Помощь в учёбе, очень быстро...
Работаем вместе до победы

Моделирование тепломассопереноса в каналах систем охлаждения на базе нейросетевых вычислительных структур

Диссертация: Моделирование тепломассопереноса в каналах систем охлаждения на базе нейросетевых вычислительных структур
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Одним из наиболее теплонапряженных теплообменных аппаратов коллекторного типа является рубашка охлаждения камеры ЖРД. Охлаждающий тракт камеры двигателя образуется композицией внутренней и наружной сте-1 нок различной конструкции. Интенсификация теплообмена между стенкой и охладителем достигается в том числе оребрением огневой стенки. Фрезерованные каналы тракта охлаждения имеют преимущественно… Читать ещё >

Содержание

  • 1. Теплонапряженное состояние элементов конструкций камеры и форсуночной головки
    • 1. 1. Теплонапряженное состояние элементов конструкций ЖРД
    • 1. 2. Гидравлическая разверка раздающего коллектора камеры ЖРД
    • 1. 3. Постановка задач исследования
  • 2. Нейросетевая вычислительная структура
    • 2. 1. Функционирование искусственной нейронной сети
    • 2. 2. Обучение искусственной нейронной сети
    • 2. 3. Тестирование аппроксимационных возможностей ИНС
  • 3. Моделирование гидравлической неравномерности внутренних течений с использованием искусственных нейронных сетей
    • 3. 1. Численное решение уравнений на базе нейросетевых пробных решений
    • 3. 2. Численный метод решения уравнений Навье-Стокса на базе нейросетевых пробных решений
    • 3. 3. Моделирование гидравлических неравномерностей с использованием уравнений Навье-Стокса
  • 4. Моделирование рабочих процессов в камере ЖРД с использованием нейросетевого логического базиса
    • 4. 1. Нейросетевая модель потока переменной массы
    • 4. 2. Использование ИНС для расчета распределения расходов по форсункам периферийного ряда смесительной головки
    • 4. 3. Расчет параметров теплообмена с учетом гидравлической разверки коллектора рубашки охлаждения и неравномерности распределения топлива по периферийным форсункам смесительной головки
    • 4. 4. Методика расчета теплонапряженного состояния элементов конструкций камеры ЖРД
  • 5. Использование нейросетевых зависимостей для моделирования и оптимизации геометрических и режимных факторов
    • 5. 1. Нейросетевая база данных гидравлической неравномерности раздающего коллектора камеры ЖРД
    • 5. 2. Нейросетевая модель распределения компонента по периферийным форсункам
    • 5. 3. Оптимизация геометрических параметров тракта охлаждения

Моделирование тепломассопереноса в каналах систем охлаждения на базе нейросетевых вычислительных структур (реферат, курсовая, диплом, контрольная)

Актуальность проблемы. Каналы с односторонним оттоком среды через стенку используются в теплообменных аппаратах и топливных системах коллекторного типа, которые применяются в стационарном, транспортном, атомном, космическом энергетическом оборудовании. В качестве распространенных теплообменных устройств коллекторного типа можно упомянуть пароперегреватели котельных агрегатов или кожухотрубные теплообменники, теплогид-равлические характеристики которых во многом зависят от гидравлической разверки. Примерами коллекторных устройств могут служить сушильные установки с параллельными камерами, газоочистные сооружения с группами параллельно работающих фильтров, печные установки с группами нагревательных печей, вентиляционные установки, разветвленные трубопроводы. Рубашку охлаждения камеры жидкостного ракетного двигателя также можно отнести к теплообменным аппаратам, так как здесь происходит интенсивный теплообмен с продуктами сгорания. Для проектирования коллекторных теплообменных ап паратов с заданными эксплуатационными свойствами необходимо прогнозирование гидравлической неравномерности распределения среды вдоль трубной решетки, по каналам тракта охлаждения, смесительным элементам камер сгорания.

Одним из наиболее теплонапряженных теплообменных аппаратов коллекторного типа является рубашка охлаждения камеры ЖРД. Охлаждающий тракт камеры двигателя образуется композицией внутренней и наружной сте-1 нок различной конструкции. Интенсификация теплообмена между стенкой и охладителем достигается в том числе оребрением огневой стенки. Фрезерованные каналы тракта охлаждения имеют преимущественно прямоугольное сечение, причем ширина и глубина каналов, а также толщина стенки переменны по длине. Стремление конструкторов использовать охлаждающие каналы минимальной ширины (которую позволяет освоенная технология производства) объясняется естественным желанием увеличить несущую способность конструкции камеры при расчетном температурном состоянии стенок. Однако при этом возрастает вероятность технологических дефектов изготовления, таких как залай охлаждающих каналов, а для ряда горючих, например, для керосина, создаются условия для более интенсивного коксоотложения в охлаждающих каналах, следствием чего может оказаться прогар конструкции либо существенное снижение механических свойств материала стенки вследствие перегрева.

Подвод компонента топлива к рубашке охлаждения камеры ЖРД выполняется через кольцевой раздающий коллектор (боковой подвод компонента к смесительной головке выполняется аналогично). В обоих случаях жидкость распределяется по каналам тракта охлаждения или поступает в межфорсуночное пространство смесительной головки через канал с односторонним оттоком среды. Неравномерность распределения давления в предфорсуночном коллекторе во многом определяет характер распределения расходов по форсункам, особенно периферийного ряда, что приводит к ухудшению удельных параметров ЖРД и надежности внутреннего охлаждения стенок камеры. Неравномерность распределения компонента по каналам рубашки охлаждения снижает надежность наружного охлаждения стенок. Тепловая разверка оболочек камеры ЖРД приводит к нерасчетным параметрам теплонапряженного состояния и снижению несущей способности камеры. Прогнозирование уровня гидравлической неравномерности в этом случае необходимо при проектировании тракта охлаждения и для назначения необходимых расходов охладителя.

