基于神经网络的固体火箭发动机性能快速预测与匹配优化框架 叶年辉、罗盛、高登伟、史仁和

《Aerospace》:Neural Network-Enhanced Performance Rapid Prediction and Matching Optimization Framework for Solid Rocket Motor Nianhui Ye, Sheng Luo, Dengwei Gao and Renhe Shi

【字体: 大 中 小 】 时间:2026年04月24日 来源:Aerospace 2.2

编辑推荐:

  摘要:在飞行器(如导弹或制导火箭)的初步设计阶段,推进系统的性能是决定最大射程和终端速度的关键因素。然而,固体火箭发动机(SRM)中复杂的颗粒配置通常需要使用几何建模软件来计算燃烧表面积,这严重限制了效率。为了解决这一挑战,本研究提出了一种基于神经网络的快速性能预测和匹配优化框架

  摘要:在飞行器(如导弹或制导火箭)的初步设计阶段,推进系统的性能是决定最大射程和终端速度的关键因素。然而,固体火箭发动机(SRM)中复杂的颗粒配置通常需要使用几何建模软件来计算燃烧表面积,这严重限制了效率。为了解决这一挑战,本研究提出了一种基于神经网络的快速性能预测和匹配优化框架(NN-SRM)。在NN-SRM中,神经网络用于模拟颗粒燃烧过程中关键参数的变化,包括燃烧表面积、颗粒体积和惯性矩。该框架结合了零维内弹道方程和一维稳态等熵流动关系,以便快速获得推力曲线。此外,还采用了离散-连续混合微分演化算法来确定满足特定推力要求的最优颗粒配置。结果表明,对于圆柱形、星形和鳍形颗粒,神经网络的预测准确度(R2值)超过了0.95。最后,对三种颗粒进行了推力匹配优化,在大推力短时间和小推力长时间条件下获得了有竞争力的推力解决方案,证明了所构建NN-SRM的有效性和实用性。

1. 引言
固体火箭发动机(SRM)由于其结构简单、推进剂储存时间长、可靠性高以及操作和维护方便,被广泛应用于各种导弹、航天器和运载火箭中[1]。在飞行器的初步设计阶段,SRM的内弹道特性需要仔细设计和优化[2,3],因为它们对最大射程和终端速度至关重要。传统上,具有复杂颗粒配置的SRM的设计和性能预测严重依赖于几何建模软件,而这不仅计算量大,还增加了设计的复杂性[4]。随着机器学习技术的发展,特别是各种神经网络(NN)的应用,已在SRM建模和性能预测中取得了新的进展[5]。在推力预测方面,张等人[6]采用了基于ConvNeXt的深度神经网络架构来提取和学习推力数据的高级特征,结果表明该架构非常适合推力时间序列预测。李等人[7]对几种用于模拟颗粒燃烧回火的NN进行了全面研究,包括深度神经网络、循环神经网络、长短期记忆(LSTM)、双向LSTM、门控循环单元(GRU)以及带有全连接层的GRU模型。除了推力预测之外,神经网络还成功应用于固体火箭的缺陷诊断[8,9]。例如,Korompili等人[8]开发了一种基于深度学习的固体火箭发动机结构健康监测系统,通过应变传感器和神经网络来检测和量化内部缺陷,如孔洞裂纹和分层。类似地,在参考文献[9]中,研究了一种深度卷积神经网络架构来评估SRM的缺陷程度,考虑了孔洞裂纹和分层情况。根据上述研究,可以看出各种NN[7,10,11]在SRM建模和其他飞行器领域具有很大的潜力。此外,Geisler等人[12]的综述涵盖了SRM的各种历史和技术方面。该综述指出,“尽管在过去60年里已经验证了许多设计和实践方法,但在优化SRM性能方面仍有许多研究工作有待完成”。在工程实践中,推力匹配优化在初步设计中也非常重要[13,14,15],因为它探讨了发动机设计参数与所需推力曲线之间的关系。例如,吴等人[13]使用了一个两阶段设计框架,结合了序列场近似优化算法和水平集方法,以获得与所需推力曲线高度匹配的结果。李等人[14]提出了模块化颗粒的概念,并基于燃烧规则的二次近似推导出了控制方程,可以快速可靠地生成结果。一些新颖的近似方法,例如替代方法和神经网络,已被初步应用于推力匹配优化。Kim等人[15]结合人工神经网络来捕捉颗粒几何形状与燃烧面积之间的关系,并通过逆向设计获得了最佳颗粒几何形状。还有一些优化方法被用来确定固体推进剂的最佳组分质量分数[16]。根据文献综述,可以发现深度神经网络在SRM的建模、设计和检测方面受到了广泛关注。然而,增加隐藏层和节点的数量可能会限制神经网络在实际工程应用中的可行性。在现有研究中[15],层数和神经元数分别大于3和128,这可能导致训练样本的规模对工程设计来说过于庞大[17,18]。此外,将内弹道方程和稳态等熵流动理论与神经网络架构相结合对于获得全面的性能分析至关重要。为了快速预测SRM的性能并找到符合要求的解决方案,本文开发了一种基于神经网络的性能快速预测和匹配优化框架。构建了圆柱形、星形和鳍形颗粒的几何模型,以计算不同燃烧回火距离下的多个参数,包括燃烧表面积、颗粒体积和惯性矩。对于每种颗粒类型,训练神经网络以揭示燃烧回火距离与参数变化之间的内在关系,然后对神经网络进行推力匹配优化,以快速找到满足设计要求的最佳颗粒配置。

