基于机器学习方法的流体机械气动优化设计研究现状及展望

随着机器学习方法的不断发展,形成了各类算法,已有学者将其应用于流体机械的流动计算、流动控制以及优化设计。以深度学习为代表的机器学习方法具有强大的归纳学习能力,能够自主进行特征学习,不仅可以直接利用实验和数值模拟数据,从中挖掘出潜在的流场信息,更可以在优化设计过程中实现自适应的设计参数探索,以实现快速、鲁棒、全局且高效的优化,因此可以作为一种全新的流体机械优化设计方法。本文概述了流体机械气动优化的现状、机器学习方法的研究现状、机器学习在流动计算、流动控制以及流体机械优化设计中的应用现状,并指出了深度学习在流体机械优化设计上的应用前景。

不同酵母对威士忌品质的影响

以大麦芽为原料,选用3种不同酵母(ACBC-1、ACBC-2及ACBC-3)发酵制备威士忌。比较不同酵母的发酵性能、理化指标及出酒率,采用气相色谱(GC)法测定威士忌挥发性香气物质,通过气味活度值(OAV)确定关键香气化合物并进行主成分分析(PCA),并对制备的酒样进行感官评价。结果表明,酵母ACBC-1发酵性能最好,其发酵液的理化指标良好(总酸3.73 g/L,残糖3.00 g/100 g,酒精度6.42%vol,p H 4.1),出酒率最高(70.78 m L/kg)。3个酒样共检出24种风味物质,其中醇类化合物为主,占77%~98%;OAV>1的酯类化合物种类最多(5种),其中乙酸苯乙酯、乙酸异戊酯及乙酸苯乙酯是关键香气物质,对酒样的香气贡献最大。3种酵母制备威士忌酒样感官评分顺序ACBC-1(90分)>ACBC-2(76分)>ACBC-3(71分)。结果表明,酵母ACBC-1适合酿造威士忌。