Таким образом, моделирование тепломассопереноса в коллекторных системах смесеобразования и охлаждения является актуальной задачей проектирования камер ЖРД для оптимизации теплонапряженного состояния и повышения надежности ракетного двигателя.

Диссертационная работа выполнялась в соответствии с НИР кафедры ракетных двигателей ВГТУ «Моделирование и оптимизация рабочих процессов ЖРД на базе искусственных нейронных сетей и структурно-параметрических методов нелинейного программирования» по НТП Минобразования «Научные исследования высшей школы по приоритетным направлениям науки и техники на 2003;2004 годы».

Основной целью диссертационной работы является моделирование те-пломассопереноса в системах охлаждения и смесеобразования камеры жидкостного ракетного двигателя с использованием нейросетевых вычислительных структур для прогнозирования работоспособности, ликвидации дефектов и повышения надежности ЖРД.

Исходя из поставленной цели работы, и на основе анализа состояния вопроса были определены следующие задачи аналитического и расчетно-теоретического исследования коллекторных систем охлаждения и смесеобразования ЖРД:

— моделирование гидравлической неравномерности коллекторов камеры;

— моделирование распределения топлива по форсункам смесительной головки;

— расчет теплового состояния стенок камеры с учетом тепловой и гидравлической неравномерностей распределения теплофизических параметров продуктов сгорания и охладителя;

— моделирование теплонапряженного состояния оболочек камеры и форсуночного блока;

— прогнозирование уровня гидравлической разверки кольцевого раздающего коллектора для назначения необходимых расходов охладителя, оптимизации геометрических параметров каналов тракта охлаждения, выбора гидравлических характеристик периферийных форсунок.

Методы исследований основаны на теории математического моделирования, теории искусственных нейронных сетей, численных методах в динамике жидкостей, теории теплообмена в камере ЖРД, гидродинамике и теплоперено-се ньютоновских жидкостей, теории прочности.

Научная новизна работы. С единых научных позиций сформулирована физико-математическая модель теплонапряженного состояния стенок камеры ЖРД и разработана замкнутая методика расчета температурного и напряженного состояния оболочек камеры и форсуночного блока, учитывающая гидравлическую неравномерность распределения компонента топлива в подводящем раздающем коллекторе. Впервые предложен алгоритм численного решения уравнений гидродинамики на базе нейросетевых пробных решений. Впервые 6 предложены принципы создания нейросетевых баз данных по параметрам гидравлической неравномерности раздающих коллекторов.

Достоверность результатов подтверждается применением в расчетных исследованиях фундаментальных законов гидродинамики и теплообмена, обобщением большого массива экспериментальных данных. Теоретические основы использования искусственных нейронных сетей (ИНС) для моделирования рабочих процессов в ЖРД базируются на доказанной теореме о полноте, которая утверждает, что любая непрерывная функция на замкнутом ограниченном множестве может быть равномерно приближена функциями, вычисляемыми нейронными сетями. Основные типы ИНС, используемые в работе, широко применяются для решения самых разнообразных задач. Адекватность моделей оценивалась сопоставлением с экспериментом по общепринятым правилам контроля качества обучения ИНС.

Практическая ценность работы.

1. Прогнозирование уровня гидравлической неравномерности распределения компонента по каналам рубашки охлаждения необходимо для назначения необходимых расходов охладителя.

2. Прогнозирование уровня гидравлической неравномерности распределения компонента по форсункам смесительной головки необходимо для определения тепловых потоков в стенку с учетом неравномерности распределения соотношения компонентов и расходонапряженности, определяемых работой смесительной головки.

3. Моделирование параметров теплового и теплонапряженного состояния стенок камеры ЖРД необходимо для оптимизации размеров охлаждающих каналов тракта охлаждения и гидравлических характеристик форсунок.

4. Разработанная нейросетевая модель потока переменной массы, нейросетевая база данных параметров гидравлической неравномерности раздающих коллекторов могут быть использованы для расчета параметров гидравлической разверни коллекторных теплообменных аппаратов в теплоэнергетике.

Автор защищает:

— нейросетевую модель потока переменной массы;

— нейросетевую базу данных параметров гидравлической неравномерности одномерных раздающих коллекторов с односторонним оттоком;

— методику расчета теплового и теплонапряженного состояния стенок камеры ЖРД, учитывающую взаимосвязь результатов гидравлического, теплового и прочностного расчетов.

Апробация работы. Основные положения изложенного в диссертации материала докладывались и обсуждались на: на международном семинаре «Технологические остаточные напряжения» (Подольск, 1990) — на 2 международной научно-технической конференции СИНТ’ОЗ (Воронеж, 2003) — на международном научном семинаре «Технологические проблемы прочности» (Подольск, 2003) — 4 Российской научно-технической конференции «Авиакосмические технологии АКТ-2003» (Воронеж, 2003) — региональном межвузовском семинаре «Процессы теплообмена в энергомашиностроении» (Воронеж, 2003;2004).

Публикации. По материалам диссертации автором опубликовано 9 печатных работ (5 статей, 4 публикации на конференциях).

В работах, опубликованных в соавторстве, лично соискателю принадлежат: в /83/ - методика прогнозирования теплонапряженного состояния конструкций с использованием нейросетевых аппроксимаций данных изотермических нагружений, в /84/ -аналитические зависимости напряженного состояния кругового кольца, в /85/ - методика проведения эксперимента для определения температурных напряжений, в /86/ - алгоритм оптимизации, в /88/ - методика многодисциплинарного анализа теплонапряженного состояния элементов конструкций камеры ЖРД, в /80/ - алгоритм обучения нейросетевых модулей рабочих процессов, в /134/ - нейросетевые аппроксимации механических свойств материалов, в /135/ - методика определения параметров гидравлической и тепловой неравномерности.

