文摘

同轴度和不平衡是两个重要的指标来评估航空发动机的装配质量。它往往需要反复测试和拆卸同时满足双目标要求。因此,迫切需要智能装配方法直接预测最优装配方向的转子在每个阶段同时满足双目标要求。在这项研究中,一个装配多级转子发动机的优化方法,提出了基于遗传算法。首先,空间位置传播模型准确预测每个转子组装后的空间位置。的对齐过程相邻转子的装配螺丝孔被认为是第一次。其次,提出了一种新的组合优化策略选择不同的装配数据为特定值的同心度和不平衡,分别。最后,一个双目标适应度函数构造基于同轴度和不平衡。仿真和实验结果表明,该装置优化方法在本研究中可以利用来实现同步优化的同心度和航空发动机在预装配的不平衡。

1。介绍

组装技术是最终的技术连接在航空发动机的制造过程。尤其是对核心部分通常由高压压缩机(HPC)和低压压缩机(LPC),其装配质量直接影响航空发动机在高速运行的稳定性1- - - - - -3]。同轴度公差和不平衡引起的装配不当可能产生复杂的振动和噪音4- - - - - -7]。在实际的航空发动机的装配过程,需要反复进行测试和分解在大多数情况下,确保同心度和不平衡的两个索引可以同时满足(8,9]。毫无疑问,这样一个复杂的过程需要很长时间和高成本。因此,合理的装配误差控制方法和装配优化方法应该开发满足双目标要求在预装配。这是尤其重要的改进装配效率和合格率一次性组装。

近年来,装配误差传播模型和装配策略已被学者广泛研究旋转机械(如发动机)。根据坐标变换的原理,一个装配误差传播模型派生的二维旋转刚体Hussain et al。10]。第一次,他们想出了一个策略,“straight-build组装。”杨et al。11),为目的的优化多级转子的偏心误差的标准差,偏心误差计算基于垂直轴转子底部的中心和一条线从转子底部的中心的另一个转子顶部。通过构造一个概率密度函数的累积转子偏心误差的最后阶段,杨et al。12)比较了全局优化概率和蒙特卡罗方法,获得的结果。他们的结果被证明是高度相互一致,进一步反映的有效性”straight-build组装。“针对二维旋转刚体模型,杨et al。13)探讨了五种不同的组装策略优化的影响。基于上述二维装配误差传播模型,侯赛因et al。14)提出了“parallelism-build大会的另一个策略。“此外,这样的二维装配误差传播模型是进一步修改成3 d模型由杨et al。12]。然后,结合公差分析,假设转子在不同阶段的关键尺寸在正态分布在指定公差带;古怪的错误组装转子在不同阶段也预测的蒙特卡洛方法。杨et al。14]也探讨圆周装配方向的定量分布如何影响装配的累积误差。金等。15)建立了一个Jacobian-Torsor-matrix-based装配误差分析模型关注部分平行链。在本质上,上面描述的所有文学掉进了一个类别的公差分析。根据转子部件的位置和定向公差,多级转子装配误差传播模型由王等。16)以达到最佳匹配的装配方向转子在不同的阶段。然而,这种方法仍有其失败在构建一个统一的目标函数。神经网络优化模型是由太阳et al。17)为了减少多级转子的偏心误差和垂直度误差。

事实上,质量属性的优化的多级转子应特别强调为了防止航空发动机的振动超过其上限。优化转子不平衡,一个装配方法提出了刘et al。18]。然而,重心坐标在这项研究估计不是实际测量获得的,而是通过假设转化率和基于质心坐标。为了克服这一缺陷,太阳et al。19)利用立式动平衡机测量转子在不同阶段的质量属性;在此基础上,提出了一种装配方法为目的的优化同心度和不平衡。

根据研究现状的汇编优化多级转子上面所描述的那样,从二维扩展研究对象(10- - - - - -14)三维转子(12,14- - - - - -19从虚拟转子,10- - - - - -14)实际转子(15- - - - - -19]。关于他们的优化目标,改进单独考虑转子的几何属性(10- - - - - -17)考虑几何和质量属性(18,19]。的缺陷,从三个角度总结了现有研究方法的误差传播模型,装配优化策略,以及优化算法如下:(一)现有的多级转子装配误差传播模型没有考虑相邻转子的对准螺丝孔的过程(b)它是不合理的优化质量参数通过使用几何参数的测量基准的装配基准(c)现有优化算法用于计算目标函数在所有可能的装配方向和选择最优装配方向通过比较所有的结果,这是低效的

