Все статьи автора в журнале: Гао Тяньцы

1. Прогнозирование реакции клапана Теслы и оптимизация структуры с использованием искусственных нейронных сетей

   Tesla valve response prediction and structure optimization using artificial neural networks

   Номер: 2024 / 10

   Гао Тяньцы | Gao Tyantsyi | gaotianci0088@gmail.comgaotianci0088@gmail.com

   Авторы статьи

   Authors

   Гао Тяньцы

   Gao Tyantsyi

   gaotianci0088@gmail.com

   gaotianci0088@gmail.com

   ---

   Прогнозирование реакции клапана Теслы и оптимизация структуры с использованием искусственных нейронных сетей

    

   УДК 004.89

   DOI: 10.36652/0869-4931-2024-78-10-464-475

    

   Аннотация. Рассмотрены пути улучшения и оптимизации конструкции клапана Теслы, производительность которого тщательно исследована путем объединения искусственной нейронной сети (ANN) и методологии поверхности отклика (RSM) для более глубокого анализа характеристик клапана. Некоторые ключевые конструктивные параметры клапана выбраны для оптимизации с использованием диполярности (Di) и коэффициента абсолютного падения давления (APDR) в качестве факторов отклика. Экспериментальные данные получены путем численного моделирования. Построены модели прогнозирования с использованием ANN и RSM и проведено сравнение их точности. Разработанный двухступенчатый клапан Теслы продемонстрировал высокую эффективность в реальных условиях и может эффективно использоваться в качестве обратного клапана. Результаты прогнозирования с использованием модели ANN оказались более точными, чем с моделью RSM, при этом переобучение не требовалось.

    

   ---

   Ключевые слова

   машинное обучение, клапан Теслы, оптимизация структурных параметров, оптимизация численного моделирования, конструкция одностороннего клапана

   Tesla valve response prediction and structure optimization using artificial neural networks

   Ways to improve and optimize the Tesla valve design, the performance of which is extensively studied by combining artificial neural network (ANN) and response surface methodology (RSM) for a deeper analysis of valve performance are considered. Some key valve design parameters are selected for optimization using dipolarity (Di) and absolute pressure drop ratio (APDR) as response factors. Experimental data are obtained by numerical simulation. Forecasting models using ANN and RSM are built and their accuracy is compared. The developed two-stage Tesla valve demonstrated high efficiency in real-world conditions and can be effectively used as a check valve. The prediction results using the ANN model were more accurate than with the RSM model, and no retraining is required.

   ---

   Keywords

   machine learning, Tesla valve, optimization of structural parameters, optimization of numerical simulation, one-way valve design