基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方法
【專利摘要】本發(fā)明公開了一種基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方法，具體涉及到：切向氣道模板構(gòu)建、神經(jīng)網(wǎng)絡(luò)訓練、切向氣道的設(shè)計及優(yōu)化。在進行氣道模板構(gòu)建時，考慮了與氣道設(shè)計布置相關(guān)的各個方面，以便達到結(jié)構(gòu)及性能要求的整體目標，針對切向氣道的特點確定出18個尺寸參數(shù)對氣道的結(jié)構(gòu)和性能進行控制。由于氣道結(jié)構(gòu)復雜，性能難以控制，導致設(shè)計困難且開發(fā)周期長的缺陷，本發(fā)明在構(gòu)建切向氣道模板和完成神經(jīng)網(wǎng)絡(luò)訓練的基礎(chǔ)上，設(shè)計同一類型的切向氣道時，不需要對氣道模型重新構(gòu)建和優(yōu)化，只需將氣道模板中的參數(shù)更換為采用遺傳及神經(jīng)網(wǎng)絡(luò)算法優(yōu)化后的氣道參數(shù)組，即可完成切向氣道的設(shè)計和優(yōu)化，有效節(jié)省了開發(fā)周期和成本。
【專利說明】
基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于內(nèi)燃機構(gòu)件設(shè)計，具體涉及一種采用計算方法對柴油機氣道模型進行 設(shè)計和優(yōu)化的方法。
【背景技術(shù)】
[0002] 內(nèi)燃機氣道的形狀直接影響到缸內(nèi)氣體流動和燃燒的優(yōu)劣，從而在很大程度上影 響著發(fā)動機的動力性、經(jīng)濟性和排放特性。進氣道因為具有復雜的空間曲面結(jié)構(gòu)，而且受氣 體流動性質(zhì)、空間結(jié)構(gòu)、鑄造加工等條件限制從對燃燒狀況產(chǎn)生影響。流量系數(shù)與渦流強度 是衡量氣道性能的兩個重要評價參數(shù)，這兩個參數(shù)呈此消彼長關(guān)系，導致氣道的流動性能 難以有效的控制，需要數(shù)值模擬或?qū)嶒灧磸瓦M行調(diào)整。所以內(nèi)燃機氣道的優(yōu)化設(shè)計一直是 內(nèi)燃機技術(shù)開發(fā)的重點與難點之一。進氣道開發(fā)設(shè)計一是依靠經(jīng)驗，加工制作后通過試驗 進行鑒定，這種方法通常依靠有經(jīng)驗的技師完成，設(shè)計周期長且效果較差。部分歐美國家依 賴經(jīng)驗和數(shù)據(jù)庫對氣道進行造型設(shè)計，即使這樣仍然缺乏科學的定量性。因此，本發(fā)明的提 出可有助于快速、定量對內(nèi)燃機進氣道進行設(shè)計開發(fā)。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是，提供一種基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方 法，可以大幅度縮短內(nèi)燃機氣道的開發(fā)周期和成本，同時可以滿足內(nèi)燃機高效清潔燃燒的 要求。
[0004] 基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計，包括三個部分：切向氣道模 板構(gòu)建、神經(jīng)網(wǎng)絡(luò)訓練、以及切向氣道的設(shè)計及優(yōu)化。
[0005] (1)切向氣道模板構(gòu)建
[0006] 通過18項參數(shù)確定切向氣道的形狀結(jié)構(gòu)，其中參數(shù)1是氣缸直徑;參數(shù)2是進氣道 出口外徑;參數(shù)3是氣缸中心和進氣道出口中心連線與進氣道入口方向的夾角；參數(shù)4是進 氣道出口與缸蓋底面的距離；參數(shù)5是氣缸中心至進氣道出口中心的距離；參數(shù)6是進氣道 長度;參數(shù)7是進氣道入口中心至氣缸中心的距離;參數(shù)8是進氣道入口寬度;參數(shù)9是進氣 道入口高度;參數(shù)10是進氣道入口中心至缸蓋底面的距離;參數(shù)11是進氣道入口圓角;參數(shù) 12是整個氣道沿分型線的拔模斜度;參數(shù)13是氣道凸臺高度;參數(shù)14是氣道凸臺直徑;參數(shù) 15是進氣道出口上方壁面與缸蓋底平面的夾角；參數(shù)16是進氣道出口下方壁面與缸蓋底平 面的夾角；參數(shù)17是氣缸中心和進氣道出口中心連線與進氣道出口中心線的水平夾角；參 數(shù)18是進氣道出口上方壁面的垂直段高度。以所述18個氣道參數(shù)為基礎(chǔ)數(shù)據(jù)，對切向氣道 進行參數(shù)化建模，通過改變18個參數(shù)的具體數(shù)值即可獲得不同尺寸的切向氣道三維模型。
