SONG Yukuan, LEI Zhijun, LU Xin-Gen, XU Gang, ZHU Junqiang
基于BP神经网络和遗传算法,建立了波瓣混合器多目标优化的顺序近似优化框架(SAO):以波瓣波长与高度之比(η)和上升角(α)为设计参数,以混合效率、推力和总压力损失为优化目标。波瓣混合器的数值计算采用CFX商用求解器,并以SST湍流模型进行湍流封闭。波瓣混合器计算域采用四面体非结构化网格,其中具有560万个节点的网格即可获得精确的全局结果。根据波瓣混合器的响应面近似模型,应避免同时增加或减少α和η;相反,α应减小,而η应适当增加,有利于实现增加推力和减少损失的目标,而代价是混合效率略有降低。与归一化方法相比,具有更好全局优化精度的非归一化方法更适合于求解波瓣混合器的多目标优化问题,其最优解(α=8.54°,η=1.165)是本文研究的波瓣混合器优化问题的最优解。与基准波瓣混合器相比,最优解的α、β(下降角)和H(波瓣高度)分别减少0.14°、1.34°和3.97 mm,η增加0.074;其混合效率降低了4.46%,但推力增加了2.29%,总压力损失降低了0.64%。在优化的波瓣混合器的下游,流向涡的径向尺度和峰值涡度随着波瓣高度的减小而减小,从而降低了混合效率。对于优化的波瓣混合器,其混合效率低是降低总压力损失的主要因素,但几何曲率的改善也有利于降低其轮廓损失。在本研究范围内,最优波瓣混合器混合效率ε=74.14%,此时可最大化其输出推力,而不会过度增加掺混损失。