本文的结构如下:第2节介绍了基于神经网络的SRM框架。第3节参数化构建了三种不同颗粒的几何模型,并训练和验证了神经网络。第4节简要介绍了零维内弹道方程和一维稳态等熵流动理论,这些理论随后被用于计算推力。第5节基于训练好的神经网络和推力仿真模型,建立了推力匹配优化数学模型,并采用离散-连续混合微分演化算法来探索最佳解决方案。第6节给出了两种情况下的推力匹配优化结果。第7节总结了结论和未来工作方向。

2. 基于神经网络的SRM框架
本文开发并展示了基于神经网络的SRM框架(NN-SRM),如图1所示。NN-SRM由几个模块组成,分别是几何建模、神经网络训练与验证、数值仿真和推力匹配优化。每个模块的功能如下:
(1) 几何建模模块:该模块是框架的基础组成部分,用于参数化构建圆柱形、星形和鳍形颗粒的三维配置。在此模块中,通过逐步增加偏移距离来模拟颗粒燃烧过程,并相应计算燃烧表面积、颗粒体积和惯性矩的变化。此外,结合了最优拉丁超立方抽样方法来生成用于训练和验证神经网络的样本。
(2) 神经网络训练与验证模块:该模块用于训练神经网络,以替代模拟颗粒燃烧过程中计算成本较高的几何模型评估。进行预处理操作以获得均匀间隔的曲线输出并平滑曲线。根据颗粒的维度和复杂性调整神经网络的层和神经元数量。同时,使用贝叶斯正则化算法优化超参数。然后根据决定系数评估训练好的神经网络的近似精度。
(3) 推力数值仿真模块:该模块将训练好的神经网络与基本推进物理原理相结合,实现SRM的快速准确推力曲线计算。基于燃烧表面积和自由体积的曲线,利用零维内弹道方程描述压力和密度的动态。此外,采用一维稳态等熵流动关系来计算不同喉径和膨胀比下的推力。
(4) 推力匹配优化模块:该模块旨在识别最能准确匹配所需推力曲线的最优颗粒配置。建立了相应的优化数学模型。为了处理连续和离散变量,开发了离散-连续混合微分演化(DCMDE)算法。

3. 颗粒建模与近似
本节详细介绍了三种颗粒配置(圆柱形、星形和鳍形颗粒)的参数化建模。根据生成的样本,训练和验证神经网络,可以快速准确近似关键参数,如燃烧表面积、自由体积和惯性矩。

3.1. 颗粒几何参数化建模
圆柱形、星形和鳍形颗粒的几何模型如图2所示。这些几何模型分别使用3个、6个和8个参数唯一描述。对于圆柱形颗粒,几何参数包括颗粒长度、颗粒半径和端口半径。为了避免端口半径产生不合理值,引入了端口半径与颗粒半径的比率来计算参数。

3.2. 神经网络训练与验证
在训练神经网络之前,需要对样本数据进行预处理。将样本的燃烧面积曲线划分为100个等间隔区间,如方程(5)所示,步长由...确定。这样,燃烧面积曲线被转换为100个离散值,作为样本的输出。同样,颗粒体积、残余体积和惯性矩的曲线也各自划分为100个离散值用于训练神经网络,如图3所示。