Структура и объем диссертации

Диссертационная работа состоит из введения, пяти глав, выводов, списка литературы, изложена на 176 страницах, включающих 37 рисунков, 8 таблиц, список использованной литературы из 151 наименования на 16 страницах и приложение.

Выход.

Рис. 5.1. Нейросетевая вычислительная структура.

Формирование статистической выборки для обучения ИНС Статистическая выборка формируется из результатов численного решения уравнения Бернулли (4.14) для раздающего канала с односторонним оттоком: dP TTJTT &bdquo-и2 dx Л + UdU +1—= 0, р 2D где Р — избыточное давлениер — плотностьх — продольная координата по образующей каналаD — эквивалентный гидравлический диаметр канала;

U — средняя по сечению скорость потока- % — коэффициент сопротивления трения.

Изменение продольной скорости на элементарной длине dx: тiD* где р — коэффициент расхода отверстий оттокаdF— площадь проходного сечения отверстий оттока на длине dx. Текущая скорость в точке с координатой х:

5.1).

О nD2.

— dx,.

5.2) где Uо — входная скорость.

Предполагается, что рассматриваемое устройство работает в гидродинамическом режиме «гладкостенного» течения. Для приведенных ниже числовых результатов коэффициент сопротивления трения на входе канала ?-0 вычисляется по формуле Блазиуса, а изменение коэффициента трения по длине учитывается формулой [4]: где — местная интенсивность оттока.

Уравнение (5.1) решается методом конечных разностей для получения распределения безразмерного давления по длине канала:

Искомая величина является функцией трех формальных параметров: — относительной координаты по образующей канала х = x/Lния всех отверстий оттока на длине L к площади проходного сечения канала- - параметра режима, где это коэффициент сопротивления трения на входе канала, а I = L/D.

5.3).

5.4).

— параметра пористости jif, где / это отношение площади поперечного сече.

План вычислительного эксперимента для jce[0-l], yf е [0,2−1,б],qI е [0,5−4] составляют векторы, полученные при помощи генератора квазиравномерных последовательностей чисел Соболя-Статникова [104]. Рабочий куб пространства R3 заполняется точками согласно LPX алгоритму в нашем случае генерировалось 512 точек).

Структура нейросетевой базы данных Для формирования отображения =(*, р/, £оО использовалась стандартная структура многослойного персептрона (MLP) с 3 входами, одним выходом и одним скрытым слоем [71]. При обучении MLP использовался алгоритм Левенберга-Маркардта. В результате сформирован персептрон с 7 нейронами в скрытом слое, параметры которого приведены в табл. 5.1. Суммарная среднеквадратическая ошибка по 512 точкам статистической выборки составила = ~DS)2 =0.01, (5.5).

2 S где 7s — значение выхода сети в j-ой точке входного множестваif — действительное значение (из вычислительного эксперимента) выхода сети в j-й точке входного множества.

Заключение

и выводы.

Анализ проблемы гидравлической неравномерности распределения компонентов топлива в коллекторных системах охлаждения и смесеобразования ЖРД показал, что гидравлическая разверка приводит к отклонению от расчетных значений величин расходов через периферийные форсунки камеры ЖРД и через охлаждающие каналы рубашки охлаждения. Это приводит к снижению надежности внутреннего и наружного охлаждения стенок камеры, тепловой раз-верке, пролизам или прогарам, снижению несущей способности конструкции.

В настоящее время не существует надежных расчетных методик для определения распределений гидродинамических параметров в раздающих коллекторах и по форсункам смесительной головки. В то же время по этой проблеме накоплен значительный экспериментальный объем данных. Поэтому в качестве инструмента достижения цели и задач исследования выбрано математическое моделирование на базе искусственных нейронных сетей, органично сочетающее в себе обучение на основе расчетно-экспериментальных данных нейросетевой базы данных физического процесса и нейросетевой вычислительный механизм прогнозирования целевой функции.

Разработано программно-алгоритмическое обеспечение построения искусственных нейронных сетей типа многослойного персептрона с использованием разных методов оптимизации: обратного распространения ошибки, сопряженных градиентов и Левенберга-Маркардта. Обучены ИНС для аппроксимации тестовых функций Милля-Кантрелла, Розенброка, Вуда, Пауэлла, Химмельблау — отмечена высокая точность аппроксимации.

Построены нейросетевые аппроксимации оптимальной структуры многопараметрических зависимостей, применяемых для расчета теплообмена в камере ЖРД — комплекса физико-термодинамических свойств продуктов сгорания в пристеночном слое S для использования приближенных формул В. М. Иевлева, комплекса теплофизических параметров К* для ряда компонентов. Полученные ИНС могут быть применены для качественного восполнения исследуемых функций и интерполяции, а также использования в компьютерных расчетных программах.

Разработан алгоритм численного решения уравнений Навье-Стокса методом взвешенных невязок на базе нейросетевых пробных решений. Незначительная модификация стандартного алгоритма обучения нейронной сети позволяет использовать произвольно заданные в рабочей области расчетные точки для восполнения непрерывного решения и получения распределения гидродинамических параметров в областях сложной геометрии.

Осуществлено математическое моделирование гидродинамики раздающих коллекторов и межфорсуночного пространства. Результаты вычислительного эксперимента свидетельствуют о сложной физической природе гидравлической неравномерности, в частности, о несимметричном растекании жидкости в кольцевом коллекторе. Распределение расхода по форсункам периферийного ряда соответствует распределению давления в предфорсуночном коллекторе. Показана важность прогнозирования гидравлической разверки раздающего коллектора, для чего обоснована необходимость перехода от уравнений Навье-Стокса к уравнению движения потока переменной массы.

Разработана нейросетевая модель потока переменной массы. По результатам численного решения уравнения потока переменной массы сформирована и обучена нейросетевая вычислительная структура, работоспособная в широком диапазоне изменения входных режимных и геометрических параметров.

