To make up for the intrinsic flaws

To make up for the intrinsic flaws in evolutionary computation,Sun et al. [22] proposed the Mind Evolutionary Algorithm (MEA) in1998, which emulates activities of the human mind [23] and exhibitsan excellent optimising performance and convergence ratio.The Back Propagation Neural Network (BPNN) is a multilayerfeed-forward neural network, and it possesses a strong nonlinear mapping ability. The objective of the present study is to design anovel range hood and optimise its geometric configuration to meetthe requirements of exhaust airflow rate with high grease separationefficiency. To realise this purpose, an inverse design method isproposed based on the 3D CFD model coupled with MEA-BPNN,where the initial weights and thresholds of BPNN are optimisedby MEA; furthermore, MEA is coupled with the optimised BPNNto find the optimal structural parameters of the novel range hood.The optimal objective of MEA is to maximise the exhaust airflowrate with good grease separation; the considered design variablesare seven structural parameters, including blade inlet and outletangles, blade number and height, guide vane number and height,and diffuser diameter. The typical working conditions of trainingand validating BPNN are determined by the method of orthogonalexperiment. The results of the typical working conditions areobtained by CFD to establish the relationship between optimal valuesand design variables. MEA and Mono-Factor Analysis (MFA)and Half Octave Method (HOM) are adopted to enhance the efficiencyof optimisation. The results show that the exhaust airflowrate and grease separation performance of the proposed novelrange hood is satisfactory.

結果 (繁體中文) 1:

為了彌補在進化計算，內在缺陷
Sun等。[22]所提出的思維進化算法（MEA）在
1998年，其模仿人類的頭腦[23]的活動，並表現出
優異的優化性能和收斂比。
反向傳播神經網絡（BPNN）是多層
前饋神經網絡，它具有強的非線性映射能力。本研究的目的是設計一種
新型的抽油煙機和優化其幾何構型以滿足
排氣氣流率的具有高油脂分離的要求
效率。為了實現這一目的，逆設計方法
基於加上MEA-BPNN三維CFD模型提出，
其中BPNN的初始權值和閾值被優化
由MEA; 此外，MEA被耦合用優化BPNN
找到新穎的抽油煙機的最佳的結構參數。
MEA的最佳目標是最大化的排氣氣流
具有良好的油脂分離率; 所考慮的設計變量
七個結構參數，包括葉片進口和出口
角度，葉片數目和高度，導葉數和高度，
和擴散器的直徑。訓練的典型的工作條件
和驗證BPNN由正交的方法測定
實驗。的典型的工作條件的結果
通過CFD得到建立最佳值之間的關係
和設計變量。MEA和單因素分析（MFA）
和半八度法（HOM）採用，以提高效率
的優化。該結果表明，該排氣氣流
所提出的新穎的速率和油脂分離性能
抽油煙機是令人滿意的。

結果 (繁體中文) 2:

為了彌補進化計算的內在缺陷，
Sun等人[22]提出了思維進化演算法（MEA）在
1998年，類比人類心靈的活動[23]和展品
出色的優化性能和收斂比。
反向傳播神經網路 （BPNN） 是一個多層
前饋神經網路，具有較強的非線性映射能力。本研究的目的是設計一個
新穎的系列發動機罩，並優化其幾何配置，以滿足
高潤滑脂分離對排氣氣流率的要求
效率。為了實現這一目的，反向設計方法是
基於 3D CFD 模型與 MEA-BPNN 相結合的建議，
對 BPNN 的初始權重和閾值進行了優化
由MEA;此外，MEA 還結合優化了 BPNN
找到新型系列罩的最佳結構參數。
MEA 的最佳目標是使排氣氣流最大化
良好的潤滑脂分離率;考慮的設計變數
是七個結構參數，包括刀片入口和出口
角度、刀片數和高度、導向葉片編號和高度、
和擴散器直徑。培訓的典型工作條件
和驗證BPNN是由正交的方法確定
實驗。典型工作條件的結果是
CFD 獲得以建立最優值之間的關係
和設計變數。MEA 和單因素分析 （MFA）
採用半八度法（HOM）提高效率
優化。結果表明，排氣氣流
建議新穎的速率和潤滑脂分離性能
範圍罩是令人滿意的。

結果 (繁體中文) 3:

為了彌補進化計算的內在缺陷，
Sun等人。[22]在
1998年，它模仿了人類的思維活動[23]和展覽
優良的優化效能和收斂率。
反向傳播神經網路（BPNN）是一個多層網絡
前饋神經網路具有很强的非線性映射能力。本研究的目的是設計一個
新型吸油煙機並優化其幾何結構以滿足
高脂分離排氣流量的要求
效率。為了實現這一目的，逆向設計方法是
基於三維CFD模型結合MEA-BPNN提出，
其中優化了BPNN的初始權值和閾值
通過MEA；此外，MEA與優化的BPNN相結合
尋找新型吸油煙機的最佳結構參數。
MEA的最佳目標是使排氣氣流最大化
良好油脂分離率；考慮的設計變數
是七個結構參數，包括葉片入口和出口
角度、葉片號和高度、導葉號和高度，
和擴散器直徑。典型的培訓工作條件
並用正交試驗法確定了bp神經網路的有效性
實驗。典型工作條件的結果是
通過CFD得到的最優值之間的關係
以及設計變數。MEA和單因素分析（MFA）
並採用半倍頻程法提高效率
優化。結果表明
所提出的新方法的速率和油脂分離效能
吸油煙機令人滿意。