3.3. 颗粒燃烧过程模拟
为了模拟颗粒燃烧过程,需要定义燃烧回火距离来偏移燃烧表面。因此,应用了Savitzky-Golay滤波方法来平滑曲线。对于数据序列,Savitzky-Golay滤波器使用多项式阶数来拟合局部数据,其表达式为(6)。对于每个数据点,设置一个大小的窗口来优化局部多项式系数,即(7)。为了分析重要特征是否被破坏,进行了比较研究,并在图4中进行了总结。可以发现,所有颗粒的过滤结果与真实结果一致,物理上重要的特征得到了保留。图4. 平滑结果与真实结果的比较。(a) 圆柱形颗粒;(b) 星形颗粒;(c) 菲诺西尔颗粒。根据方程(6)和(7),可以平滑曲线中的振荡,从而防止训练有素的神经网络学习到错误的模式。每个颗粒的神经网络规模以及训练和测试样本的数量列在表2中。应当注意的是,由于菲诺西尔颗粒的颗粒参数维度最高且烧蚀行为最为复杂,因此该颗粒的神经网络使用了两个隐藏层,而其他颗粒的神经网络仅使用一个隐藏层。表2. 各颗粒的神经网络规模。对于每个神经网络,隐藏层的激活函数是双曲正切函数,即方程(8),输出层的激活函数是线性函数,即方程(9)。为了优化这些超参数,采用了贝叶斯正则化算法[20,21],该算法对过拟合具有很强的抵抗力,并且在小样本问题中表现出了良好的性能。损失函数可以表示为(10),其中是包含所有超参数的向量;是权重衰减参数;是噪声精度参数;和分别是误差项和正则化项;和分别是训练样本数量和超参数数量。由于神经网络的预测输出包含多个具有宽广动态范围的组件,因此采用作为评估逼近精度标准。第个测试样本的可以通过方程(11)表示。圆柱形颗粒、星形颗粒和菲诺西尔颗粒的神经网络逼近精度结果分别如图5、图6和图7所示。图5. 圆柱形颗粒的神经网络逼近精度。(a) 神经网络R2值;(b) 典型面积曲线;(c) 典型颗粒体积曲线。图6. 星形颗粒的神经网络逼近精度。(a) 神经网络R2值;(b) 典型面积曲线;(c) 典型颗粒体积曲线。图7. 菲诺西尔颗粒的神经网络逼近精度。(a) 神经网络R2值;(b) 典型面积曲线;(c) 典型颗粒体积曲线。如图5b,c所示,圆柱形颗粒的燃烧面积和剩余体积曲线呈现出近似线性关系。圆柱形颗粒的配置参数是三维的。因此,根据图5a,神经网络在面积、体积和惯性方面的R2值都超过了0.99,平均值和中位数R2值都超过了0.999。此外,从图5b,c还可以观察到,即使逼近精度最差的预测曲线仍然能够捕捉到真实曲线的趋势,从而验证了神经网络的有效性。同样,如图6b所示,星形颗粒的燃烧面积曲线变化相对平缓,尽管颗粒配置参数是六维的。单层神经网络在面积和体积方面的R2值都超过了0.99。从图6a可以看出,在前40个烧蚀步骤中,逼近精度最差的预测曲线与相应的真实曲线之间存在轻微的差异。这是因为当烧蚀步骤少于40时,星形边缘逐渐消失,导致燃烧面积从减少趋势转变为增加趋势。这种变化增加了燃烧面积曲线的非线性,并给神经网络的逼近带来了一定的误差。与圆柱形和星形颗粒不同,菲诺西尔颗粒的神经网络还必须额外逼近燃烧过程中重心位置的变化。由于燃烧面积曲线的复杂性,菲诺西尔颗粒的面积R2值相比其他颗粒有所下降。尽管如此,两层神经网络仍然能够准确逼近面积、剩余体积、自由体积和重心的位置,所有R2值都超过了0.98,如图7a所示。从图7b可以看出,面积曲线根据配置参数的不同而有很大变化。然而,R2值最小的预测曲线仍然能够准确捕捉到真实曲线的总体趋势。总之,神经网络能够准确逼近三种颗粒类型的关键性能参数,包括燃烧面积、剩余体积、自由体积和惯性。4. 推力数值模拟在本节中,使用零维内部弹道方程和一维稳态等熵流动理论与训练有素的神经网络结合,来计算推力。4.1. 零维内部弹道方程SRM的零维内部弹道方程是根据质量守恒原理和理想气体状态方程推导出来的[13]。应当注意的是,零维内部弹道模型假设压力在空间上是均匀的,并忽略了燃烧通道内的复杂涡流。