分会场

高效清洁燃烧

摘要

传统的计算流体力学模拟与遗传算法耦合（CFD-GA）已被广泛应用于优化发动机性能。然而，当前研究大多未考虑发动机循环变动的影响，主要由于其昂贵的计算成本。因此，机器学习与遗传算法耦合（ML-GA）在发动机性能优化中引起了众多研究学者的兴趣。然而，由于CFD计算的高成本，导致可用于机器学习模型训练的数据集通常相对较小。这使得机器学习模型容易出现过拟合现象，从而降低了预测精度。为应对小样本数据集的挑战，本研究提出了一种方法，将分类模型与基于先验知识的特征构造相结合，以提升现有模型的预测精度。此外，研究还融合了自动机器学习模型（AutoML）—Autogluon，从而实现更智能化的模型构建过程。通过将AutoML模型与多目标遗传算法相耦合（AutoML-GA），本研究针对一款采用甲醇蒸汽重整技术的在线制氢压燃发动机进行了多目标优化研究。研究结果表明，与传统的CFD-GA方法相比，AutoML-GA能够获得更多且更优的Pareto解集，同时还成功降低了约67%的计算成本。此外，本研究还将拉丁超立方方法与AutoML模型结合，模拟发动机500次循环的循环变动，并将其作为新约束进行优化。研究结果表明，基于AutoML模型的预测结果与CFD验证结果吻合较好，并且获得了考虑循环变动影响的最优解。值得注意的是，对于150万次计算，AutoML仅用时0.8小时，比传统CFD方法降低99%。

关键词

自动机器学习；遗传算法；发动机循环变动

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录