针对以上问题,基于遗传算法(GA),组装为航空发动机的多级优化方法提出了研究。节2.1空间位置传播模型,为多级开发航空发动机的转子。的对齐过程相邻转子的装配螺丝孔被认为是第一次。节2.2,提出了一种新的组合优化策略选择不同的装配基准的同轴度和不平衡的具体值,分别。节2.3根据GA优化理论,一个双目标适应度函数构造基于同轴度和不平衡。仿真和实验结果表明,该装置可以利用本文提出的优化方法来实现同步优化的同心度和不平衡。

2。方法

2.1。空间位置传播模型

在单级转子的加工过程中,同轴度和并行性错误是不可避免的在上部和下部安装表面。的情况下,转子在不同阶段的刚性联接实现精密螺丝,各自的转子的错误传播从一个阶段到另一个通过总成的嘴唇。通过这种方式,生成一个累积误差。此外,转子在各个阶段的实际空间位置偏离其理想的装配位置。如果实际空间位置可以准确算出转子组装后在不同的阶段,对应的累积误差后续组装也可以获得。在图1,一个3 d两级转子的装配过程描述。显然,当重心较低的表面被选为坐标原点在测量转子在不同阶段,其装配过程可以描述如下:转子B的底部安装面旋转一定的角度,使其转子的顶部安装面平行;后来,重心在底部安装转子表面B进行翻译,这样重叠与转子的安装面。

集会基于上述思想,本文提出了下行装配方法。具体而言,组装的过程n转子被认为的n−1两级转子;每个进程是实现由一个旋转和同时翻译。下行装配过程的3 d四级转子呈现在图2。装配过程分为三个步骤如下:步骤1:X设在是由投影轴,在底部表面,一条线连接的最高和最低分的顶面转子3;表面是用作底部XY飞机和旋翼4旋转了一个角度β₃在Y——轴上面的描述飞机上;之后,转子的中心在底部表面4是翻译的顶面,在转子3。通过这种方式,装配转子4和3完成。这样的装配过程是图中所示的相同1。步骤2:转子的装配4和3被视为一个转子与转子2进一步组装,这两级转子的装配过程就完成了。同样,一条线连接的最高和最低分的顶面转子2预计在其底部表面,其投影轴作为X设在。随后,转子表面2是选为底部XY飞机;和转子的装配4和3是通过旋转一个角度β₂在Y设在平面。然后,转子的中心在底部表面3是翻译的顶面,在转子2。步骤3:在本例中,转子的装配4、3、2被认为是一个转子;与转子1,实现两级转子装配过程。

在以下情况下均匀分布螺丝孔压痕在转子和实际测量的可行性进行了讨论。的螺丝孔,相邻两级转子装配前必须保持一致。对齐后,随后的安装和优化程序可以完成。在文献[16- - - - - -19),单级转子的几何参数测量转盘提供4-channel位移传感器。例如,集中性、并行性和其他参数可以获得一旦转子旋转转盘上的革命。尽管它既简单又有效,这种测量方法无法确定精确的位置和方向的螺钉孔的中心。因此,转子在不同阶段的角度旋转在螺丝孔对齐不能被识别。因此,三维坐标测量装置的测量应采用单级转子几何参数相关。首先,任何螺钉孔的中心需要校准转子压痕,这个中心之间的相位差和最高点应记录在测量上的并行性和较低的表面,如角φ₃在转子表面2和角度φ₂在转子的2。在这里,需要注意的是,螺丝孔数和均匀分布角度上安装面可能不同于那些低安装面时螺丝孔设计为单级转子。然而,应该有至少一对现有对准螺丝孔的上部和下部安装表面;换句话说,他们有相同的阶段。等选择一双螺丝孔校准螺丝孔,使转子在不同阶段的角度旋转螺丝孔对齐时可以忽略。原因是最高的一个角点的转子相对于校准螺丝孔保持不变。质心坐标时,并行上下安装转子表面的不同阶段,测量半径,和最高或最低的点在前表面测量,所有点都具有相同的运动轨迹的刚性转子。用方程表示(1),任意点的实际坐标的刚性转子可能为与会的转子在不同的阶段。 在哪里 , , 在哪里是指的空间位置矢量nth级转子装配前,组装后n转子th阶段,一个转换矩阵的旋转形成的(n+ 1)th级转子轴Z,的一个角(n+ 1)阶段转子绕轴旋转Z相对于n转子th阶段,变换矩阵的旋转产生的(n+ 1)th级转子轴Y底部表面,之间的一个角的校准螺丝孔的中心nth级转子,其最高点,,一个角度形成的顶部和底部表面(n+ 1)转子th阶段,并行性的顶部和底部表面(n+ 1)th级转子,一个测量半径的上表面(n+ 1)阶段转子。关于上述参数,只是一个变量,其他参数可以测量的三维坐标测量机(CMM)。

