潛水排污泵廣泛應用于工業(yè)生產(chǎn)、防洪排澇等諸多鄰域,同時消耗大量能源。因此對潛水排污泵的效率提出了更高的要求。為了提高潛水排污泵的效率,為潛水排污泵的優(yōu)化設計提供有效的參考依據(jù),本文以一臺比轉(zhuǎn)速為261的離心式潛水排污泵為研究對象,主要研究內(nèi)容和結(jié)論如下:1.葉輪出口比面積對離心泵性能影響的研究葉輪出口寬度幾何參數(shù)對離心泵的性能起著關(guān)鍵性的作用,為了得到葉輪出口面積參數(shù)對葉片效率與徑向力的影響,保持蝸殼不變,修改葉輪出口外徑、葉片出口角和葉輪出口等參數(shù)改變?nèi)~片的出口面積。根據(jù)經(jīng)驗與數(shù)值模擬選取適當?shù)乃綌?shù),使用均勻設計實驗方法設計實驗樣本,通過克里金插值法建立起葉輪出口參數(shù)所影響的比面積對葉輪效率和徑向力影響的近似函數(shù)模型。將近似函數(shù)模型作為適應度函數(shù)帶入多目標遺傳算法,求出最優(yōu)參數(shù),然后用數(shù)值模擬的方法驗證并分析結(jié)果。結(jié)果表明,比面積對徑向力有著較為重要的影響,比面積的增加會使徑向力先減小后增加,在比面積達到1.2¹.4左右徑向力應是最小的,而對效率的影響是在取值范圍內(nèi)隨著比面積的增加呈現(xiàn)先增大而減小的,在1.0¹.2左右效率達到最大。包角差... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

離心泵部分參數(shù)圖

工程碩士學位論文7第2章潛水排污泵優(yōu)化實驗設計與方法本章針對潛水排污泵優(yōu)化的優(yōu)化流程作簡單介紹，主要內(nèi)容包括優(yōu)化流程、優(yōu)化方法、實驗設計方法的原理與應用和代理模型的原理與應用等內(nèi)容。2.1優(yōu)化流程優(yōu)化流程對于優(yōu)化工作起著指導性的作用。本文主要針對離心式潛水排污泵的性能進行優(yōu)化，其優(yōu)化流程如圖2.1所示：圖2.1優(yōu)化流程圖優(yōu)化步驟如下：步驟1：選取優(yōu)化目標與優(yōu)化變量，同時確定優(yōu)化變量范圍與變量的水平數(shù)。根據(jù)因素數(shù)與水平數(shù)選取均勻設計表，設計樣本庫；步驟2：對樣本庫中的樣本進行水力建模數(shù)值預測，以得到樣本的優(yōu)化目標值，用于下一步建立代理模型；步驟3：建立近似\代理數(shù)學函數(shù)模型，將其作為遺傳算法(包含多島遺傳算法與非支配排序遺傳算法)的適應度函數(shù)。通過遺傳算法迭代優(yōu)化，得出最優(yōu)優(yōu)化變量參數(shù)；步驟4：將優(yōu)化出的參數(shù)建模并數(shù)值預測，得出的目標值與代理模型進行對比。

工程碩士學位論文11前饋式人工神經(jīng)網(wǎng)絡為FrankRosenblatt發(fā)明的，是一種二元線性分類器[53]。其拓撲結(jié)構(gòu)如圖2.2所示。圖2.2感知器結(jié)構(gòu)圖輸入層有個并沒有處理信息的能力，只能負責引入外部信息神經(jīng)元節(jié)點，每個節(jié)點接受一個輸入信號，這些點又被稱為感知層；而輸入列向量則是由個輸入的信號組成了，記為列向量，有個神經(jīng)元節(jié)的輸出層同時被稱為處理層，每個節(jié)點都具有信息處理能力，構(gòu)成輸出列向量的個節(jié)點向外面輸出信息。列向量表示兩層之間相連的連接權(quán)值，單層感知器的權(quán)值矩陣則由個權(quán)向量組成。三種列向量分別表示為：(2.6)在處理層中的任一節(jié)點，其凈輸入為來自輸入層里各個節(jié)點的輸入加權(quán)和。(2.7)而輸出的由節(jié)點變換函數(shù)決定，符號函數(shù)作為變化函數(shù)被采用在離散型的算計機單層感知器中，如公式(2.8)(2.8)圖2.3為BP(BackPropagation)神經(jīng)網(wǎng)絡結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡是一種誤差逆向傳播算法訓練的多層神經(jīng)網(wǎng)絡，是目前使用最廣泛的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡包含三層：輸入層，隱藏層和輸出層。神將網(wǎng)絡前向型傳輸?shù)淖舆M程數(shù)學模型如下所示：(2.9)(2.10)式中，為節(jié)點數(shù)，公式(2.9)中為神經(jīng)元之間的權(quán)值，代表閾值，為第

【參考文獻】：
期刊論文
[1]基于均勻設計的噴丸指標響應面模型建立及應用[J]. 田碩,尚建勤.  塑性工程學報. 2019(04)
[2]機器學習和向機器學習[J]. E.Z.Naeini,K.Prindle,汪忠德.  世界地震譯叢. 2019(05)
[3]Study on TMD Control on Stability Improvement of Barge-Supported Floating Offshore Wind Turbine Based on the Multi-Island Genetic Algorithm[J]. DING Qin-wei,LI Chun,CHENG Shan-shan,HAO Wen-xing,HUANG Zhi-qian,YU Wan.  China Ocean Engineering. 2019(03)
[4]基于機器學習方法的智能機器人探究[J]. 李昊朋.  通訊世界. 2019(04)
[5]基于粒子群算法的航空離心泵復合葉輪優(yōu)化設計研究[J]. 劉顯為,李華聰,史新興,符江鋒.  推進技術(shù). 2019(08)
[6]隔舌安放角對中比轉(zhuǎn)速離心泵非定常性能的影響[J]. 萬倫,宋文武,符杰,石建偉,虞佳穎.  灌溉排水學報. 2018(09)
[7]核主泵動靜葉柵內(nèi)部瞬態(tài)流動特性研究[J]. 黎義斌,張梅,朱月龍,李正貴.  核動力工程. 2018(02)
[8]基于比面積調(diào)控的核主泵動靜葉柵數(shù)值優(yōu)化研究[J]. 黎義斌,祁炳,楊由超,李正貴.  哈爾濱工程大學學報. 2018(01)
[9]蝸殼面積變化規(guī)律對低比轉(zhuǎn)數(shù)離心泵性能的影響[J]. 高波,杜文強,楊麗,張寧,王浩宇,袁霄.  排灌機械工程學報. 2017(09)
[10]基于深度學習的離心泵空化狀態(tài)識別[J]. 曹玉良,明廷鋒,賀國,蘇永生.  西安交通大學學報. 2017(11)

碩士論文
[1]多學科設計優(yōu)化代理模型技術(shù)的研究和應用[D]. 穆雪峰.南京航空航天大學 2004



本文編號：3517926