ترجمه فارسی مقاله بهینه سازی چندگانه مبتنی بر ماشین پارامترهای تزریق سیال برای بهبود عملکرد نازل

چکیده

Fluidic injection provides a promising solution to improve the performance of overexpanded single expansion ramp nozzle (SERN) during vehicle acceleration. However, determining the injection parameters for the best overall performance under multiple nozzle operating conditions is still a challenge. The gradient-based optimization method requires gradients of injection parameters at each design point, leading to high computational costs if traditional computational fluid dynamic (CFD) simulations are adopted. This paper uses a pretrained neural network model to replace CFD during optimization to quickly calculate the nozzle flow field at multiple design points. Considering the physical characteristics of the nozzle flow field, a prior-based prediction strategy is adopted to enhance the model’s transferability. In addition, the back-propagation algorithm of the neural network is adopted to quickly evaluate the gradients by calling the computation process only once, thereby greatly reducing the gradient computation time compared to the finite differential method. As a test case, the average nozzle thrust coefficient of a SERN at seven design points is optimized. An improvement in the thrust coefficient of 1.14% is achieved, and the time cost is greatly reduced compared with the traditional optimization methods, even when the time to establish the database for training is considered.

چکیده به فارسی (ترجمه ماشینی)

تزریق سیال یک راه حل امیدوارکننده برای بهبود عملکرد نازل رمپ انبساط تک بیش از حد (SERN) در طی شتاب وسیله نقلیه فراهم می کند.با این حال ، تعیین پارامترهای تزریق برای بهترین عملکرد کلی در شرایط عملکرد چند نازل هنوز یک چالش است.روش بهینه سازی مبتنی بر گرادیان به شیب پارامترهای تزریق در هر نقطه طراحی نیاز دارد و در صورت اتخاذ شبیه سازی سیال محاسباتی سنتی (CFD) ، منجر به هزینه های محاسباتی بالا می شود.در این مقاله از یک مدل شبکه عصبی پیش ساخته شده برای جایگزینی CFD در حین بهینه سازی استفاده شده است تا به سرعت میدان جریان نازل در نقاط طراحی چندگانه محاسبه شود.با توجه به ویژگی های فیزیکی میدان جریان نازل ، یک استراتژی پیش بینی مبتنی بر پیشین برای تقویت قابلیت انتقال مدل اتخاذ شده است.علاوه بر این ، الگوریتم اعلام بازگشت شبکه عصبی اتخاذ شده است تا با فراخوانی فرآیند محاسبه فقط یک بار شیب را ارزیابی کند ، در نتیجه زمان محاسبه شیب را در مقایسه با روش دیفرانسیل محدود بسیار کاهش می دهد.به عنوان یک مورد آزمایش ، میانگین ضریب رانش نازل SERN در هفت نقطه طراحی بهینه شده است.بهبود ضریب رانش 1.14 ٪ حاصل می شود و هزینه زمان در مقایسه با روش های بهینه سازی سنتی بسیار کاهش می یابد ، حتی اگر زمان ایجاد بانک اطلاعاتی برای آموزش در نظر گرفته شود.