Разработаны вычислительные алгоритмы расчета конвективных тепловых потоков по второй приближенной формуле В. М. Иевлева с использованием нейросетевых аппроксимаций комплекса физико-термодинамических свойств продуктов сгорания в пристеночном слое S. Параметры теплообмена на поверхности «жидкой» стенки рассчитываются с использованием нейросетевых аппроксимаций теплофизических свойств охладителя от давления и температуры. Разработаны расчетные алгоритмы расчета стенок камеры на общую несущую способность и местные прогибы по методике Феодосьева с использованием нейросетевых аппроксимаций прочностных свойств материалов.

Разработана нейросетевая база данных распределения давления по длине раздающего коллектора с односторонним оттоком. Высокая точность приближения позволяет использовать нейросетевую аппроксимационную формулу для прогнозирования гидравлической неравномерности раздающего коллектора камеры ЖРД.

Созданы ИНС для моделирования процессов гидравлической неравномерности распределения расходов по форсункам смесительной головки камеры ЖРД РД 0120 по линии окислителя. Проанализированы основные факторы влияния на параметры неравномерности. Сформулированы принципы и задачи классификации форсунок и настройки их на определенные расходы для снижения неравномерности до заданного уровня.

Разработана методика многодисциплинарного (связанного) анализа тепло-напряженного состояния элементов конструкции камеры ЖРД, в которую вошли взаимосвязанные расчетные модули: гидродинамика, термогазодинамика, теплообмен и прочность. Моделирование внутри трех последних модулей ведется по стандартным методикам расчета, модифицированных нейросетевыми аппроксимациями справочной информации для возможности компьютерной реализации итерационных алгоритмов.

Проведен многодисциплинарный анализ теплонапряженного состояния стенок камеры ЖРД РД 0120, в результате которого получено: периферийные форсунки могут быть настроены на более высокое соотношение компонентов по сравнению с штатным вариантом конструкции без снижения надежности внутреннего и внешнего охлаждения, что приведет к повышению удельного импульса тяги двигателяширина фрезерованных охлаждающих каналов может быть увеличена в среднем по длине камеры в 2 раза, что приведет к снижению гидравлических потерь в тракте и возможности повышения давления в камере.

Методика нейросетевого моделирования используется на Воронежском механическом заводе в качестве сопровождающего математического моделирования при модернизации элементов и агрегатов серийных ЖРД. Нейросетевая модель гидравлической неравномерности позволила снизить неравномерность распределения компонентов по форсункам смесительной головки ЖРД 11Д55 в рамках ОКР «Факел».

Диссертационная работа выполнялась в соответствии с НИР кафедры ракетных двигателей ВГТУ «Моделирование и оптимизация рабочих процессов ЖРД на базе искусственных нейронных сетей и структурно-параметрических методов нелинейного программирования» по НТП Минобразования «Научные исследования высшей школы по приоритетным направлениям науки и техники на 2003;2004 годы».