[0007] 參數(shù)1至參數(shù)14主要用于控制氣道的空間結(jié)構(gòu)，參數(shù)15至參數(shù)18用于控制氣道的 性能。
[0008] (2)神經(jīng)網(wǎng)絡(luò)訓練
[0009] 將參數(shù)15進氣道出口上方壁面與缸蓋底平面的夾角、參數(shù)16進氣道出口下方壁面 與缸蓋底平面的夾角、參數(shù)17氣缸中心和進氣道出口中心連線與進氣道出口中心線的水平 夾角、以及參數(shù)18進氣道出口上方壁面的垂直段高度，進行無量綱化。將這四個參數(shù)運用正 交試驗的方法選取至少41個參數(shù)組，其中：4因素5水平正交實驗表共25個參數(shù)組;4因素4水 平正交實驗表共16個參數(shù)組。將41個參數(shù)組的數(shù)值輸入到氣道模板中分別生成41個對應(yīng)的 氣道三維模型。
[0010] 計算每個參數(shù)組對應(yīng)氣道三維模型最大氣門升程的流量系數(shù)Cf及渦流強度NR。從 上述41個數(shù)據(jù)中隨機選取36組數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練完成后，再以其余5組數(shù)據(jù)作 為驗證數(shù)據(jù)，驗證神經(jīng)網(wǎng)絡(luò)的預(yù)測模型準確性。其中流量系數(shù)Cf，神經(jīng)網(wǎng)絡(luò)預(yù)測值與模擬值 的偏差應(yīng)小于1%;渦流強度NR神經(jīng)網(wǎng)絡(luò)預(yù)測值與模擬值的偏差應(yīng)小于2%。若不滿足要求， 則重新對神經(jīng)網(wǎng)絡(luò)進行訓練，直至滿足要求為止。由此建立以四個性能參數(shù)為輸入變量、以 流量系數(shù)Cf及渦流強度NR為輸出變量的三層人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型。
[0011] (3)切向氣道的設(shè)計及優(yōu)化
[0012]根據(jù)對流量系數(shù)Cf及渦流強度NR的要求，將四個性能參數(shù)從神經(jīng)網(wǎng)絡(luò)訓練中的36 組數(shù)據(jù)中選出渦流強度變化差異最大的兩組，輸入到氣道模板中形成新的兩個切向氣道。 然后在最大氣門升程狀態(tài)，分別對兩個氣道進行穩(wěn)流狀態(tài)數(shù)值模擬計算，將計算結(jié)果與神 經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比。然后利用線性插值的方法對設(shè)計目標進行修正，根據(jù)修正后的 目標采用遺傳算法耦合神經(jīng)網(wǎng)絡(luò)對氣道參數(shù)進行優(yōu)化，最終得到一組最優(yōu)的氣道參數(shù)，將 該組參數(shù)對氣道模板中的參數(shù)進行替換，獲得最終氣道三維模型。在采用遺傳算法優(yōu)化參 數(shù)過程中，性能系數(shù)Cp將作為目標函數(shù)對氣道參數(shù)進行篩選。
[0013]目標函數(shù)如式1所示，式1是對流量系數(shù)和渦流強度的一個綜合加權(quán)的結(jié)果。
[0015] 其中：B為缸徑;D為氣門內(nèi)座圈直徑;n為打開的氣門數(shù);L為氣門升程;Nr為禍流強 度，&為流量系數(shù)，Nr和C f兩個評價指標均由進氣道性能參數(shù)決定。