2.2。组合优化策略

同轴度和不平衡的宽容可能导致过度的航空发动机的振动。然而,他们的行动机制不同。混凝土,同轴度公差的不仅有机会导致静叶和转子之间的碰撞也转子失衡。至于不平衡的宽容,它可能产生不平衡离心力、扭矩、施加额外的动态负载轴承系统。考虑这个问题,航空发动机的装配优化应该实现同步优化几何和质量属性。在现有文献中,整体同心度和不平衡优化的多级转子组件选择一个垂直轴穿过中心的底部的表面下转子的装配基准优化(即表轴图3)。毫无疑问,这样的装配策略有一定的缺点。事实上,期刊的正面和背面轴转子,分别放置在swing帧左右的动平衡机的转子动平衡后续组装。不仅应该相应的自旋轴近似一条直线连接中点期刊的正面和背面轴还测量半径矢量的偏心质量需要垂直于旋转轴(即。,orientation-varying轴图4)。此外,自旋轴可能不同与转子的装配方向的变化在不同的阶段。在此基础上,一种新的装配策略是提高。由于这种策略,可以选择一个合适的基准来组装优化符合特定的值的同心度和不平衡。如图3,而表轴同轴度的优化数据,利用orientation-varying轴作为不平衡质量(即。线的中心轴期刊的底部和顶部转子)。

提供的表作为优化基准轴的同轴度,同心度一个n阶段转子组装后可以用方程表示(3)。因此,在不同阶段的最大同心转子组装可以表示如下: 在哪里是同心的平均值得到的n转子组装,用 ,和代表了集中性后组装的n阶段转子。在这里,所有转子集中性值的比较过程由方程(代替3)。一次值足够高,计算结果是最大的多级转子的集中性。此外,在另一个方程表示如下: 在哪里 , , 指质心的坐标后续装配表面的顶部n转子th阶段,以3 d CMM代表那些顶级装配前表面n阶段转子。这里的价值可以通过替换在方程(1)。

一旦不平衡的优化基准选择orientation-varying轴,组装的不平衡转子在不同阶段首先通过方程(5),也就是说, 在哪里的不平衡吗nth转子组装阶段,也就是说,一个产品的(即。,the unbalance mass of then转子)和th阶段(即。,the action radius vector of then阶段转子)。至于 ,它是通过以下步骤解决:步骤1:一个线性方程表达orientation-varying轴可以写成: 在哪里 是底部的位置向量转子底部的中心。在这种情况下,表轴作为基准的测量转子的几何参数,这样的观点是默认坐标系的原点。步骤2:对于平面这是在不平衡质量的扩展nth级转子和垂直于orientation-varying轴,它是表达方程如下: 在哪里 , ,在哪里代表了组装的坐标nth阶段基于转子质量不平衡;衡量一个动态平衡机代表大会之前获得的不平衡质量点的坐标n阶段转子。用在方程(1),是解决。步骤3:orientation-varying轴之间的相交点的坐标和飞机在下列方程表示。首先,方程(6)和(7)形成一个联立方程。通过这样一个联立方程的参数在线性方程表达orientation-varying轴可以获得: 用在方程(6),交点的坐标收购了, 。步骤4:不平衡质量的行动半径相对于orientation-varying轴,即模量 ,在下列方程表示:

用方程(9)方程(5)的值U_n是收购。之后,不平衡质量的转子在不同阶段需要分解为平衡A和B的表面通过方程(10)。 在哪里和的不平衡是平衡的表面一个和B,分别。在这种背景下,最大的不平衡n阶段转子可以得到以下方程: 在哪里的平均值和 。方程的解析原理(11)是一样的 ,用程序的不平衡比较平衡的表面一个和B。

