亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Performance prediction and design optimization of turbine blade profile with deep learning method

空气动力学 人工神经网络 转子(电动) 计算机科学 涡轮机械 刀(考古) 卷积神经网络 领域(数学) 集合(抽象数据类型) 涡轮机 性能预测 人工智能 工程类 机械工程 模拟 数学 结构工程 航空航天工程 纯数学 程序设计语言
作者
Qiuwan Du,Lili Li,Like Yang,Tianyuan Liu,Di Zhang,Tianyuan Liu
出处
期刊:Energy [Elsevier]
卷期号:254: 124351-124351 被引量:22
标识
DOI:10.1016/j.energy.2022.124351
摘要

Aerodynamic design optimization of the blade profile is a critical approach to improve performance of turbomachinery. This paper aims to achieve the performance prediction with deep learning method and realize fast design optimization of a turbine blade. Two parameterization methods based on geometric relationships (PGR) and neural network (PNN) are proposed, which can generate smooth and complete blade profiles. A dual convolutional neural network (DCNN) is constructed to predict the physical fields and aerodynamic performance. The implementations of DCNN are accomplished based on the datasets generated by the two parameterization methods respectively, which are called PGR-DCNN and PNN-DCNN model. Results show that the prediction accuracy increases and then keeps stable as train size increases. The two models can offer the detailed physical field distribution within 3 ms and accurately predict the aerodynamic performance. The prediction errors of performance parameters for 99% samples in validation set are less than 0.5% with PGR-DCNN model, which are significantly better than conventional machine learning methods. Finally, based on the accurate predictive models, the gradient-based design optimization for rotor blade profile is completed in 38 s. The efficiency of the two optimal blades reaches 89.29% and 88.92% respectively, which verifies the feasibility of our method. • Two parameterization methods based on geometric relationships and neural network are proposed. • The DCNN model is constructed to reconstruct physical fields and predict performance. • High prediction accuracy and fast calculation speed are achieved by DCNN model. • The gradient descent method is adopted to conduct the optimization of the turbine blade profile.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2分钟前
Echan发布了新的文献求助10
2分钟前
doreen完成签到 ,获得积分10
2分钟前
中央发布了新的文献求助10
2分钟前
zxq1996完成签到 ,获得积分10
3分钟前
3分钟前
Nemo发布了新的文献求助30
3分钟前
4分钟前
Malmever发布了新的文献求助10
4分钟前
科目三应助黙宇循光采纳,获得10
4分钟前
4分钟前
黙宇循光发布了新的文献求助10
4分钟前
Jj7完成签到,获得积分10
4分钟前
lena完成签到,获得积分10
5分钟前
田様应助黙宇循光采纳,获得10
5分钟前
6分钟前
爆米花应助科研通管家采纳,获得10
6分钟前
黙宇循光发布了新的文献求助10
6分钟前
6分钟前
希勤发布了新的文献求助10
6分钟前
林才发布了新的文献求助10
6分钟前
6分钟前
chenxiang完成签到,获得积分10
6分钟前
上官若男应助希勤采纳,获得10
6分钟前
JamesPei应助黙宇循光采纳,获得10
7分钟前
7分钟前
安青兰完成签到 ,获得积分10
7分钟前
黙宇循光发布了新的文献求助10
7分钟前
Simon应助勤恳的汉堡采纳,获得20
7分钟前
研友_VZG7GZ应助科研通管家采纳,获得20
10分钟前
11分钟前
留下记忆完成签到 ,获得积分10
11分钟前
斯文的难破完成签到 ,获得积分10
12分钟前
FAN完成签到,获得积分10
14分钟前
牧沛凝完成签到 ,获得积分10
14分钟前
FAN发布了新的文献求助20
15分钟前
sa完成签到 ,获得积分10
16分钟前
红茸茸羊完成签到 ,获得积分10
17分钟前
隐形的涫完成签到,获得积分10
18分钟前
cy0824完成签到,获得积分10
19分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
XAFS for Everyone (2nd Edition) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3133970
求助须知:如何正确求助?哪些是违规求助? 2784836
关于积分的说明 7768714
捐赠科研通 2440219
什么是DOI,文献DOI怎么找? 1297295
科研通“疑难数据库(出版商)”最低求助积分说明 624920
版权声明 600792