[0016] 本發(fā)明的特點及產(chǎn)生的有益效果是，與傳統(tǒng)的設(shè)計方法相比，本發(fā)明的特點是在 構(gòu)建切向氣道模板和完成神經(jīng)網(wǎng)絡(luò)訓練的基礎(chǔ)上，設(shè)計同一類型的切向氣道時，不需要對 氣道模型進行重新構(gòu)建和優(yōu)化，只需將氣道模板中的參數(shù)更換為采用遺傳算法耦合神經(jīng)網(wǎng) 絡(luò)優(yōu)化后的氣道參數(shù)組即可完成切向氣道的設(shè)計和優(yōu)化，有效節(jié)省了開發(fā)周期和成本。
【附圖說明】
[0017]圖1是氣道端面方向所對應(yīng)的參數(shù)。
[0018] 圖2是氣道主視方向所對應(yīng)的參數(shù)。
[0019] 圖3是用于本發(fā)明中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
[0020] 圖4是切向氣道設(shè)計方法流程。
[0021 ]圖5是遺傳算法優(yōu)化流程。
【具體實施方式】
[0022]以下結(jié)合圖1至圖4并通過具體實施例對本發(fā)明的方法過程做進一步的解釋和說 明。
[0023]基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方法，包括三個部分:切向氣 道模板構(gòu)建、神經(jīng)網(wǎng)絡(luò)訓練、以及切向氣道的設(shè)計及優(yōu)化。
[0024] (1)切向氣道模板構(gòu)建
[0025] 在進行氣道模板構(gòu)建時，必須考慮與氣道設(shè)計布置相關(guān)的各個方面，包括缸蓋設(shè) 計、在缸蓋上安裝的附屬機構(gòu)、鑄造工藝、結(jié)構(gòu)強度等各個方面，以便達到結(jié)構(gòu)及性能要求 的整體目標。此外，該模板應(yīng)滿足大部分切向氣道的通用特征。因此針對切向氣道的特點確 定出18個尺寸參數(shù)對氣道的結(jié)構(gòu)和性能進行控制(如圖1、2所示）。
[0026] 其中參數(shù)1是氣缸直徑;參數(shù)2是進氣道出口外徑;參數(shù)3是氣缸中心和進氣道出口 中心連線與進氣道入口方向的夾角；參數(shù)4是進氣道出口與缸蓋底面的距離;參數(shù)5是氣缸 中心至進氣道出口中心的距離;參數(shù)6是進氣道長度;參數(shù)7是進氣道入口中心至氣缸中心 的距離;參數(shù)8是進氣道入口寬度;參數(shù)9是進氣道入口高度;參數(shù)10是進氣道入口中心至缸 蓋底面的距離;參數(shù)11是進氣道入口圓角;參數(shù)12是整個氣道沿分型線的拔模斜度;參數(shù)13 是氣道凸臺高度;參數(shù)14是氣道凸臺直徑;參數(shù)15是進氣道出口上方壁面與缸蓋底平面的 夾角；參數(shù)16是進氣道出口下方壁面與缸蓋底平面的夾角；參數(shù)17是氣缸中心和進氣道出 口中心連線與進氣道出口中心線的水平夾角；參數(shù)18是進氣道出口上方壁面的垂直段高 度。
[0027] 參數(shù)1至參數(shù)14主要用于控制氣道的結(jié)構(gòu);參數(shù)15至參數(shù)18為性能參數(shù)，主要用于 控制氣道的性能。以任意相似結(jié)構(gòu)柴油機切向氣道的邊界條件限制（如氣道及附屬件布置 空間、鑄造工藝、結(jié)構(gòu)強度)為依據(jù)，根據(jù)上述18個氣道結(jié)構(gòu)參數(shù)利用目前的三維軟件進行 參數(shù)化建模，建模完成后可以獲取切向氣道的三維模板，該模板包含大部分柴油機切向氣 道的結(jié)構(gòu)特征。在切向氣道模板中，只需改變這18個參數(shù)的具體數(shù)值即可獲得不同尺寸的 切向氣道三維模型。
[0028] (2)神經(jīng)網(wǎng)絡(luò)訓練
[0029] 由于氣道形狀比較復雜，它其與控制參數(shù)之間不存在顯性的函數(shù)關(guān)系，即不能用 一個數(shù)學模型來精確描述尺寸參數(shù)與渦流強度及流量系數(shù)之間的對應(yīng)關(guān)系，為此采用人工 神經(jīng)網(wǎng)絡(luò)來預(yù)測不同性能參數(shù)氣道模型的流量系數(shù)及渦流強度。