此外,建立了双目标优化函数基于同轴度和不平衡推导出组装n阶段转子: 的设计变量表示一个向量由组装的方向n阶段转子。此外,代表的旋转角度nth级转子轴Z的装配功能表面,和简略优化函数,分别基于同轴度和不平衡。

针对多目标优化问题,最优值的目标函数和相应的最佳点正在制定当中。一般来说,很难获得最优解同时对所有目标函数。换句话说,没有最优的解决方案可以获得,使所有自己目标函数达到最优值。因此,理想的点不能得到的目标函数 。然而,如果目标函数可以自己的理想值最大程度的方法,可以获得比较满意的一系列解决方案。在此基础上,一个多目标优化问题转化为一个问题求解极值的简略评价函数。此外,权重系数可以介绍,使每个简略函数无量纲。在这里,创建了双目标优化函数如下: 在哪里 , , ,和 。这样一个评价函数的双目标无量纲,不仅认为每个目标是尽可能接近理想值,但也反映出各自的目标是同样重要的是在整个双目标优化问题。

2.3。遗传优化算法

作为一种全局优化算法,遗传算法旨在解决方案空间映射到遗传空间,变成一个染色体编码每一组可能的解决方案。首先,一系列的候选解决方案是随机生成的,它们形成一个初始种群;基于适应度函数设计提前根据目标函数,健身的计算每一个解决问题的环境。然后,相应的筛选与健身,获得一致性较低的抑制染色体健身,但促进这些较低的健康。之后,交叉和变异等遗传操作进行人口发展下一代的目的。通过重复上述操作,不断进化优化解决方案。最后,除了满足相应的收敛条件和人口是最适应的解决问题的环境,最优解也。根据上述遗传优化的思想,表达的双目标优化函数,方程(13),派生的部分2.2是进一步发展,GA适应度函数:

在这里,单目标遗传算法适应度函数表示为基于同轴度

对于单目标遗传算法适应度函数基于不平衡,它是用以下公式表示:

遗传算法而言,其步骤具体如下:步骤1 (初始种群):n面向装配序列中的元素被视为n基因,每个基因变化从0°- 180°。每个染色体组成的n基因。这样,1000染色体是随机生成的,作为初始种群。步骤2 (个人评价):健身每个染色体的发现对个人评价。步骤3 (选择):染色体和选择最佳的健身代替染色体最糟糕的健康。步骤4 (突变):突变的目的是改善当前的染色体。根据方程(17),染色体与更高的适应性变化范围较小。至于染色体适应性较低,它们的变化范围较大。 在哪里和分别前/后染色体突变。是一个0到1之间的随机数,代表的健身而代表最优目前人口的健康。步骤5 (交叉):一些基因随机选择两条染色体替换和重组。通过这种方式,生成一个新的染色体。通过交叉,遗传算法的搜索功能可以增强。步骤6 (终止条件算法结束):当健身的最佳个人和人口停止增长,和迭代次数达到设计值。

3所示。模拟

3.1。空间位置传播模型的验证

为了验证给定的空间位置传播模型的计算精度2.1号转子的几何参数,提出了文献[16)用于仿真。在此基础上,校准螺孔之间的角度和最高点是0°在默认情况下(即。 )。此外,SolidWorks三维绘图软件,利用重构相应的强度转子模型。通过测量软件的功能,装配转子在不同阶段的重心坐标测量,然后与模型计算结果通过。

提供的初始取向转子在不同阶段是0°,也就是说,在的情况下 ,的质心坐标的顶部表面组装号转子展示在表1。他们是高度一致的测量结果由软件,如图4。这表明,在这些转子的几何参数,提出了空间位置传播模型准确预测能力的空间位置装配转子在不同的阶段。

