1.一种基于DOE的高温泵散热器数值优化方法,其特征在于,其步骤如下:
(1)基于DOE(Design of Experiments)方法建立高温泵散热器数值优化的样本库;
(2)采用响应面模型、或Kriging模型、或径向基函数神经网络模型,构建高温泵散热器主要几何参数与高温泵散热器散热性能之间的近似模型;
(3)采用全局优化算法对近似模型进行全局优化,得出高温泵散热器主要几何参数的最优组合;
(4)根据优化结果,对高温泵散热器进行温度场分析、热变形分析、变形量分析。
2.根据权利要求1所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:步骤(1)基于DOE方法建立高温泵散热器数值优化的样本库的具体步骤如下:
(A)根据高温泵散热器对流换热的换热量公式,确定影响高温泵散热器对流换热面积的主要几何参数,散热孔的直径D和数量N;
(B)采用DOE方法,构建高温泵散热器数值优化的n组实验方案,所述DOE方法为均匀设计方法、或正交试验设计方法、或拉丁方设计方法、或超拉丁方抽样方法;
(C)采用CFX对n组实验方案的高温泵散热器进行数值计算;
(D)根据数值计算的结果,建立包含散热器主要几何参数、散热性能的高温泵散热器样本库,其中n-nt组样本用于构建近似模型,nt组样本用于预测近似模型的精度。
3.根据权利要求2所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:步骤(A)所述的根据高温泵散热器对流换热的换热量公式,确定影响高温泵散热器对流换热面积的主要几何参数的具体步骤如下:
所述换热量Q的计算公式;
确定影响高温泵散热器对流换热面积的主要几何参数;式中:hi为对流换热系数,Ai为固体壁面对流换热表面积,Twi和Tfi分别为壁面温度和流体温度。
4.根据权利要求1所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:步骤(2)构建高温泵散热器主要几何参数与高温泵散热器散热性能之间的近似模型的具体步骤如下:
(A)根据n-nt组高温泵散热器样本,采用响应面模型、或Kriging模型、或径向基函数神经网络模型等构建散热器主要几何参数与高温泵散热器顶端的平均温度之间的近似模型;
(B)采用构建的近似模型对nt组样本进行预测,并基于方均根误差RMSE和复相关系数R2计算近似模型的预测精度;
(C)若近似模型的预测精度满足精度准则,则进行步骤(3)的全局优化;若近似模型的预测精度不满足精度准则,则增加样本,重新构建近似模型并计算近似模型的预测精度。
5.根据权利要求4所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:所述的近似模型的方均根误差RMSE和复相关系数R2的计算公式如下:
式中:nt为测试样本点的数量,yk为真实预测值,为通过近似模型的预测值,为真实预测值的均值。
6.根据权利要求5所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:所述的精度准则为RMSE<0.15、R2>0.98。
7.根据权利要求1所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:步骤(3)采用全局优化算法对近似模型进行全局优化的具体步骤如下:
(A)以高温泵散热器顶端的平均温度最低为目标函数,采用自适应模拟退火算法、或自适应遗传算法、或蚁群算法等全局优化方法,对近似模型进行优化;
(B)若计算结果不满足收敛准则,则把数值计算得到的数据保存到样本库,重新构建近似模型,并重新进行全局优化,直至满足收敛准则为止。
8.根据权利要求7所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:所述的收敛准则的计算公式如下:
式中:EI(x)max为EI(Expected Improvement)函数的最大值,ymin为优化过程中当前最小预测值。
9.根据权利要求8所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:所述的EI函数的计算公式如下:
式中:Φ为标准正态分布函数,Ψ为标准正态分布概率密度函数,fmin为所有样本中最小的目标函数值,和分别为x处近似模型的预测值和预测标准差。
10.根据权利要求8所述的一种基于DOE的高温泵散热器数值优化方法,其特征在于:ε=10-6。