为提高氢燃料电池引射器的性能,以额定工况下氢燃料电池引射器为研究对象,提出一种基于椭球基(EBF)神经网络模型和非线性序列二次规划(NLPQL)算法的引射器结构参数优化方法。基于正交试验,建立EBF神经网络模型,描述引射器结构参数与引射系数间的非线性关系;通过引射系数模拟值与代理模型预测值的对比以及复相关系数,验证了代理模型的精度;最后,应用NLPQL算法进行全局寻优,获得使引射系数最大的结构参数组合,并进行模拟验证。研究结果表明:基于EBF神经网络和NLPQL算法,提高了燃料电池引射器的引射系数,相对于正交试验方案最大值,引射系数提高了3.9%。基于正交试验设计和EBF神经网络的方法,可以扩大引射器结构参数研究范围和水平,节约CFD模拟计算时间。

对PEMFC氢气引射器结构参数组合进行正交试验设计并仿真分析引射效果。采用Kriging代理模型作为参数优化预测模型,并基于拉定超立方检验预测精度良好。基于Kriging模型进行主效应分析,证明引射器结构参数与引射效果存在复杂非线性关系。基于多岛遗传算法(Multi-island Genetic Algorithm,MIGA),以最大二次回流质量流量为优化目标,完成目标优化设计,并通过贡献度分析确定尺寸参数权重排序。通过帕累托最优解得到最佳结构参数组合并仿真求出最大二次回流质量流量为0.0037 kg/s,最大引射比2.64,对比正交试验最优结果提高了8.8%。