基于神经网络的再生冷却通道内甲烷传热预测
机器学习
2020-02-07 v1 应用物理
流体动力学
机器学习
摘要
甲烷被认为是未来可重复使用发射系统的一种良好推进剂选择。然而,对再生冷却燃烧室冷却通道内流动的超临界甲烷进行传热预测颇具挑战。由于准确的传热预测对设计可靠高效的冷却系统至关重要,传热建模是一个亟待解决的基本问题。先进的计算流体动力学(CFD)计算可达到足够精度,但其计算成本阻碍了在优化循环中的高效集成。基于人工神经网络(ANNs)的代理模型具有显著的速度优势。研究表明,一个在CFD模拟样本提取数据上训练的ANN,能够以令人信服的精度预测直式火箭发动机冷却通道沿程使用甲烷时的最大壁温。该ANN模型与压降及焓增的简单关系式相结合,构成一个完整的降阶模型,可用于数值高效的设计空间探索与优化。
引用
@article{arxiv.1907.11281,
title = {Heat Transfer Prediction for Methane in Regenerative Cooling Channels with Neural Networks},
author = {Günther Waxenegger-Wilfing and Kai Dresia and Jan Christian Deeken and Michael Oschwald},
journal= {arXiv preprint arXiv:1907.11281},
year = {2020}
}