[0030] 將參數(shù)15進氣道出口上方壁面與缸蓋底平面的夾角、參數(shù)16進氣道出口下方壁面 與缸蓋底平面的夾角、參數(shù)17氣缸中心和進氣道出口中心連線與進氣道出口中心線的水平 夾角、以及參數(shù)18進氣道出口上方壁面的垂直段高度，進行無量綱化處理(參數(shù)15至參數(shù)17 分別除以90°，參數(shù)18除以氣門座圈內(nèi)徑）。將這四個參數(shù)運用正交試驗的方法選取至少41 個參數(shù)組，其中：4因素5水平正交實驗表共25個參數(shù)組;4因素4水平正交實驗表共16個參數(shù) 組。將41個參數(shù)組的數(shù)值輸入到氣道模板中分別生成41個對應(yīng)的氣道三維模型。切向氣道 模板中的結(jié)構(gòu)參數(shù)1至參數(shù)14的具體數(shù)值并保持不變。
[0031] 計算每個參數(shù)組對應(yīng)氣道三維模型最大氣門升程的流量系數(shù)Cf及渦流強度Nr。從 上述41個數(shù)據(jù)中隨機選取36組數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練，（表1為訓練神經(jīng)網(wǎng)絡(luò)參數(shù)組中渦 流強度變化差異最大的2個參數(shù)組），當神經(jīng)網(wǎng)絡(luò)預(yù)測精度滿足要求時，訓練過程停止。 [0032] 訓練完成后，再以其余5組數(shù)據(jù)(37組至41組)作為驗證數(shù)據(jù)，驗證神經(jīng)網(wǎng)絡(luò)的預(yù)測 模型準確性(表2為神經(jīng)網(wǎng)絡(luò)驗證參數(shù)組的2個示例）。其中流量系數(shù)C f，神經(jīng)網(wǎng)絡(luò)預(yù)測值與 模擬值的偏差應(yīng)小于1%;渦流強度Nr神經(jīng)網(wǎng)絡(luò)預(yù)測值與模擬值的偏差應(yīng)小于2%。若不滿 足要求，則重新對神經(jīng)網(wǎng)絡(luò)進行訓練，直至滿足要求為止。由此建立以四個性能參數(shù)為輸入 變量、以流量系數(shù)Cf及渦流強度Nr為輸出變量的三層人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型。
[0033] 表1:神經(jīng)網(wǎng)絡(luò)訓練數(shù)據(jù)
[0035] 表2:神經(jīng)網(wǎng)絡(luò)預(yù)測值驗證
[0037]本實施例的三層前饋網(wǎng)絡(luò)，隱含層節(jié)點數(shù)為10,如圖4所示。
[0038] (3)切向氣道的設(shè)計及優(yōu)化
[0039] 在完成切向氣道模板構(gòu)建與神經(jīng)網(wǎng)絡(luò)訓練的基礎(chǔ)上，展開相同結(jié)構(gòu)切向氣道的設(shè) 計及優(yōu)化。參數(shù)1至參數(shù)14主要用于控制氣道的空間結(jié)構(gòu)，參數(shù)15至參數(shù)18用于控制氣道的 性能，神經(jīng)網(wǎng)絡(luò)的作用主要是對(對應(yīng)參數(shù)15至參數(shù)18)氣道性能進行預(yù)測，遺傳算法是對 氣道的參數(shù)進行尋優(yōu)，切向氣道模板的作用是利用優(yōu)化后的氣道參數(shù)對氣道三維模型進行 重構(gòu)。
[0040] 以某柴油機切向氣道為例展開該氣道的設(shè)計及優(yōu)化，具體參數(shù)見表3。
[0041 ]表3:柴油機參數(shù)表
[0043] 對于柴油機氣道通常的要求是在滿足一定渦流強度的基礎(chǔ)上流量系數(shù)越大越好， 因此設(shè)定設(shè)計目標為:最大氣門升程的渦流強度為〇. 25，流量系數(shù)取最大值。
[0044] 如圖5所示，設(shè)計目標確定后，接著是進行目標修正。根據(jù)對流量系數(shù)Cf及渦流強 度Nr的要求，將四個性能參數(shù)(參數(shù)15至參數(shù)18)從神經(jīng)網(wǎng)絡(luò)訓練中的36組數(shù)據(jù)中選出渦流 強度變化差異最大的兩組(按照渦流強度變化差異最大原則選取如表一所示兩個參數(shù)組）， 輸入到氣道模板中形成新的兩個切向氣道模板中。并對切向氣道模板中的參數(shù)1至參數(shù)14 進行替換重新生成兩個新的切向氣道三維模型，然后在最大氣門升程狀態(tài)，分別對兩個氣 道進行穩(wěn)流狀態(tài)數(shù)值模擬計算，將計算結(jié)果與神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比（如圖表4所示）。 然后利用線性插值的方法對設(shè)計目標進行修正，最終得到一組最優(yōu)的氣道參數(shù)，將該組參 數(shù)對氣道模板中的參數(shù)進行替換，獲得最終氣道三維模型。
