-
公开(公告)号：CN119337736A
公开(公告)日：2025-01-21
申请号：CN202411633340.8
申请日：2024-11-15
Applicant: 华中科技大学 , 湖北航天技术研究院总体设计所
IPC: G06F30/27 , G06F30/28 , G06F30/15 , G06N3/0464 , G06N3/08 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于卷积神经网络的火箭跨声速飞行壁面压力脉动快速预测方法，属于火箭跨声速数值模拟计算领域，该方法构建了基于卷积神经网络的火箭跨声速飞行壁面压力脉动预测模型，实现了通过火箭定常数值仿真数据预测相同工况下非定常壁面压力脉动的功能。该预测模型的构建过程包括：对火箭外流场各结构化网格点进行定常数值模拟并导出数值稳定的定常流场数据；对各壁面网格点进行非定常模拟并导出数值稳定后的每一时间步的壁面压力数据；对数据进行处理获得训练数据集；根据训练数据集对神经网络模型进行训练。本发明提供的方法能够快速、准确地预测火箭跨声速飞行时的壁面压力脉动功率‑密度谱。
-
公开(公告)号：CN118980423A
公开(公告)日：2024-11-19
申请号：CN202411385058.2
申请日：2024-09-30
IPC: G01H17/00
Abstract: 本发明属于声源识别技术领域，具体涉及一种叶轮机械旋转叶片偶极子声源识别方法，包括：对叶轮机械旋转叶片壁面划分网格节点，获取旋转叶片壁面上各网格节点的压力脉动时域信息；采用基于Farassat的频域声压和声振速公式，依次对旋转叶片壁面上每个节点的压力脉动时域信息进行时间积分，计算获取该节点辐射声波在预设观察面上各观察点处的频域声压和声振速；基于每个节点在在观察面上各观察点处的频域声压和声振速，计算得到该节点的频域有功声强，对各观察点上的频域有功声强在预设观察面上进行积分，获取壁面该节点的频域声功率，作为该节点声源声辐射能力，完成叶轮机械旋转叶片偶极子声源识别方法。本发明能提高偶极子声源识别精度。
-
公开(公告)号：CN114722732A
公开(公告)日：2022-07-08
申请号：CN202210648286.9
申请日：2022-06-09
Applicant: 华中科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F111/10 , G06F119/08
Abstract: 本发明提供了基于点云网络的高超声速飞行器燃料箱温度场预测方法，包括如下步骤：S1：获取超声速飞行器燃料箱形状特征、材料构成及工况变量；S2：根据燃料箱传热分层情况，进行网格划分，并设置边界条件；建立燃料箱三维传热的数值模拟模型并进行验证；S3：选取数值模拟模型的中间位置纵向截面上温度场点云数据，建立燃料箱温度场的点云样本数据集；S4：基于点云样本数据集，划分训练数据集和测试数据集；S5：建立点云网络模型，利用训练数据集和测试数据集对点云网络模型进行训练验证，获取基于点云网络的温度场预测模型；S6：利用温度场预测模型进行温度场进行预测。
-
公开(公告)号：CN119227534A
公开(公告)日：2024-12-31
申请号：CN202411335264.2
申请日：2024-09-24
IPC: G06F30/27 , G06F113/08
Abstract: 本发明公开了一种叶轮机械全流道流场预测模型的构建方法、预测方法及设备，属于叶轮机械技术领域；本发明将叶轮机械的流体域分解为不同类型的物理域，并分别将不同类型的物理域投影到对应的规则计算域中，并设置对应的代理模型进行训练，得到不同类型物理域的代理模型，进而构成叶轮机械全流道流场预测模型；本发明考虑到叶轮机械不同类型物理域之间的差异，分别对不同类型的物理域训练对应的代理模型，并在预测过程中利用各区域界面物理量的连续性条件，采用迭代计算实现全流道流场的预测，能够高效准确地对叶轮机械的全流道流场进行预测。
-
公开(公告)号：CN118637054A
公开(公告)日：2024-09-13
申请号：CN202410747900.6
申请日：2024-06-11
Applicant: 华中科技大学
Abstract: 本发明属于水下推进器技术领域，公开了一种定子叶片尾缘设计为泡沫金属材料的泵喷推进器降噪方法，包括：泡沫金属材料和泵喷推进器模型；泵喷推进器模型包括定子叶片、转子叶片、导管和轮毂四部分，利用其对比分析敷设泡沫金属前后的水动力、压力脉动和噪声频谱等核心数据；泡沫金属设置于定子尾缘，当流体通过泡沫金属时，泡沫金属的孔隙结构对流体产生了显著的阻尼效果及其它物理作用，使得流场结构发生显著变化，原本强烈的湍流被有效削弱，进而使得从尾缘脱落的湍流旋涡与后部转子叶片之间的强烈干涉被显著减弱，实现了从源头上降低后部转子叶片上的压力脉动的效果，并因此实现辐射噪声的降低。
-
Patent Agency Ranking
公开(公告)号：CN114722732B
公开(公告)日：2022-09-02
申请号：CN202210648286.9
申请日：2022-06-09
