An efficient optimization design method for centrifugal compressor blades
Notice bibliographique
Résumé
To improve the time-consuming problem of centrifugal impeller optimization design, an efficient optimization design method is proposed. A bionic evolutionary algorithm based on a multi-surrogate model is established, model management strategies and geometric properties of the sigmoid function are investigated, and the penalty mechanism of infeasible solutions is revealed, which finally increases the speed of iterations and improves the optimum solution of constraint optimization problem for centrifugal compressor blades. Combining multi-surrogate model evolutionary algorithm, surface parameterization method, and CFD for aerodynamic optimization of blade shape, the optimization results shows that the isentropic efficiency increased by 1.9%, the mass flow rate increased by 4.61%, the total pressure ratio increased by 0.81%, and the computational time was reduced by 54.9%. The sigmoid-based multi-surrogate model evolution algorithm improves the isentropic efficiency by 1.19% and the total pressure ratio by 0.63% compared with the unconstrained multi-surrogate model evolution algorithm, while the sigmoid-based multi-surrogate model evolution algorithm improves the isentropic efficiency by 1.16% and the total pressure ratio by 0.55% compared with the feasible point dominance constrained multi-surrogate model evolution algorithm, verifying the efficiency of the sigmoid-based multi-surrogate model evolution algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».