.png){kind=icon}
返回
Integrated high-fidelity model - machine learning framework to reliability-based metamodel development
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.112170.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
液态单组元推进剂推力器（LMTs）通常采用高保真度计算流体动力学（CFD）进行分析，但此类模拟计算成本高昂，限制了广泛的参数探索、不确定性量化和可靠性设计。为解决这些局限性，本研究开发了一种集成的CFD–机器学习（ML）框架，结合可靠性分析，以实现对LMT性能的准确高效预测。构建了一个10-N联氨推力器的3D CFD模型，并采用基于拉丁超立方采样（LHS）和中心复合设计（CCD）的混合采样策略，用于在设计空间内生成训练数据。使用此数据集开发了一个支持向量回归（SVR）代理模型，并与基于多项式回归的模型（PRBM）进行了对比。SVR展现出更优的预测能力，最大误差为10.92（PRBM为20.54），均方根误差（RMSE）为1.88（PRBM为3.66），预测系数（CoP）为0.97（PRBM为0.90）。采用自适应响应面方法（ARSM）和定向采样（DS）进行可靠性评估，重点关注比冲超过190 s的情况。结果表明，失效概率（Pf）约为2.5 × 10⁻⁷，可靠性指数β = 5.02。所提出的CFD–ML–可靠性框架为单组元推力器的稳健设计与性能预测提供了一种实用且计算高效的工具，与传统方法相比，在准确性和可靠性方面均有所提升。
期刊
R
IF:
11
论文数:
1.1K
被引数:
0
机构
引用论文
.png){kind=icon}
Metamodels for computer-based engineering design: survey and recommendations基于计算机的工程设计的元模型: 调查和建议
PREAI
分享收藏Innovative 3D numerical study of a catalyst bed and comparison with previous 2D and experimental studies催化剂床的创新性3D数值研究及其与以往2D和实验研究的比较
PREAI
分享收藏A kriging based multi objective gray wolf optimization for hydrazine catalyst bed基于克里金的多目标灰狼优化算法用于肼催化剂床
OAAI
OAAI分享收藏Prediction of the concentration of hydrazine decomposition products along a granular catalytic bed
PREAI
分享收藏
查看更多内容