Показать весь текст

Список литературы

  1. И. Коммерческий потенциал китайских ракет-носителей/ Новости космонавтики, № 2. 2001. С. 57.
  2. Е.И. Использование новых информационных технологий при проектировании РКТ / XXV академические чтения по космонавтике. Сб. тезисов докладов. М.: «Война и мир», 2001. С. 238−239.
  3. В.Е., Дрегалин А. Ф., Тишин А. П. Теория ракетных двигателей/ Под ред. В. П. Глушко. М.: Машиностроение, 1989.
  4. П.И., Михайлов B.C. Гидродинамика коллекторных теплообменных аппаратов. -М.: Энергоиздат, 1982. 224 с.
  5. Ю.А., Заварзин Н. В., Кирпичев М. И., Кретинин А. В. Параметрическая идентификация гидродинамики каналов ЖРД. Учебное пособие. Воронеж, Изд-во ВГТУ. 2001
  6. Ю.А., Кретинин А. В., Манулиц Э. Г. О некоторых вопросах исследования смесительных элементов./ Межвуз. сб. науч. тр. «Теплообмен в энергетических установках и повышение эффективности их работы». Воронеж, Изд-во ВПИ. 1990.-С. 108−114.
  7. Ю.А., Кретинин А. В., Черниченко В. В. Результатыэкспериментов по оптимальному расположению двухкомпонентныхкоаксиальных соосноструйных форсунок/ 15 Российская школа по161проблемам проектирования неоднородных конструкций, Миасс. 1996. С. 55.
  8. Ю.А., Кретинин А. В., Черниченко В. В. Оптимизация распределения компонента топлива по форсункам смесительной головки/ 4 Украинско-Российско-Китайский симпозиум по космической науке и технике. Киев, 1996. С. 132−137
  9. Ю.А., Кретинин А. В. Влияние стохастичности распределения компонента по форсункам головки ЖРД на организацию рабочего процесса. ВИНИТИ. 31.03.94 № 782-В94
  10. Ю.А., Кретинин А. В. Исследование гидродинамики предфорсуночного коллектора ЖРД/ Межвуз. сб. науч. тр. «Теплоэнергетика». Воронеж, Изд-во ВГТУ. 1995. С. 114−120.
  11. Ю.А., Кретинин А. В. Особенности распределения расхода по форсункам периферийных рядов смесительной головки ЖРД/ Гагаринские чтения. М.: Изд-во МГАТУ, 1995. С. 41
  12. Ю.А., Кретинин А. В., Мыслицкий А. С. Повышение эффективности смесеобразования при оптимальной организации процесса течения в коллекторе./ Всероссийская конференция «Процессы горения и охрана окружающей среды. Рыбинск, 1994. С. 124−128.
  13. Ю.А., Валюхов С. Г., Кретинин А. В. Математическая модель потенциального течения в круговой области с боковым подводом и дискретно расположенными стоками/ Межвуз. сб. науч. тр. «Теплоэнергетика». Воронеж, Изд-во ВГТУ. 1993. С. 108−113.
  14. Ю.А., Валюхов С. Г., Кретинин А. В., Глушаков А. Н. Применение теории аналитических функций и методов нелинейного программирования при моделировании течения в смесителе/ Воронежская зимняя математическая школа. Воронеж, Изд-во ВГУ. 1995. С. 52
  15. Ю.А., Кирпичев М. И., Кретинин А. В., Туртушов В. А. Исследование гидравлической неравномерности в газогенераторе при наличии продувки на запуске. Отчет о НИР № 7/96. Воронеж, ВГТУ, 1997.
  16. Ю.А., Кирпичев М. И., Кретинин А. В. Инженерная методика расчета гидравлической неравномерности форсуночной головки ЖРД. Отчет о НИР № 3/00. Воронеж, ВГТУ, 2001.
  17. Ю.А., Валюхов С.Г, Кретинин А. В. Mathematical simulation of fuel flow in injector of LRE/ 3 Китайско-Российско-Украинский симпозиум по космической науке и технике. Сиань, 1994. С. 234−237
  18. Ю.А., Валюхов С. Г., Кретинин А.В. Numerical computation of flow field in rocket engine main injector/ 2 международный аэрокосмический конгресс. M., 1994. С. 222.
  19. Ю.А., Козелков В. П., Кретинин А. В., Мыслицкий А. С. Численное решение задачи неравномерности распределения компонента по форсункам головки ЖРД/ Межвуз. сб. науч. тр. «Теплоэнергетика». Воронеж, Изд-во ВГТУ. 1995. С. 95−102.
  20. Ю.А., Кирпичев М. И., Кретинин А. В. Численное моделирование гидродинамических параметров предфорсуночного коллектора ЖРД. Тезисы докладов 4 Международной электронной научной конференции, ВГТУ.-Воронеж, 1999. С. 132
  21. Ю.А., Козелков В. П., Кретинин А. В., Черниченко В. В. Влияние конструкции смесительных элементов на эффективность смесеобразования/ Межвуз. сб. науч. тр. «Теплоэнергетика». Воронеж, Изд-во ВГТУ. 1999. С. 219
  22. И.А., Исаев С. А., Коробков В. А. Задачи и методы расчета отрывных течений несжимаемой жидкости. Л.: Судостроение, 1989.
  23. И.А. Модели турбулентности. JL: Судостроение, 1982.
  24. Ю.А., Кирпичев М. И., Кретинин А. В., Феропонтов М. П. Идентификация параметров распределения компонента по смесительнымэлементам газогенератора ТНА. Труды 1 международной конференции «СИНТ'01». Воронеж, 2001. С. 24−29.
  25. Ю.А., Кретинин А. В. Оптимизация режимов эксплуатации и критериев качества агрегатов ЖРД/ Межвуз. сб. науч. тр. «Теплоэнергетика». Воронеж, Изд-во ВГТУ. 1997. — С. 5
  26. Ю.А., Кирпичев М. И., Кретинин А. В. Применение метода особенностей для расчета распределения расхода по стокам внутри круга. М.: ВИНИТИ, 1999. С. 11. № И99-В99
  27. Ю.П. Вычислительная математика и программирование. — М.: Высш. шк., 1990.
  28. Ю.А., Валюхов С. Г., Кретинин А. В. Использование нейросетевых поверхностей отклика для оптимизации рабочих процессов в ЖРД/ Системы управления и информационные технологии, 2004. № 2. С. 58−62.
  29. Ю.А. Моделирование с использованием искусственных нейронных сетей// Ю. А. Булыгин, С. Г. Валюхов, А. В. Кретинин,
  30. М.П.Феропонтов// Труды 2 международной конференции «СИНТ'ОЗ». Воронеж, 2003. С. 199−206
  31. Ю.А., Кретинин А. В., Шостак А. В. Нейросетевая аппроксимация гидродинамики смесительной головки ЖРД// Системные проблемы качества, математического моделирования.- М.: Радио и связь, 2003. С. 138−139
