<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">SSSD</journal-id><journal-title-group><journal-title>Scientific and Social Sustainable Development</journal-title></journal-title-group><issn>3066-8964</issn><eissn>3066-8980</eissn><publisher><publisher-name>Art and Design</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/SSSD.2025030015</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>基于深度学习的调节阀流道拓扑优化设计与智能选型研究</title><url>https://artdesignp.com/journal/SSSD/1/3/10.61369/SSSD.2025030015</url><author>张心宇</author><pub-date pub-type="publication-year"><year>2025</year></pub-date><volume>1</volume><issue>3</issue><history><date date-type="pub"><published-time>2025-04-14</published-time></date></history><abstract>随着时代的不断发展，社会对于能源的需求也在不断加大。在此背景下，火电厂以及核电厂系统的稳定运行备受各界关注。而在这些大型工业设施之中，调节阀作为关键点控制模块，承担着精准调控和维护能源生产的重要职责。但以往的调节阀流道结构设计往往存在&amp;ldquo;经验主义&amp;rdquo;问题，这也影响了整体系统的稳定性，而深度学习的应用也为调节阀设计选型带来了新的机遇。本文就基于深度学习的调节阀流道拓扑优化设计与智能选型进行了探讨与分析，仅供相关人士参考。</abstract><keywords>深度学习,调节阀,流道拓扑优化,智能选型</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 廉嘉庚，袁俊杰，叶灵宋.高压差迷宫式调节阀的流道设计理论及模拟研究[J].流体测量与控制，2021,2(02): 15-21.&amp;nbsp;[2] 徐祥微，王国付，王玉福，等.直通调节阀内流场流道分析[J].阀门，2024,(04): 466-470.&amp;nbsp;[3] 金建云.不同开度下多层套筒调节阀流道流动特性分析[J].阀门，2023,(06): 731-738.&amp;nbsp;[4] 唐腾飞，肖莉，高翔.迷宫式调节阀节流碟片的流道优化研究[J].液压与气动，2021,45(05): 109-113.&amp;nbsp;[5] 谈斐祺.基于统计学习的气动调节阀故障诊断研究[D].浙江大学，2016: 1-8.&amp;nbsp;[6] 代伟，黄金昊，王聪，et al.基于多特征融合的工业气动调节阀快速自学习故障诊断方法[J].控制与决策，2023,38(10): 2934-2942.&amp;nbsp;[7] 陈黎明.气动调节阀故障机理分析与智能诊断[D].中国矿业大学，2020: 1-2.&amp;nbsp;[8] 池渊.基于混合模型与特征迁移的调节阀健康评估研究[D].哈尔滨工程大学，2021: 1-28.&amp;nbsp;[9] 黄爱芹.基于数据驱动的调节阀故障诊断方法研究[D].山东大学，2015: 1-2.&amp;nbsp;[10] 王笑霖.基于深度学习的气动调节阀智能诊断研究[D].大连理工大学，2024.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