这些流动会影响压力场和燃烧速率。由于主要 efforts 集中在神经网络辅助的推力计算上,因此忽略了这一现象。内部弹道方程可以表示为(12)和(13),其中和分别是自由体积和燃烧面积;和分别是气体密度和燃烧压力;是颗粒密度;是通过(14)计算的特征速度,其中是气体常数;是工作温度;是与比热比相关的值;和分别是通用气体常数和摩尔质量。虽然恒定的比热比引入了一定的误差,但本文关注的是不同颗粒配置之间的推力、压力和燃烧表面积的比较趋势,因此由此产生的误差是可以接受的。燃烧速率表示为燃烧速率系数和压力指数的函数,即(15)。内部弹道的参数列在表3中。基于零维内部弹道方程,可以确定气体密度、压力和工作时间的时间变化。表3. 内部弹道参数。4.2. 一维稳态等熵流动当满足以下条件时,喷嘴中的工作介质可以简化为一维稳态等熵流动(16)(17)(18)(19),其中是气体质量流量;是喷嘴中某一点(表示为)的截面积;、和分别是该点的气体密度、速度和压力;是气体的比焓。根据方程(16)-(19)和热力学第一定律,可以获得喷嘴出口速度(20),其中是从其与喷嘴膨胀比的关系中确定的(21)。质量流量可以从(22)得出。因此,可以通过(23)计算推力(23)。4.3. 不同颗粒配置的示例不同颗粒配置的推力曲线分别显示在图8、图9和图10中。根据图8,圆柱形颗粒的压力和推力呈现出上升趋势,这与燃烧表面积随时间的演变一致。由于本文没有考虑喷嘴喉部的烧蚀,因此压力和推力的趋势是一致的。从图8b可以看出,随着燃烧表面积的增加,自由体积的增加速率也在增加,进一步验证了所建立模型的合理性。图8. 神经网络增强的圆柱形颗粒性能预测。(a) 推力和压力;(b) 自由体积和燃烧表面。图9. 神经网络增强的星形颗粒性能预测。(a) 推力和压力;(b) 自由体积和燃烧表面。图10. 神经网络增强的菲诺西尔颗粒性能预测。(a) 推力和压力;(b) 自由体积和燃烧表面。对于星形颗粒配置,图9中的推力、压力和燃烧表面积曲线呈现出先减少后增加的趋势。此外,如图10所示,菲诺西尔颗粒的推力和压力曲线也呈现出类似的关系。可以得出结论,不同的颗粒配置会产生不同的推力曲线,这会影响飞行器的轨迹特性。基于不同的颗粒配置进行推力匹配优化至关重要。此外,如图11所示,将神经网络增强性能预测的计算时间与真实模型的计算时间进行了比较。可以观察到,神经网络预测的计算时间显著减少,其快速预测能力得到了验证。对于圆形和星形颗粒,推力计算效率分别提高了39.8倍和57.5倍。由于菲诺西尔颗粒的配置较为复杂,效率提高最为明显,即提高了164.5倍。所有颗粒的计算时间都少于0.5秒,表明神经网络的计算时间不受颗粒几何形状复杂性的影响。还应该注意的是,在进行推力匹配优化时,如果直接使用真实模型超过10,000次会导致不可承受的计算成本。然而,通过用神经网络替代真实模型,优化解决方案的时间可以大幅减少。图11. 神经网络增强预测的时间效率。5. 推力匹配优化基于开发的训练有素的神经网络和推力模拟模型,本节进行了推力匹配优化,旨在获得满足指定要求的最佳解决方案。5.1. 推力匹配优化数学模型推力匹配优化问题旨在同时最小化平均推力与所需推力之间的偏差,并减小平均推力与最大推力之间的差距。因此,优化后的推力曲线接近所需推力曲线,并且波动平滑。约束条件包括工作时间与所需时间之间的偏差、实际总冲量与理论总冲量之间的比率、喷嘴出口半径、体积装载分数以及喉部与端口之间的比率。除了颗粒配置参数外,喉部半径和膨胀比也被视为优化设计变量。因此,推力匹配优化的数学模型在方程(24)中进行了表述。在本文中,推力匹配优化的设计变量列在表4中。应当注意的是,由于发射管的限制,颗粒半径是一个离散变量。同样,长度也受到发射管的约束,其范围小于表1中显示的范围。由于涉及的设计变量包括连续变量和离散变量,因此方程(24)中的优化是一个离散-连续混合优化问题。表4. 