热能动力工程

作者：赵凯程，李 春，缪维跑，岳敏楠

单位：上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,

关键词：尾流;特征提取;深度学习;分形盒维数

基金：国家自然科学基金资助项目（51976131，52006148）

针对传统流场分析方法难以提取非线性与高维度数据特征的问题，结合自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise， CEEMDAN)与分形盒维数对速度、压力和涡量等时程数据进行分解、筛选及重构，并结合深度学习建立尾流特征识别模型，以实现翼型特征和流动攻角的反向预测。结果表明：当训练集和测试集数据来自同一翼型时，所提模型对流动攻角的识别率最高可达98.8%，当数据来自不同翼型时，准确率仍可达95.6%，验证了所提模型的准确性、可行性及泛化性。

来源：2024年第4期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2024年第4期