  32. И.И., Нестеров В. М., Самойлов Л. П. Перспективы развития транспортных систем// Системный анализ в технике: Тем. сб. науч. тр./ МАИ. М.: Изд-во МАИ, 1992. С. 57−69.
  33. Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности/ Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев. -X.: ОСНОВА, 1997. 112 с.
  34. С.Г., Булыгин Ю. А., Кретинин А. В., Гуртовой А. А. Моделирование рабочих процессов ЖРД с использованием искусственных нейронных сетей// Проблемы и перспективы развития двигателестроения.-Самара, СГАУ. С. 115−116
  35. С.Г., Булыгин Ю. А., Кретинин А. В. Моделирование гидродинамики кольцевого коллектора форсуночной головки// Проблемы и перспективы развития двигателестроения.- Самара, СГАУ. С. 117−118
  36. С.Г., Булыгин Ю. А., Кретинин А. В., Феропонтов М. П. Моделирование гидродинамики в каналах сложной формы на основе искусственных нейронных сетей// Проблемы и перспективы развития двигателестроения.- Самара, СГАУ. С. 119−120
  37. С.Г., Булыгин Ю. А., Кретинин А. В. Использование искусственных нейронных сетей для анализа работоспособноститеплонапряженных конструкций ЖРД/ Динамика научных исследований. Технические науки. Днепропетровск, 2004. С. 3−6
  38. С.Г., Булыгин Ю. А., Кретинин А. В. Феропонтов М.П. Применение нейросетевого моделирования для краевых задач/ Динамика научных исследований. Дифференциальные и интегральные уравнения. Днепропетровск, 2004. С. 42−45
  39. А.В., Ефремов Ю. А., Коржов Е. Н. Математическое моделирование смесеобразования в ЖРД / Компьютерные технологии автоматизированного проектирования систем машиностроения и аэрокосмической техники. Сб. науч. тр. Воронеж, 2002. С. 47−53.
  40. Г. Г., Баулин В. И. и др. Конструкция и проектирование жидкостных ракетных двигателей/ Под ред. Г. Г. Гахуна -М.: Машиностроение, 1989. 424с.
  41. A.M. Практика решения инженерных задач на ЭВМ. М.: Радио и связь, 1984.
  42. В.Б. Математические пакеты расширения MATLAB. Специальный справочник/ В. Б. Дьяконов, В. А. Круглов — СПб.: Питер, 2001.
  43. Э. Взаимодействие последовательных процессов // Языки программирования. М.: Мир, 1972, с. 9−86.
  44. М.В. Жидкостные ракетные двигатели. М.: Машиностроение, 1968.
  45. Н., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика. 1987.
  46. И.Н., Кретинин Г. В., Матусов И. Б., Статников Р. Б. Задачи проектирования и многокритериального управления регулируемых технических систем. Доклады АН РФ, том. 359, № 3. 1998.
  47. И.Н. Метод непрямой оптимизации на основе самоорганизации решения экстремальных задач в авиационных ГТД. В сб. «Рабочий процесс и характеристики авиационных силовых установок», ВВИА им. Жуковского, 1990, С. 63−95.
  48. И.Н., Тюленев В. П., Павленко В. Ф. Методы непрямой статистической оптимизации на основе самоорганизации и их использование в оптимизационных задачах авиационных ГТД.- ВИНИТИ № 2622-В89, 1989.
  49. .Т. Техническая гидромеханика. М.: Машиностроение, 1987.
  50. С.В. Идентификация параметров авиационного двигателя на основе нейронных сетей / Информационные технологии, № 12, 2003. С. 3139.
  51. И.В. Нейронные сети: основные модели: Учеб. пособие. — Воронеж: 2:5025/2000@fidonet. 76 с.
  52. А.Г. Индуктивный метод самоорганизации моделей сложных систем.- Киев, Наукова Думка, 1982.
  53. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным.- М.: Радио и связь, 1987.
  54. С.Д., Кутуков А. А., Пахомов A.M. Анализ напряженного состояния элементов конструкций при помощи модельных и натурных экспериментов. М.: Подольский институт МГОУ, 1998.-327с.
  55. В.М. Турбулентное движение высокотемпературных сплошных сред. М.: Наука, 1975.
  56. Ю.Н. Концепция и основные направления космической деятельности России на современном этапе/ Радиотехника, № 1. 1997. С. 43−47.
  57. Г. В. Численный метод многокритериальной оптимизации авиационных ГТД. В сб. «Рабочий процесс и характеристики авиационных силовых установок», ВВИА им. Жуковского, 1996, С. 53−68.
  58. А.В. Выбор оптимального количества нейронов в персептроне с одним скрытым слоем. — Системы управления и информационные технологии, 2004. № 3(15). С. 27−29.
  59. Г. А., Орлов В. А., Рачук B.C., Титков Н. Е. Выбор проектно-конструкторских решений на основе анализа признаков критичности элементов конструкций / Научно-технический юбилейный сборник. КБ химавтоматики ИПФ «Воронеж», 2001. С. 176−184.
  60. В.Д., Кесаев Х. В. Расчет камеры жидкостного ракетного двигателя: Учеб. пособие.- М.: Изд-во МАИ, 1993.
  61. Конструкция и проектирование ЖРД/ Под ред. Г. Г. Гахуна. М.: Машиностроение, 1989.
  62. А.В. Разработка нейросетевых портретов функционирования агрегатов жидкостных реактивных двигателей для автоматизированного анализа результатов испытаний/ Автоматизация и современные технологии, 2004. № 9. С. 24−30.
  63. А.В. Выбор оптимального количества нейронов в персептроне с одним скрытым слоем/ Системы управления и информационные технологии, 2004. № 3. С. 27−29.
  64. А.В., Стогней В. Г. Моделирование течений в канале с проницаемой стенкой на базе искусственных нейронных сетей/ Авиационная техника, 2005.
  65. А.В. Нейросетевая модель потока переменной массы/ Вестник ВГТУ, Сер. Энергетика. Воронеж, ВГТУ, 2004.
  66. А.В., Гуртовой А. А. Использование искусственных нейронных сетей при моделировании гидравлических неравномерностей в предфорсуночном коллекторе//Труды XIV школы-семинара под руководством академика РАН А. И. Леонтьева.- Рыбинск, 2003. -С. 259−262
  67. А.И., Ильин Ю. В., Балепин В. В. Зарубежные исследования и разработки силовых установок воздушно-космических самолетов//
