| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 中冷器相关技术研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容及意义 | 第13-16页 |
| 第2章 数值计算模型和方法的介绍 | 第16-26页 |
| 2.1 基本控制方程组 | 第17-19页 |
| 2.1.1 质量守恒方程(连续方程) | 第17页 |
| 2.1.2 动量守恒方程(N-S方程) | 第17-18页 |
| 2.1.3 能量守恒方程 | 第18页 |
| 2.1.4 湍流输运方程 | 第18-19页 |
| 2.2 计算模型的选择 | 第19-21页 |
| 2.2.1 湍流模型 | 第20-21页 |
| 2.3 数值计算方法 | 第21-24页 |
| 2.3.1 有限差分法 | 第22页 |
| 2.3.2 有限元法 | 第22-23页 |
| 2.3.3 有限体积法 | 第23-24页 |
| 2.3.4 流场计算SIMPLE方法 | 第24页 |
| 2.4 数值计算求解过程 | 第24-26页 |
| 第3章 BP神经网络及权积法灵敏度函数的介绍 | 第26-38页 |
| 3.1 BP神经网络定义 | 第26页 |
| 3.2 BP神经网络模型及其基本原理 | 第26-30页 |
| 3.3 BP网络的优点以及局限性 | 第30-31页 |
| 3.4 BP算法的改进 | 第31-32页 |
| 3.4.1 附加动量法 | 第31-32页 |
| 3.4.2 自适应学习速率 | 第32页 |
| 3.4.3 动量-自适应学习速率调整算法 | 第32页 |
| 3.5 基于MATLAB的BP神经网络训练介绍 | 第32-35页 |
| 3.5.1 BP网络创建函数 | 第33页 |
| 3.5.2 神经元上的传递函数 | 第33-34页 |
| 3.5.3 BP网络学习函数 | 第34-35页 |
| 3.5.4 BP网络训练函数 | 第35页 |
| 3.6 基于连接权的灵敏度分析 | 第35-38页 |
| 3.6.1 Garson算法 | 第35-36页 |
| 3.6.2 Tchaban算法 | 第36-38页 |
| 第4章 中冷器进气室结构优化设计 | 第38-52页 |
| 4.1 中冷器设计需考虑的影响因素 | 第38-47页 |
| 4.1.1 流量对流体流动的影响 | 第39-43页 |
| 4.1.2 弯曲角度对流体流动的影响 | 第43-47页 |
| 4.2 进气室有无导流叶片对流体流动的影响 | 第47-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 基于-BP神经网络的中冷器翅片参数灵敏度分析 | 第52-80页 |
| 5.1 增压中冷发动机的选型 | 第52-59页 |
| 5.1.1 发动机基本参数及环境参数 | 第52-54页 |
| 5.1.2 几何结构尺寸确定和计算 | 第54-56页 |
| 5.1.3 传热系数计算 | 第56-57页 |
| 5.1.4 用对数平均温差法校核散热面积 | 第57-58页 |
| 5.1.5 用效能(ε)传热单元数(NTU)法校核增压空气出口温度 | 第58页 |
| 5.1.6 压力损失校核 | 第58-59页 |
| 5.2 研究对象及样本数据 | 第59-62页 |
| 5.2.1 研究对象 | 第59-61页 |
| 5.2.2 样本数据 | 第61-62页 |
| 5.3 BP神经网络建模与训练 | 第62-75页 |
| 5.3.1 反向传播BP网络建模与训练参数的确定 | 第62-64页 |
| 5.3.2 流动阻力性能预测网络 | 第64-69页 |
| 5.3.3 传热性能预测网络 | 第69-75页 |
| 5.4 预测结果与灵敏度分析 | 第75-79页 |
| 5.4.1 流动性能预测与参数灵敏度分析 | 第75-77页 |
| 5.4.2 传热性能预测与参数灵敏度分析 | 第77-79页 |
| 5.5 结果分析 | 第79-80页 |
| 第6章 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80页 |
| 6.2 后续研究及工作展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87页 |