[0045]表4:數(shù)值模擬結(jié)果與神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比
[0048] 與切向氣道模板相比，該柴油機的邊界限制條件(氣道及附屬件布置空間、鑄造工 藝、結(jié)構(gòu)強度）以及缸徑、沖程、氣門座圈內(nèi)徑、升程等發(fā)生了變化，所以神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果 不可能和數(shù)值模擬結(jié)果保持一致。但由于該柴油機氣道和氣道模板幾何相似，所以神經(jīng)網(wǎng) 絡(luò)預(yù)測結(jié)果和數(shù)值模擬結(jié)果存在對應(yīng)的線性關(guān)系，因此可以對設(shè)計目標修正(將該柴油機 的設(shè)計目標轉(zhuǎn)化為氣道模板中的設(shè)計目標）。根據(jù)線性差分轉(zhuǎn)化后，其最大氣門升程的渦流 強度目標為〇. 223，流量系數(shù)取最大值。
[0049] 根據(jù)該目標，運用遺傳算法進行求解。首先隨機生成40組氣道參數(shù)數(shù)組并導入人 工神經(jīng)網(wǎng)絡(luò)進行計算，根據(jù)計算結(jié)果分配各組數(shù)據(jù)的適應(yīng)度大小，即計算結(jié)果越接近優(yōu)化 目標其適應(yīng)度越大(性能系數(shù)Cp將作為目標函數(shù)對氣道參數(shù)進行篩選），被留下作為下一代 數(shù)據(jù)母本的概率就越大。然后對該40組數(shù)組進行格雷編碼、選擇、基因交叉、基因突變，從而 得到新的40組格雷碼。然后再對其進行解碼得到40組氣道參數(shù)組，并導入人工神經(jīng)網(wǎng)絡(luò)中 進行計算。若人工神經(jīng)網(wǎng)絡(luò)計算結(jié)果滿足優(yōu)化目標則優(yōu)化過程停止，輸出相應(yīng)的氣道參數(shù)； 若計算結(jié)果不能滿足優(yōu)化目標，則重復上述過程，直至滿足目標為止。優(yōu)化后的參數(shù)組如表 5所示。
[0050] 表5:遺傳算法耦合神經(jīng)網(wǎng)絡(luò)輸出結(jié)果
[0052]如圖5所示，在采用遺傳算法優(yōu)化參數(shù)過程中，性能系數(shù)Cp將作為目標函數(shù)對氣道 參數(shù)進行篩選，目標函數(shù)如式1所示，式1是對流量系數(shù)和渦流強度的一個綜合加權(quán)的結(jié)果。 其值越大，氣道綜合性能越好。
[0054] 根據(jù)表3 :B = 105mm;D = 32 ? 5mm;n = 2 ;L = 9 ? 97mm。
[0055] 將優(yōu)化后的參數(shù)組進行量綱處理，將其數(shù)值替換到切向氣道中即可獲取滿足該柴 油機邊界條件下的性能最優(yōu)切向氣道。數(shù)值模擬驗證結(jié)果如表6所示，較好的達了渦流強度 0.25的設(shè)計目標。
[0056]表6:數(shù)值模擬驗證結(jié)果
【主權(quán)項】
1.基于遺傳及神經(jīng)網(wǎng)絡(luò)算法的內(nèi)燃機進氣道模型設(shè)計方法，其特征是進氣道模型設(shè)計 包括三個部分:切向氣道模板構(gòu)建、神經(jīng)網(wǎng)絡(luò)訓練、以及切向氣道的設(shè)計及優(yōu)化， (1) 切向氣道模板構(gòu)建 通過18項參數(shù)確定切向氣道的形狀結(jié)構(gòu)，其中：參數(shù)1是氣缸直徑;參數(shù)2是進氣道出口 外徑;參數(shù)3是氣缸中心和進氣道出口中心連線與進氣道入口方向的夾角；參數(shù)4是進氣道 出口與缸蓋底面的距離;參數(shù)5是氣缸中心至進氣道出口中心的距離;參數(shù)6是進氣道長度； 