  68. Системный анализ в технике: Тем. сб. науч. тр./ МАИ. — М.: Изд-во МАИ, 1991. С. 76−101.
  69. А.И. Теория теплообмена. М., 1979. 495 с.
  70. М. Машины с конечным числом состояний-М.: Мир, 1971.
  71. В.Б. Применение методов многомерного поиска при обработке физических экспериментов. Пакеты прикладных программ. Методы оптимизации.- М.: Наука, 1984.
  72. Математическое моделирование и расчет рабочих процессов в ЖРД: Учеб. пособие/ Ю. А. Булыгин, Н. В. Заварзин, А. В. Кретинин, Г. С. Розаренов, Л.П.Цуканова- Воронеж: Изд-во ВГТУ, 2000.
  73. Нейронные сети. STATISTICA NEURAL NETWORKS. Пер. с англ.- М.: Горячая линия Телеком. 2000. — 182 с.
  74. Н.В., Стогней В. Г., Кретинин А. В., Булыгин Ю. А. Использование нейросетевых технологий для многодисциплинарного анализа теплонапряженных конструкций ЖРД / Наука производству. 2003. № 12. С. 25−29.
  75. М.С. Неустойчивость горения. — М.: Машиностроение. 1986.
  76. Неустойчивость горения ЖРД/ Под ред. Д. Т. Харье и Ф. Г. Рирдона. М.: Мир, 1975.
  77. Н.В., Булыгин Ю. А., Кретинин А. В., Иванов А. С. Реконструкция температурных напряжений по данным изотермических нагружений с использованием искусственных нейронных сетей//Технологические проблемы прочности.- Подольск, МГОУ. 2003 С. 229−233
  78. Н.В., Копейкин Ю. Д. решение при помощи тригонометрических рядов плоской задачи стационарной термоупругости в напряжениях для кругового кольца // Технологические остаточные напряжения.-Подольск. 1990.
  79. Н.В., Иванов С. Д. Температурные напряжения в экранной оболочке с узким смотровым отверстием //Вестник машиностроения, 1992. № 5
  80. Н.В., Копейкин Ю. Д. Выбор оптимальных размеров цилиндрической отделки тоннелей из условия прочности // Проблемы машиностроения и автоматизации, 2003. № 3.
  81. Н.В. Водородное воздействие на элементы камеры сгорания // Энергоснабжение и водоподготовка, 2004. № 2.
  82. Н.В., Булыгин Ю. А., Кретинин А. В. Многодисциплинарный анализ несущей способности элементов конструкций камер ЖРД // Труды 4 российской научно-технической конференции «Авиакосмические технологии АКТ-2003», 2003. 4.2, С. 149−157
  83. .В., Яловой Н. С. Моделирование и оптимизация характеристик высокооборотных насосных агрегатов. М.: Машиностроение, 1992. 256 с.
  84. Основы расчета и теории жидкостных ракетных двигателей /
  85. A.П.Васильев, В. М. Кудрявцев, В. А. Кузнецов и др.- Под ред.
  86. B.М.Кудрявцева. М.:Высш. Шк., 1993.
  87. Основы теплопередачи в авиационной и ракетно-космической технике/ Под ред. В. К. Кошкина. М.: Машиностроение, 1975.
  88. М., Дедерра Г. Европейские исследования двигательных систем летательных аппаратов будущего для полетов Земля-орбита// Системный анализ в технике — 3: Тем. сб. науч. тр./ МАИ. М.: Изд-во МАИ, 1994. С. 50−73.
  89. Примеры решения вычислительных задач с использованием искусственных нейронных сетей: Учеб. пособие/ Ю. А. Булыгин, А. В. Кретинин, В. Г. Стогней, А. В. Шостак. Воронеж: Воронеж. Гос. техн. ун-т, 2004. 82 с.
  90. Ривкин C. JL Термодинамические свойства газов: Справочник. М.: Энергоатомиздат, 1987. 288 с.
  91. B.C., Баринштейн Б. М. Математическое моделирование жидкостных ракетных двигателей в КБХА / Научно-технический юбилейный сборник. КБ химавтоматики ИПФ «Воронеж», 2001. С. 156−161.
  92. B.C., Шостак А. В., Кретинин А. В. Разработка нейросетевых поверхностей отклика при экспериментальной отработке ЖРД // XXIII Российская школа по проблемам науки и технологий: Сб. науч. тр. Екатеринбург: УрО РАН, 2003. С. 331−334.
  93. В.И., Первушин В. Е. Практическое руководство по методам вычислений. М.: Высш. шк., 1998.
  94. . П. Вычислительная гидродинамика. М.: Мир, 1980.
  95. B.C. Введение в вычислительную математику. М.: Физматлит, 1994.
  96. B.C. Моделирование рабочих процессов в ЖРД на базе искусственных нейронных сетей/ В. С. Рачук, А. В. Кретинин, А. В. Шостак, Ю. А. Булыгин, А.А.Гуртовой// Отчет о НИР (промежуточный) № госрегистрации 01.2.00 306 963. Воронеж, 155 с.
  97. B.C. и др. Моделирование и оптимизация рабочих процессов в ЖРД на базе искусственных нейронных сетей и структурно-параметрических методов нелинейного программирования/ Отчет о НИР (заключительный) № госрег. 01.2.00 306 963. Воронеж, 2004. 343 с.
  98. Ю2.Сергиенко А. А. Жидкостные ракетные двигатели: настоящее и будущее// Системный анализ в технике 3: Тем. сб. науч. тр./ МАИ. — М.: Изд-во МАИ, 1994. С. 29−50.
  99. ЮЗ.Сингх М., Хитли А. Системы: декомпозиция, оптимизация и управление. М.: Машиностроение, 1986.
  100. И.М., Статников Р. Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Наука, 1981. 110 с.
  101. А. А., Харинцев С. С., Салахов М. Х. Нейросетевая регуляризация решения обратных некорректных задач прикладнойспектроскопии/ Электронный журнал «Исследовано в России», http://zhurnal.ape.relarn.ru/articles/2003/189.pdf.
  102. Юб.Статников Р. Б., Матусов И. Б. Многокритериальное проектирование машин. М.: Знание, 1989.-317с
  103. В.Г. Разработка инвариантных систем регулирования с использование нейросетевых технологий. Системы управления и информационные технологии, 2004. № 2(14). С. 69−72.
  104. Т., Брэдшоу П. Конвективный теплообмен. — М.: Мир, 1987.
  105. В.Г., Кретинин А. В. Моделирование и оптимизация энергетических систем с использованием нейросетевой вычислительной архитектуры. Воронеж: Воронеж, гос. техн. ун-т, 2004. 225 с.
  106. В.Г., Шостак А. В., Кретинин А. В., Романов В. В. Разработка нейросетевых моделей агрегатов сложных технических систем/ Вестник ВГТУ, Сер. Энергетика. Воронеж, ВГТУ, 2003. С. 37−41.