3.2。遗传优化

假设强度模拟转子部分中描述3.1是钢做的。此外,质量属性(见表2)的转子在不同阶段的软件。然后,装配方向的优化仿真是由遗传算法的三种策略基于coaxiality-based简略优化(策略1)的unbalance-based简略优化(策略2)和双目标优化基于同轴度和不平衡(策略3)。转子的第一阶段,其面向装配设计在0°默认;每个基因设计两个基因, ,和初始种群的数量是1000。此外,GA的内部参数的选择原则指的是文献[20.),然后突变率,交叉率,和迭代时间设置为0.01,0.9,和500年,分别。连接螺丝孔的情况下,情况存在于转子在不同阶段将被忽略,在表中给出相应的仿真结果3。单目标优化的收敛进展同心度如图5,最佳的健身达到0.0058毫米。单目标优化的收敛进展不平衡如图6,最佳的健身达到32.2568 g·毫米。同轴度的双目标优化的收敛进展和不平衡如图7,无量纲优健身达到0.0012。与此同时,同心度和不平衡是0.0064毫米和32.2574毫米,分别。从数据5- - - - - -7可以看出,所有上述三个优化对象的优化过程有很好的收敛在500迭代。

获得的不平衡的双目标遗传优化几乎一样的单目标优化基于不平衡,和同轴度的优化效应增加了25%。显然,基于双目标遗传优化有可能最好是实现同步优化的同心度和不平衡,及其优化结果更接近的单目标优化。

在实际装配过程中,转子在不同阶段的刚性连接是通过精密螺丝。螺丝孔离散分布,使装配方向可用离散。在这种情况下,初始种群也离散变量。因此,最优的螺丝孔对齐关系转子在不同阶段应该想出了通过基于二次计算最优解。首先,螺丝孔附近的角度确定最优解来计算所有可能的排列关系(数量:2ⁿ⁻¹在不同的阶段)的转子。从这些关系,可以选择的最佳定位螺丝孔。相对于校准螺丝孔的n1)th级转子,间隔的螺丝孔n转子旋转可以直接识别阶段。如认为,有24个圆周上的螺丝孔上下每个转子的装配表面,和螺丝孔的分布角度设置为15°。

抽样夹角校准螺丝孔的中心,每个转子的最高点是设计为0°。在这种情况下,优化模拟的情况下没有螺丝孔重复。关于相关的仿真结果,表中列出4。此外,必须选择一个最优解在螺丝孔的角度是从哪里发出的。

3.3。蒙特卡罗模拟

在实际测量的过程中,某些测量错误,如系统误差或错误引起的相应的测量手段,可能会不可避免地发生。本文进一步探讨了影响测量误差的遗传优化的结果。假设强度模拟转子的几何参数都符合正态分布的标准偏差σ/ 6,所有参数的值是在一节3.1,σ代表这些参数的公差值。等特定设置的公差值,它们展示在表5。基于蒙特卡罗方法,双目标遗传优化模拟10000次。

在10000次迭代的蒙特卡罗方法,遗传优化结果分布在一系列159.62°∼180°到转子的装配方向在第二阶段而言,如表所示6。此外,他们的平均值和标准差是179.88°和0.2798°,分别(见图8)。最佳值的概率躺在179°和180°计算为99.527%,标志着一个高度集中分布。至于转子的装配方向在第三阶段,分布范围、平均值、标准差的遗传优化结果证明,分别145.91°,179.89°和0.7174°(见图9)。同样,最佳值的概率躺在179°和180°之间为98.594%,表明高度集中分布。显然,没有大的预测错误发生在遗传优化结果后考虑转子参数测量误差。此外,遗传优化的结果基于双目标优化函数仍显著一致和准确。

4所示。实验

之后,航空发动机是按比例缩小到原始比例和简化成一个四模拟转子。转子系统的部分视图如图10。观察,它是由一个轴,LPC分析,HPC和轴。进一步证明的有效性提出了组合优化方法,实验和相应的执行下面详细的实验步骤:步骤1:转子的几何参数不同的阶段被3 d CMM测量。提出了图(11日),前面的轴的几何参数分别测量。首先,任何螺钉孔的中心位置在圆周方向校准。这个螺丝孔的中心之间的连接线和对称轴的轴的前面X设在。之后,不仅支持部分的质心的坐标测量直径的轴,但重心校正坐标系统的起源。随后,以下参数的测量安装面,也就是说,质心的坐标,并行性错误,最高点的角度相对于校准螺丝孔的中心,和高度。对LPC的测量原理、HPC,后轴,他们采用的相同的轴。此外,所选的3 d CMM是卡尔蔡司生产的AG)和它的测量精度达到2μm。并给出了四旋翼的几何参数表7。步骤2:转子在不同阶段的质量参数测量的动态平衡机。如图11 (b),前面的不平衡轴独立测量。此外,水平基准面和水平测量表面被选为输出不平衡的两架飞机,和校准螺孔中心的几何参数的测量是作为初始阶段点。双面不平衡测量向量变成了不平衡质量的形式作用于不平衡质量的外圆和坐标点。关于LPC, HPC,轴,其测量原理相同的轴。此外,动平衡机(最小残余不平衡:0.5 g·mm /公斤)选择使用是由上海Dongyijing测试机械有限公司制造有限公司提出了四旋翼的质量参数表8。步骤3:根据几何和质量参数的测量值,三次的四级转子进行优化,包括:(一)同轴度基于单目标优化(策略1)(b)不平衡基于单目标优化(策略2)(c)双目标优化基于同轴度和不平衡(策略3)第四步:根据步骤3的三个组合优化策略,相应的最优装配方向计算,和转子组装与三个优化结果的一致性,同轴度和测量组件(参见图的不平衡12)。

