近日，由注册送68元体验金电子游戏-(中国)有限公司机械工程学院杨瑞锋老师、李金泉老师指导的本科方柑霖、申航、王怀钐、韩志鹏、李国亮同学在国际核心期刊《Neural Computing & Applications》发表题目为“Investigation of the Aerodynamic Optimization Design of Fluid Machinery Based onMachine Learning”论文。《Neural Computing & Applications》期刊是中科院二区期刊（2023年版），2022-2023年影响因子为6.0，主要收录计算机仿真、大模型优化、神经网络算法等方向的最新研究进展。

目前，在流体机械和系统的设计领域仍然存在许多待改进、需创新提升的问题。从系统优化设计的角度来看，由于系统与网络之间的不匹配，流体力学的利用率较低。随着流体机械的高效率、高精度和可扩展性，传统的单核处理器已经无法满足高精度的要求。该论文在人工神经网络的结构与算法上，建立了一个基于神经网络的流体机械预测优化模型；其主要研究工作过程分为工程学和学习学两个部分。在工程阶段初期，网络中节点之间的连接权重保持不变，从输入级到输出级进行计算，直到每个节点的计算完成；然后通过学习过程，不断重复以减少错误，使用神经网络的流体机械最优预测的学习流程如图1所示。

图1基于神经网络的流体机械预测优化流程图

论文研究选择五组数据作为训练数据。利用相应的软件模拟流体机械优化误差，将目标训练误差设为10^-5。基于神经网络的流体机械模型的误差性能训练曲线如图2所示，经过600次训练迭代后，该模型接近收敛。利用训练数据结果，对两台液压机械的相对总压效率进行了比较，结果如图2所示，基于机器学习设计的流体机械气体优化模型的相对总压效率比对照组高10.1%。表明，该方法的相对总压效率优于对照组，即其气动力学性能优于对照组。

图2流体机械气体优化模型的实验组和对照组的相对总压效率

论文利用深度学习的机器学习算法，通过大量的实验和数值模拟找到潜在的流场信息。通过机器学习，建立了数学流体动力学气体优化模型，发现利用机器学习方法建立的流体动力气体优化模型的整体压力比对照组明显较高，且利用机器学习方法建立的流体动力气体优化模型具有较好的气动特性。

论文基于2022年立项的国家级“大创计划”项目-“太阳能清洁机器人系统”开始试验、收集相关数据；研究成果申请专利3项，并应用于机械设计、人工智能等领域创新创业竞赛，在第十届辽宁省创新创业年会中获一等奖1项，在第二十五届中国机器人及人工智能大赛中获国家级二等奖3项、国家级三等奖3项。（文/方柑霖 图/杨瑞锋）