推力匹配优化的设计变量。5.2. 离散-连续混合差分进化算法为了处理推力匹配优化中的不同类型设计变量,本文提出了一种离散-连续混合差分进化算法(DCMDE)。作为一种强大且通用的启发式优化方法,差分进化(DE)已广泛应用于各种实际工程问题[22,23]。差分进化算法包括四个操作符,即初始化、变异、交叉和选择操作符,并结合了三个控制参数,包括缩放因子、交叉概率和种群大小。在DCMDE中,初始化操作符通过拉丁超立方采样方法(19)执行,增强了初始种群的空间均匀性。在进化过程中,迭代调用变异、交叉和选择操作符,以引导种群达到最优区域。对于给定的母体种群,本文中使用的突变算子是DE/Rand/1策略,该策略与轮询算子结合使用,表达式为(25),其中、和是从中随机选取的不同母体个体;表示优化问题的维度;是第个突变体个体;是的第个维度值。然后将突变体个体与相应的母体个体进行交叉,根据以下公式(26)生成试验个体,其中是从1到中随机选取的整数,以确保和之间的区别。突变和交叉算子在图12中直观地进行了说明。图12. 突变和交叉算子。最后,应用选择算子根据预定义的标准比较和的适应度值,公式为(27)。在本文中,使用可行性规则来计算适应度值,具体描述如下[24]:(1)比较两个可行个体时,选择目标值更高的个体。(2)比较两个不可行个体时,选择约束违反值较小的个体。(3)总是优先选择可行的个体而不是不可行的个体。6. 结果讨论在本文中,将NN-SRM应用于两个案例,证明了NN-SRM的工程实用性。这两个案例的信息和参数配置列在表5中。表5. 所需推力和优化配置。6.1. 案例1的优化与分析案例1的收敛曲线显示在图13中,表明DCMDE能够收敛到所有颗粒类别的可行区域。在优化过程的早期阶段,圆柱形和星形颗粒的解是不可行的,导致DCMDE最初优先减少约束违反,如图13a、b所示。当函数评估次数超过10,000次,即处于中间阶段时,三个目标值曲线逐渐收敛。三种不同颗粒的优化结果在表6中进行比较。推力曲线显示在图14中。图13. 案例1的优化收敛曲线。(a) 圆柱形颗粒;(b) 星形颗粒;(c) 芯柱形颗粒。表6. 案例1的优化结果。图14. 案例1的推力曲线。从表6中可以看出,圆柱形颗粒在三种配置中实现了最佳的目标值。根据圆柱形颗粒的优化解,平均推力优化为120.00 kN,符合所需推力。然而,最大推力达到了143.61 kN,略高于目标值。为了确保较大的初始燃烧表面,增加了叶片数量和叶片高度比。考虑到所需的工作时间较长,端口半径收敛到了0.15的下限,而颗粒半径达到了0.35 m的上限,从而增加了燃烧距离。如图14所示,圆柱形颗粒的初始推力曲线远未达到要求。优化后,推力可以在所需值附近略有波动。同时,工作时间为35.82秒,位于35 ± 1秒的范围内。由于圆柱形和芯柱形颗粒的配置相似,它们的共享设计变量(如颗粒半径、端口半径比、喉部半径和膨胀比)收敛到了接近的值。应当注意的是,圆柱形颗粒缺乏调整推力曲线的机制,导致推力呈近似线性增长,如图14所示。对于星形颗粒,优化过程调整了配置参数,使推力曲线更接近期望值,颗粒半径、星形边缘角和星形角系数收敛到了各自的范围内。由于星形颗粒的消失,推力在10秒后逐渐增加。最大推力达到了156.81 kN,导致目标值较大。在这种情况下,芯柱形颗粒的表现优于星形颗粒。改进比为36.45%,通过以下公式计算(28),其中37.15和23.61分别是星形和芯柱形颗粒的最佳解的目标值,如表6所总结。目标值和约束的实际值也是通过调用颗粒几何参数模型计算得出的,并在表6中以圆括号的形式提供。可以观察到所有项的相对误差都很小,即小于2%,证明了NN-SRM的有效性。6.2. 案例2的优化与分析与案例1不同,案例2旨在优化颗粒以实现大推力(180 kN)和短工作时间(20秒)。三种颗粒的优化收敛曲线显示在图15中。