5。结果与讨论

这是证明了相关的实验结果(见表9和图13)同轴度通过双目标优化生成的价格相比增加12.7%,如果coaxiality-based简略优化;然而,不平衡相应下降33%。至于双目标优化,不平衡和同轴度从而实现,分别上升,减少了32%和38.6%相比,那些由unbalance-based简略优化。这些现象表明,该双目标遗传优化算法能够实现同步优化的同心度和多级转子的不平衡。此外,他们也会使适应度函数无量纲的有效性。

此外,该转子装配优化方法是关注三个方面。首先,需要构建空间位置传播模型。根据相关仿真结果,这样一个模型能够准确预测的实际空间位置装配转子在不同的阶段。与现有的研究相比,一个因素的螺丝孔装配直接引入到模型第一次,哪个更适合实际测量相关的多级转子航空发动机转子装配提供指导。第二个方面是关于装配优化策略。考虑转子不平衡的实际操作条件,2个飞机不平衡产生的动平衡机必须垂直于旋转轴的相应测量转子。此外,这样一个旋转轴只是一条线连接前后的转子轴的中点。关于不平衡优化研究在现有的研究中,相应的装配基准是一样的同轴度的优化选择。换句话说,一个正常的轴在底部中心底部转子作为基准。此外,正常的轴也数据基于单级转子几何参数的测量。 However, when such an axis is used as the datum for the unbalance optimization, it is inconsistent with the measurement conditions of the dynamic balancing machine on the one hand; on the other hand, the corresponding experimental results have no reference significance. Therefore, the proposed assembly strategy here is to select different types of the assembly datum for the various values of the coaxiality and unbalance, ensuring consistency with the actual measurement conditions. In terms of the optimization algorithm, the bionics algorithm is now seldom applied in assembly optimization. Here, GA is employed to achieve optimal matching of the assembly orientations for the rotors at different stages. Such a strategy is applicable not only for the optimization of the continuous angles but also for the optimization of discrete angles in the presence of screw holes for assembly.

6。结论

由于目前的产业发展水平的限制,加工误差和材料缺陷可以避免在航空发动机的制造。个人的错误转子在不同阶段不断传播和积累。迫在眉睫的是提出一种汇编指令的方法,可以用来准确预测最优调整转子在不同阶段之间的关系在已知的几何参数和质量的前提下的转子。在这项研究中,一个遗传组装的优化方法开发的多级转子发动机。主要任务与它可以通过以下三个方面来描述:(1)一个空间传播模型开发了多级转子位置。的对齐过程相邻转子的装配螺丝孔被认为是第一次。的基础上降组装方法,组装的程序n阶段转子被简化成的n1两级转子。只要每个单级转子的几何和质量参数,同心度和不平衡的组件可以准确地预测在任何的螺丝孔对齐关系。(2)提出了一种新的组合优化策略选择不同的装配数据为特定值的同心度和不平衡,分别。更特别,一个正常的轴在底部中心底部转子作为同轴度优化的装配基准和支持的中心部分期刊的正面和背面轴作为不平衡优化。这样的组合优化策略更适合于多级转子实际测量和操作条件。(3)同步优化的同心度和不平衡是通过使用遗传算法实现。此外,转子在不同阶段的最优装配方向也因此识别。这进一步证明了蒙特卡罗模拟,即使某些测量误差产生,遗传优化结果仍显示高一致性和可靠性。

数据可用性

建模数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的黑龙江省自然科学基金杰出青年项目,在批准号JQ2019E002。作者感谢金融支持。