基于数据增强神经网络的多级泵多目标预测

提出了一种基于带数据增强的神经网络的多级泵多目标预测方法。为研究关键设计变量与离心泵外特性值（扬程和功率）之间的高度非线性关系，建立神经网络模型（NN），并与二次响应面模型（RSF）、径向基高斯响应面模型（RBF）和 Kriging 模型（KRG）进行比较。另一类单级离心泵的数值模型验证实验表明，基于 CFD 的数值模型相当准确且合理。所有预测模型均由设计范围内三个关键变量不同组合下的 60 个样本分别训练。将基于四种预测模型的扬程和功率精度与 CFD 仿真值进行比较分析。结果表明，与其他三种代理模型相比，神经网络模型在所有外特性值上均具有更好性能。最后，针对机械仿真领域尤其是 CFD 问题中仿真成本过高且数据稀缺的原因，提出了基于数据增强的神经网络模型（NNDA）。该带数据增强的模型可通过在不同属性的每个样本点处插值使数据增至三倍。结果表明，带数据增强的神经网络模型性能优于先前的神经网络模型。因此，在不增加仿真成本的情况下增强了 NN 的预测能力。借助数据增强，它可成为用于求解多级泵优化问题的更优预测模型，并在未来推广至有限元分析优化问题。