參數(shù)7是進氣道入口中心至氣缸中心的距離;參數(shù)8是進氣道入口寬度;參數(shù)9是進氣道入口 高度;參數(shù)10是進氣道入口中心至缸蓋底面的距離;參數(shù)11是進氣道入口圓角;參數(shù)12是整 個氣道沿分型線的拔模斜度;參數(shù)13是氣道凸臺高度;參數(shù)14是氣道凸臺直徑;參數(shù)15是進 氣道出口上方壁面與缸蓋底平面的夾角;參數(shù)16是進氣道出口下方壁面與缸蓋底平面的夾 角；參數(shù)17是氣缸中心和進氣道出口中心連線與進氣道出口中心線的水平夾角；參數(shù)18是 進氣道出口上方壁面的垂直段高度，以所述18個氣道參數(shù)為基礎(chǔ)數(shù)據(jù)，對切向氣道進行參 數(shù)化建模，通過改變18個參數(shù)的具體數(shù)值即可獲得不同尺寸的切向氣道三維模型； (2) 神經(jīng)網(wǎng)絡(luò)訓練 將參數(shù)15進氣道出口上方壁面與缸蓋底平面的夾角、參數(shù)16進氣道出口下方壁面與缸 蓋底平面的夾角、參數(shù)17氣缸中心和進氣道出口中心連線與進氣道出口中心線的水平夾 角、以及參數(shù)18進氣道出口上方壁面的垂直段高度，進行無量綱化，將這四個參數(shù)運用正交 試驗的方法選取至少41個參數(shù)組，其中4因素5水平正交實驗表共25個參數(shù)組;4因素4水平 正交實驗表共16個參數(shù)組，將41個參數(shù)組的數(shù)值輸入到氣道模板中分別生成41個對應(yīng)的氣 道三維模型， 計算每個參數(shù)組對應(yīng)氣道三維模型最大氣門升程的流量系數(shù)Cf及渦流強度Nr，從該41 個數(shù)據(jù)中隨機選取36組數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練完成后，再以其余5組數(shù)據(jù)作為驗證 數(shù)據(jù)，驗證神經(jīng)網(wǎng)絡(luò)的預(yù)測模型準確性，其中流量系數(shù)C f，神經(jīng)網(wǎng)絡(luò)預(yù)測值與模擬值的偏差 應(yīng)小于1% ;渦流強度Nr神經(jīng)網(wǎng)絡(luò)預(yù)測值與模擬值的偏差應(yīng)小于2%，若不滿足要求，則重新 對神經(jīng)網(wǎng)絡(luò)進行訓練，直至滿足要求為止，由此建立以四個性能參數(shù)為輸入變量、以流量系 數(shù)&及渦流強度Nr為輸出變量的三層人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型， (3) 切向氣道的設(shè)計及優(yōu)化 根據(jù)對流量系數(shù)&及渦流強度Nr的要求，將四個性能參數(shù)從神經(jīng)網(wǎng)絡(luò)訓練中的36組數(shù) 據(jù)中選出渦流強度變化差異最大的兩組，輸入到氣道模板中形成新的兩個切向氣道，然后 在最大氣門升程狀態(tài)，分別對所述兩個氣道進行穩(wěn)流狀態(tài)數(shù)值模擬計算，將計算結(jié)果與神 經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比，然后利用線性插值的方法對設(shè)計目標進行修正，根據(jù)修正后的 目標采用遺傳算法耦合神經(jīng)網(wǎng)絡(luò)對氣道參數(shù)進行優(yōu)化，最終得到一組最優(yōu)的氣道參數(shù)，將 該組參數(shù)對氣道模板中的參數(shù)進行替換，獲得最終氣道三維模型， 在采用遺傳算法優(yōu)化參數(shù)過程中，性能系數(shù)Cp將作為目標函數(shù)對氣道參數(shù)進行篩選， 目標函數(shù)如式1所示，式1是對流量系數(shù)和渦流強度的一個綜合加權(quán)的結(jié)果，其中：B為缸徑;D為氣門內(nèi)座圈直徑;η為打開的氣門數(shù);L為氣門升程;Nr為禍流強度，Cf 為流量系數(shù)，Nr和Cf兩個評價指標均由進氣道性能參數(shù)決定。
【文檔編號】G06N3/12GK105930574SQ201610239541
【公開日】2016年9月7日
【申請日】2016年4月15日
【發(fā)明人】魯?shù)? 王天友, 王利民
【申請人】天津大學