  107. В.Г., Кретинин А. В. Обучение персептронов с регуляризацией для аппроксимации эмпирических данных/ Современные проблемы механики и прикладной математики. Воронеж, ВГУ. 2004. 479−482.
  108. В.Г., Кретинин А. В., Гуртовой А. А. Идентификация параметров функционирования энергетических устройств на базе искусственных нейронных сетей/ Авиакосмические технологии «АКТ-2004». Воронеж, 2004. С. 116−122
  109. В.Г., Кретинин А. В. Оптимизационная стратегия проектирования на базе искусственных нейронных сетей/ Успехи современного естествознания, 2004. № 9. С. 78−79
  110. В.Г., Кретинин А. В., Гуртовой А. А. Нейросетевой портрет функционирования насосного агрегата/ Успехи современного естествознания, 2004. № 9. С. 79−80
  111. В.Г., Кретинин А. В. Синтез аппроксимирующих нейросетей при разработке экспериментальных факторных моделей/ Успехи современного естествознания, 2004. № 9. С. 80−81
  112. В.Г., Кретинин А.В.ДИостак А. В. Гуртовой А.А. Алгоритм комбинированного обратного распространения для обучения искусственных нейронных сетей // Системные проблемы качества, математического моделирования.- М.: Радио и связь, 2003. С. 102−103
  113. В.Ф. О некоторых тенденциях развития мировой космонавтики/ Наука и техника, 1996. С. 106−114.
  114. Н. Набхан, Альберт Зомая. О проблемах создания нейросетевых структур для оптимизации функционирования/ http://neuroschool.narod.ru/ optbpa.pdf.
  115. В.П. Математическое моделирование технических систем: Учебник для вузов, — Мн.: ДизайнПРО, 1997. 640 с.
  116. В.И. Прочность теплонапряженных узлов жидкостных ракетных двигателей. М.: Оборонгиз, 1963
  117. К. Вычислительные методы в динамике жидкостей: В 2-х томах.-М.: Мир, 1991.
  118. В.В., Булыгин Ю. А., Кирпичев М. И., Кретинин А. В. О температурном поле в форкамере энергетической установки. Труды Минского международного форума ММФ-2000. Минск, 2000. Т. 10. С. 334 338.
  119. Д. Прикладное нелинейное программирование. М.: Мир, 1975.
  120. .Г. Проектирование как вариационная проблема./ Темат. сб. научн. тр. «Системный анализ в технике». М.: Май, 1991. С. 56−76
  121. Черный И. RS-68 — двигатель ракет нового поколения/ Новости космонавтики, № 1. 2001. С. 37
  122. И. ЖРД следующего поколения/ Новости космонавтики, № 4. 2000. С. 48.
  123. И. Технологии носителей второго поколения/ Новости космонавтики, № 8. 2000. С. 60.
  124. И. Новости Х-33/ Новости космонавтики, № 1. 2002. С. 56.
  125. Шалыто А.А. SWITCH-технология. Алгоритмизация и программирование задач логического управления. СПб.: Наука, 1998, 628 с.
  126. А.В. Использование искусственных нейронных сетей при доводке агрегатов ЖРД// Вестник ВГТУ, Сер. Энергетика. Воронеж, ВГТУ, 2002. -С. 72−76
  127. А.В., Булыгин Ю. А., Кретинин А. В. Моделирование гидродинамики смесительной головки ЖРД с использованием искусственных нейронных сетей/ Современные аэрокосмические технологии. Сб. науч. трудов. Воронеж: ВГТУ, 2003. С. 108−110.
  128. Ю.А., Валюхов С. Г., Кретинин А. В., Наливайко Н. В. Анализ температурных напряжений в элементах конструкции камеры ЖРД // Труды международной конференции «СИНТ'03». — Воронеж, 2003. С. 206 213
  129. N.M., «On Managing the Use of Surrogates in General Nonlinear Optimization and MDO», 7th AIAA/USAF/NASA/ISSMO Symposium on Multidisciplinary Analysis and Optimization, St. Louis, Missouri, 720−730, 1998.
  130. Balabanov V. et al., «Multifidelity Response Surface Model for HSCT Wing Bending Material Weight», 7th AIAA/USAF/NASA/ISSMO Symposium on
  131. Multidisciplinary Analysis and Optimization, St. Louis, Missouri, 778−789, 1998.
  132. Torczon V. and Trosset M.W., «Using Approximations to Accelerate Engineering Design Optimization», 7th AIAA/USAF/NASA/ISSMO Symposium on Multidisciplinary Analysis and Optimization, St. Louis, Missouri, 738−749, 1998.
  133. Sobieszczanski-Sobieski J. and Haftka R.T., «Multidisciplinary Aerospace Design Optimization: Survey of Recent Development», Structural Optimization, 14, pp. 1−23, 1997.
  134. Rao S.S. Combined structural and control optimization for flexible structures. Engineering Optimization, Vol. 134, 1988, pp. 1−16.
  135. Egorov I.N., Kretinin G.V. Optimization of gas turbine engine elements by probability criteria. ASME 93-GT-191, 1993.
  136. Egorov I.N. Determenistic and stochastic optimization of a variable axial flow compressor. ASME 94-GT-268, 1994.
  137. Egorov I.N., Kretinin G.V. Search for compromise solution of the multistage axial flow compressor’s stochastic optimization problem. World Publishing Corporation, Aerothermodynamics of internal flows III, Beijing, China, 1996.
  138. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representation by back-propagating errors// Nature. 1986. — vol.323. — pp. 533−536.
  139. Bishop C.M. Neural networks for pattern recognition. Oxford University Press, 1995.
  140. StatSoft, Inc. (1999). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm.
  141. MacKay, D.J.C. Bayesian Interpolation // Neural Computation, 1991.
  142. Vanderplaats G.N. Numerical optimization techniques for engineering design- with applications. McGraw-Hill, New York, 1984.
  143. Akima H. A new method of interpolation and smooth curve fitting based on local procedures. ACM, 1970, 17, № 4, p. 589−602.
  144. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. On Neur. Net. 1990. — vol. 1. — # 1. — pp. 4−27.
Заполнить форму текущей работой

Пора сдавать?