与案例1类似,圆柱形颗粒无法通过其组件调整推力,目标值难以优化,如图15a所示。根据图15b、c,星形和芯柱形颗粒在10,000次函数评估内都能显著改善目标值。三种不同颗粒的优化结果在表7中进行比较。推力曲线显示在图16中。图15. 案例2的优化收敛曲线。(a) 圆柱形颗粒;(b) 星形颗粒;(c) 芯柱形颗粒。表7. 案例2的优化结果。图16. 案例2的推力曲线。从图15可以看出,在案例2中,星形颗粒的表现最佳,平均推力为180.12 kN,最大推力为206.05 kN,接近要求。根据表7,特征长度比达到了上限,以确保在颗粒半径为0.35 m的情况下工作时间较短。这导致其加载分数小于其他颗粒,同时仍满足约束。在这种情况下,由于颗粒半径的限制,芯柱形颗粒未能产生小推力峰值的解。当优化后的芯柱形颗粒采用0.250 m的颗粒半径时,推力的平均值未能达到期望水平。星形颗粒的表现优于芯柱形颗粒。改进比为41.86%,通过以下公式计算(29),其中43.35和25.19分别是星形和芯柱形颗粒的最佳解的目标值,如表7所总结。通过调用颗粒几何参数模型计算的绝对目标和约束值也提供在表6的圆括号中。可以观察到所有项的相对误差都很小,即小于2%,证明了NN-SRM的有效性。6.2. 案例2的优化与分析与案例1不同,案例2旨在优化颗粒以实现大推力(180 kN)和短工作时间(20秒)。图15展示了三种颗粒的优化收敛曲线。与案例1类似,圆柱形颗粒无法通过其组件调整推力,目标值难以优化,如图15a所示。根据图15b、c,星形和芯柱形颗粒在10,000次函数评估内都能显著改善目标值。三种不同颗粒的优化结果在表7中进行比较。推力曲线显示在图16中。图15. 案例2的优化收敛曲线。(a) 圆柱形颗粒;(b) 星形颗粒;(c) 芯柱形颗粒。表7. 案例2的优化结果。图16. 案例2的推力曲线。从图15可以看出,在案例2中,星形颗粒的表现最佳,平均推力为180.12 kN,最大推力为206.05 kN,接近要求。根据表7,特征长度比达到了上限,以确保在颗粒半径为0.35 m的情况下工作时间较短。这导致其加载分数小于其他颗粒,同时仍满足约束。在这种情况下,由于颗粒半径的限制,芯柱形颗粒未能产生小推力峰值的解。当优化后的芯柱形颗粒采用0.250 m的颗粒半径时,推力的平均值未能达到期望水平。星形颗粒的表现优于芯柱形颗粒。改进比为41.86%,通过以下公式计算(29),其中43.35和25.19分别是星形和芯柱形颗粒的最佳解的目标值,如表7所总结。将NNs和实际几何模型获得的值进行比较,平均推力和最大推力的相对误差保持在较低水平,即低于2%。这两个案例证明了训练有素的NN在预测燃烧表面、自由体积和颗粒体积方面的近似准确性。同时,可以得出结论,需要各种颗粒配置来识别最佳推力解,以满足不同要求。7. 结论为了快速预测推力性能并获得满足要求的解,本文开发了一个神经网络增强的快速性能预测和匹配优化框架,用于固体火箭发动机(NN-SRM)。神经网络被用来近似圆柱形、星形和芯柱形颗粒的燃烧过程。训练有素的神经网络获得了有希望的近似精度,所有关键参数的R2值均超过0.95。然后通过结合零维内部弹道方程和一维稳态等熵流动关系获得推力。还开发了一种离散-连续混合微分进化算法来捕获最佳颗粒配置和喷嘴参数。优化结果表明,对于小推力(120 kN)和长工作时间(35秒),芯柱形颗粒的性能比星形颗粒好36.45%。对于大推力(180 kN)和短工作时间(20秒),星形颗粒可以产生比芯柱形颗粒好41.86%的解。在这项工作中,忽略了喷嘴喉部烧蚀、变比率和复杂的垂直流动,这些需要在未来改进。其次,作者将致力于将额外的颗粒配置类别集成到NN-SRM中。此外,还需要进一步研究双燃烧率内部弹道方程和六自由度轨迹方程,这对于飞行器的初步设计至关重要。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号