的来说，目前常用的优化方法都存在各自的优缺点，会影响到喷嘴的优化结果，随着喷嘴趋于微型化以及对其性能要求的提高，这种影响被逐渐放大，目前人们也在寻求着更加有效、精准的优化方法来提升喷嘴的性能。

技术实现思路

[0009]针对现有技术中存在的上述问题，本专利技术的目的在于提供一种组合式旋转射流喷嘴结构设计的多目标优化方法，能够有效地提高优化效果。
[0010]本专利技术提供如下技术方案：
[0011]一种用于旋转射流喷嘴结构设计的多目标优化方法，包括以下步骤：
[0012]S1、进行均匀实验设计，获取样本空间与各因素影响显著性；
[0013]S2、进行bp神经网络预测，得到各个因素与目标值之间的映射关系并转换成函数；
[0014]S3、采用多目标优化遗传算法对旋转射流喷嘴进行寻优操作，得到非支配解集；
[0015]S4、根据均匀实验得出的各因素对目标值的影响显著性进行最优解选取，并且对
比前后喷嘴的内部流场得到性能提升结果。
[0016]进一步的，所述步骤S1的具体过程如下：
[0017]S1.1、进行均匀实验设计，设置均匀实验中的决策变量，并确定每个决策变量的水平数；
[0018]S1.2、选择均匀表及对应的使用表；
[0019]S1.3、进行表头设计；
[0020]S1.4、根据使用表及对旋转射流喷嘴的模拟计算，求解出目标值的结果，得到多目标优化的样本空间，作为bp神经网络预测的输入样本；
[0021]S1.5、对步骤S1.4中的结果进行回归分析，根据分析对决策变量的影响显著性进行排列，用来对最后的遗传算法优化所得的Pareto解集进行最优解选取。
[0022]进一步的，所述步骤S2的具体过程如下：
[0023]S2.1、对步骤S1.4中的样本空间数据进行归一化处理，即对决策变量与目标值进行归一化处理；
[0024]S2.2、确定隐含层的节点数；
[0025]S2.3、将处理后的样本随机划分为训练集及测试集、对bp神经网络的参数进行设置；
[0026]S2.3、训练神经网络，计算误差，比较实际误差与目标误差goal的大小，如果err>goal则继续进行训练，直到err<＝goal或者训练次数t大于设置的最大训练次数；
[0027]S2.4、进行模型的合理性测试，将预测的映射关系转换成对应的函数关系式输入下一步骤中作为适应度函数。
[0028]进一步的，所述步骤S3的具体过程如下：
[0029]S3.1、对遗传算法所需要的各参数进行设置；
[0030]S3.2、随机生成初始种群P
t
，并且把步骤S2.4中得出的映射关系函数作为此处的适应度函数；
[0031]S3.3、采用轮盘赌选择方法，经过选择、交叉、变异后生成第一子代群体Q
t
；
[0032]S3.4、将初始种群P
t
与第一子代群体Q
t
合并为组合群体R
t
，针对组合群体R
t
进行非支配排序；此时，组合群体中的个体有各自的等级，按照等级由高到低选择N个个体组成新的父代种群P
t+1
；
[0033]S3.5、采用轮盘赌选择方法并加入拥挤度比较算子，对拥挤度进行计算，然后进行选择、交叉、变异得到新的子代种群Q
t+1
，
[0034]S3.6、判断此时是否达到了迭代的次数要求，若没有达到，则将t值加一并继续将初始种群P
t
与第一子代群体Q
t
合并为组合群体R
t
，重复操作直到达到迭代次数；
[0035]S3.7、跳出循环后，得到该层的非支配解集Q
t+1
，即Pareto解集。通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
[0036]1)本专利技术通过将均匀实验设计、bp神经网络及多目标优化遗传算法结合对喷嘴进行多目标优化，实现喷嘴效率和精度的优化，为喷嘴的结构设计提供更加科学和可靠的支持；
[0037]2)本专利技术中，使用均匀实验设计来选取样本，使得每个因素在各个水平上都被充分考虑到，从而使得样本具有很好的代表性；并且均匀实验设计样本的选取方式可以使得
每个因素在各个水平上的出现次数相同，使得样本更加全面；最后对样本空间求解的结果一方面作为bp神经网络的学习样本，另一方面，得出的各因素主次关系可以用来对多目标优化遗传算法的Pareto解集进行最优解选取；
[0038]3)本专利技术中，在进行多目标遗传算法优化之前使用bp神经网络对决策变量和目标函数之间的映射关系进行预测，bp神经网络可以很好地逼近决策变量与目标函数之间的近似模型，得到拟合关系后再使用多目标优化遗传算法进行优化，能够很好地保证优化的准确性、提高优化效率，同时bp神经网络也能够对均匀实验所选取的样本进行缺失补全，起到了对样本的质量优化；
[0039]4)本专利技术中，进行均匀实验设计并且求解出样本空间，为交叉概率以及变异概率的选取提供了可靠的依据，很大程度上改善了遗传算法的优化效果。
附图说明
[0040本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于旋转射流喷嘴结构设计的多目标优化方法，其特征在于包括以下步骤：S1、进行均匀实验设计，获取样本空间与各因素影响显著性；S2、进行bp神经网络预测，得到各个因素与目标值之间的映射关系并转换成函数；S3、采用多目标优化遗传算法对旋转射流喷嘴进行寻优操作，得到非支配解集；S4、根据均匀实验得出的各因素对目标值的影响显著性进行最优解选取，并且对比前后喷嘴的内部流场得到性能提升结果。2.根据权利要求1所述的一种用于旋转射流喷嘴结构设计的多目标优化方法，其特征在于所述步骤S1的具体过程如下：S1.1、进行均匀实验设计，设置均匀实验中的决策变量，并确定每个决策变量的水平数；S1.2、选择均匀表及对应的使用表；S1.3、进行表头设计；S1.4、根据使用表及对旋转射流喷嘴的模拟计算，求解出目标值的结果，得到多目标优化的样本空间，作为bp神经网络预测的输入样本；S1.5、对步骤S1.4中的结果进行回归分析，根据分析对决策变量的影响显著性进行排列，用来对最后的遗传算法优化所得的Pareto解集进行最优解选取。3.根据权利要求2所述的一种用于旋转射流喷嘴结构设计的多目标优化方法，其特征在于所述步骤S2的具体过程如下：S2.1、对步骤S1.4中的样本空间数据进行归一化处理，即对决策变量与目标值进行归一化处理；S2.2、确定隐含层的节点数；S2.3、将处理后的样本随机划分为训练集及测试集、对bp神经网络的参数进行设置；S2.3、训练神经网络，计算误差，比较实际误差与目标误差goal的大小，如果err>goal则继续进行训练，直到err&...

【专利技术属性】
技术研发人员：董健，陈梦奇，陆泗光，张王明，潘新科，胡建良，张子豪，巩梦颖，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：