论文部分内容阅读
喷气涡流纺是一种基于特殊喷嘴结构,通过合理利用气体流完成纱线加捻的新型纺纱技术。其喷嘴是加捻成纱的关键部件,喷嘴的结构设计与工艺参数对纺纱质量有重要影响。目前国内外学者的研究方法主要是纺纱实验和数值模拟。本文应用数值模拟方法研究喷气涡流纺的成纱过程,依据定量化的数值模拟计算结果,对喷嘴结构参数与工艺参数进行优化。本文通过喷气涡流纺喷嘴结构研究和数值模拟研究两个方面,对国内外学者的研究现状进行了较为全面的总结。目前学者们普遍采用单独考虑流场的数值模拟结果进行分析,优化几个重要的喷嘴结构(前罗拉夹持点到空心锭子距离;导引体结构;喷孔结构;空心锭子结构;涡流室结构等),优化方法大多为直观的对比分析计算结果。针对目前的研究现状,本文提出了建立三维气流与纤维耦合数值计算方法、运用神经网络与遗传算法进行寻优的研究目标。在研究的初期,由于只考虑流场的仿真是进一步复杂分析的基础,本文首先进行了流场仿真的计算和分析。通过考察数值计算各项指标和分析计算结果,验证所选用的流场数值计算模型的合理性,为下一步气流与纤维耦合数值模拟提供更精确的初始流场数据和计算模型。结合喷气涡流纺的成纱机制,通过数值计算结果,分析了一些重要的喷嘴结构和工艺参数对成纱的影响。为了进一步实现气流与纤维双向耦合数值模拟计算,本文建立了一种三维有限元纤维模型,并体现纤维的密度、弹性模量等物理参数;建立了气流与纤维耦合作用的动力学模型,并考虑到固体间接触问题;选用任意拉格朗日欧拉法,通过动网格技术实现了气流与纤维的耦合计算;结合喷气涡流纺的成纱机制分析数值模拟计算结果,确定了优化变量和量化后的优化目标。由于优化变量和优化目标之间的关系复杂,无法用确定的方程表示它们的函数关系,本文运用BP神经网络建立模型。因为用于BP神经网络训练的样本参数较少,本文采用基于遗传算法优化的BP神经网络,通过优化初始全职和阈值,使得计算结果是确定解并且更精确。在进行遗传算法对训练好的BP神经网络进行单目标寻优后发现优化变量之间存在非劣解关系,于是采用基于遗传算法的多目标寻优算法,获得前端解空间,从中获取较好的优化变量,即喷嘴结构和工艺参数。最后,本文总结了研究的结果和获得的成果,总结了研究中的不足和有待完善和发展的地方,展望了今后的研究方向。