Details

Объект исследования – проточная часть винтового компрессора, описываемая совокупностью геометрических параметров винтовой пары. Предмет исследования – методы построения генеративных нейросетевых моделей для решения обратной задачи проектирования. Цель работы – разработка генеративной нейросетевой модели на основе условного вариационного автоэнкодера, позволяющей получать несколько вариантов геометрических параметров проточной части винтового компрессора по заданным значениям гидродинамических характеристик с учётом физических ограничений. Методы исследования включают анализ предметной области по теории винтовых компрессоров, методы математической статистики при подготовке данных, методы глубокого обучения модели, а также методы проверки модели на тестовой выборке для оценки точности полученных результатов. Результаты работы. Достигнута точность классификации числа зубьев ведущего ротора 96,9 %, ведомого — 98,6 %. Средняя относительная погрешность восстановления непрерывных геометрических параметров не превышает 5 %. Доля физически корректных генерируемых винтовых пар составляет 97 %. Модель устойчиво предсказывает геометрические параметры для компрессоров с КПД в диапазоне 0,74–0,82. Область применения. Разработанная модель может быть использована в системах автоматизированного проектирования винтовых компрессоров на этапе предварительного конструирования.

Object of the study is the flow path of a screw compressor, described by a set of geometric parameters of the screw rotor pair. Subject of the study – methods for constructing generative neural network models to solve the inverse design problem. Purpose of the work – development of a generative neural network model based on a conditional variational autoencoder capable of producing several variants of geometric parameters of the screw compressor flow path given specified hydrodynamic characteristics, while respecting physical constraints. Research methods include analysis of the subject area based on the theory of screw compressors, methods of mathematical statistics for data preparation, deep learning methods for model construction, and model validation techniques on a test set to evaluate the accuracy of the obtained results. Results of the work. A classification accuracy of 96.9 % for the number of lobes of the main rotor and 98.6 % for the gate rotor was achieved. The mean relative error in reconstructing the continuous geometric parameters does not exceed 5 %. The proportion of physically valid generated screw rotor pairs is 97 %. The model robustly predicts geometric parameters for compressors with an efficiency range of 0.74–0.82. Application area. The developed model can be used in computer-aided design systems for screw compressors at the preliminary design stage.