Applicant: 华中科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F111/10 , G06F119/08
Abstract: 本发明提供了基于点云网络的高超声速飞行器燃料箱温度场预测方法，包括如下步骤：S1：获取超声速飞行器燃料箱形状特征、材料构成及工况变量；S2：根据燃料箱传热分层情况，进行网格划分，并设置边界条件；建立燃料箱三维传热的数值模拟模型并进行验证；S3：选取数值模拟模型的中间位置纵向截面上温度场点云数据，建立燃料箱温度场的点云样本数据集；S4：基于点云样本数据集，划分训练数据集和测试数据集；S5：建立点云网络模型，利用训练数据集和测试数据集对点云网络模型进行训练验证，获取基于点云网络的温度场预测模型；S6：利用温度场预测模型进行温度场进行预测。
-
公开(公告)号：CN117371255B
公开(公告)日：2024-02-20
申请号：CN202311662744.5
申请日：2023-12-06
Applicant: 华中科技大学 , 武汉理工大学 , 中国航发沈阳发动机研究所
IPC: G06F30/20 , G06F119/10
Abstract: 本发明公开了一种旋转声源辐射噪声预测模型的构建方法及应用，属于旋转设备安全检测技术领域，包括：S1、对旋转声源辐射噪声进行采样，得到初始噪声采样点，并计算对应的真实噪声值；基于初始噪声采样点及其对应的真实噪声值，建立Kriging插值模型；S2、计算当前Kriging插值模型的预测误差，判断预测误差是否小于或等于预设误差，若是，则转至步骤S4；否则，转至步骤S3；S3、基于加点准则对当前Kriging插值模型进行优化，并转至步骤S2进行迭代；S4、将当前Kriging插值模型作为旋转声源辐射噪声预测模型。本发明仅需要小部分噪声采样点即可进行预测，且在模型构建过程中不断对模型进行优化，能够以较低的计算量准确地对旋转声源辐射噪声可进行预测。
-
公开(公告)号：CN116292392A
公开(公告)日：2023-06-23
申请号：CN202310298380.0
申请日：2023-03-24
Applicant: 华中科技大学
Abstract: 本发明属于流体机械与噪声控制相关技术领域，并公开了一种静音轻薄离心散热风扇。所述叶轮设置在所述蜗壳中，该叶轮包括轮毂、长叶片和短叶片，所述长叶片均匀分布在所述轮毂的圆周上，所述长叶片和短叶片间隔设置，所述长叶片和短叶片通过环形的加强筋固定，所述短叶片将所述长叶片之间的通道划分为多个通道。通过本发明，解决小型离心风机的流动分离问题、内泄漏问题以及气流通量的问题，短叶片将长叶片之间的通道变成多个通道，改善长叶片吸力面和压力面的压差，有效减少叶轮出口的流动分离；采用长短叶片的设计减少进口处的叶栅稠度，进而减少进口处叶片的阻塞作用，有效增加流量，提高叶轮的通流能力，增大风量，提升散热系统的换热能力。
-
公开(公告)号：CN114722690B
公开(公告)日：2022-09-02
申请号：CN202210643830.0
申请日：2022-06-09
Applicant: 华中科技大学
Abstract: 本发明提供了基于变可信度神经网络的声学超表面声场快速预测方法，该预测方法包括如下步骤：获取待预测声学超表面的几何特征、设计变量及其变化范围，以及待预测声场信息；根据待预测声学超表面的设计变量，建立声学超表面的第一精度有限元模型和第二精度有限元模型；采用拉丁超立方采样法，第一精度样本点以及第二精度样本点；通过有限元模型批量化仿真，获取各个第一精度样本点及第二精度样本点的声场分布数据，并对数据进行预处理，利用第二精度样本点声场分布数据对第一精度样本点声场分布数据进行扩充，获取训练数据集；构建变可信度神经网络模型，并根据训练数据集对变可信度神经网络模型进行训练。
-
公开(公告)号：CN119272655A
公开(公告)日：2025-01-07
申请号：CN202411342351.0
申请日：2024-09-25
IPC: G06F30/28 , G06F30/27 , G06F30/15 , G06T17/20 , G06N3/0455 , G06N3/084 , G06F119/14 , G06F119/12 , G06F111/10
Abstract: 本发明公开了一种基于深度学习的湍流边界层壁面压力脉动预测方法，属于噪声预测领域，该方法基于壁面网格点的非定常和定常流动模拟数据来训练神经网络以获取湍流边界层壁面压力脉动预测模型，实现一次模拟计算获得大批量样本，能够明显的降低样本获取的成本、节约了大量的时间、从而保障了深度学习模型的预测精度和时效性；通过深度学习方法建立的湍流边界层参数和壁面压力脉动频谱之间的非线性关系，不需要明确的数学公式，同时降低了对数学要求的难度；与传统预测方法相比，本发明提供的方法适用性更强、应用领域更广、泛化能力更强；此外，经仿真验证，本发明提出方法具有结果准确、误差小、计算高效等优点。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.033 seconds)
