CN108763690A - 一种水轮机固定导叶叶型智能优化方法 - Google Patents

Abstract

本发明公开了一种水轮机固定导叶叶型智能优化方法，包括：根据原始水轮机固定导叶的叶型参数，建立固定导叶的参数化几何模型；基于固定导叶的参数化几何模型建立固定导叶的三维CFD流场仿真模型，进而对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响；利用各个叶型参数对流场特性的影响建立训练样本集，采用极限学习机的方法拟合神经网络，得到叶型参数与性能指标的对应关系；根据叶型参数与性能指标的对应关系，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数。本发明的智能优化方法能够根据实际工程需求有效提升水轮机固定导叶的性能，并减少设计时间，降低设计成本。

Description

一种水轮机固定导叶叶型智能优化方法

技术领域

本发明属于水轮机固定导叶叶型优化设计领域，更具体地，涉及一种水轮机固定导叶叶型智能优化方法。

背景技术

在大型水轮机运行过程中，水力因素是导致水力发电机组振动的主要原因之一。水力因素通常被分为三种：部分载荷下尾水管中的低频压力脉动；偏离最优工况时转轮内由叶道涡引起的压力脉动；由卡门涡引起的发生在固定导叶、活动导叶、转轮叶片末端的高频压力脉动。其中卡门涡对物体的周期作用力会造成周期性振动，尤其在旋涡脱落频率接近叶片固有频率时，这种振动将引发共振，导致更加剧烈的振动，使叶片萌生裂纹。卡门涡引起的共振不仅会影响下游水流，降低效率，导致叶道涡出现，还会对机组部件造成严重损伤。因此，对大型水轮机上由卡门涡引发的共振开展研究具有重要意义。

采用数值方法能够有效地对湍流现象进行研究。但对于优化设计，由于具备更强的实用性，并且能够突破实验条件的限制，计算流体动力学(CFD)是一种更合适的方法。CFD与试验结合的方法已被广泛应用于由漩涡引起的水翼振动研究上，但这些研究缺少对不同固定导叶叶型的影响的系统性综合分析，也没有提出科学严谨的减振措施。

由此可见，现有技术存在固定导叶发生共振，疲劳寿命较短，能量损失较大，水轮发电机组的安全稳定性较差和水力效率较低的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种水轮机固定导叶叶型智能优化方法，由此解决现有技术存在固定导叶发生共振，疲劳寿命较短，能量损失较大，水轮发电机组的安全稳定性较差和水力效率较低的技术问题。

为实现上述目的，本发明提供了一种水轮机固定导叶叶型智能优化方法，包括：

(1)根据原始水轮机固定导叶的叶型参数，建立固定导叶的参数化几何模型；

(2)基于固定导叶的参数化几何模型建立固定导叶的三维CFD流场仿真模型，进而对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响；

(3)利用各个叶型参数对流场特性的影响建立训练样本集，采用极限学习机的方法拟合神经网络，得到叶型参数与性能指标的对应关系；

(4)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数。

进一步地，叶型参数包括叶片厚度、倾角、圆角半径和出水边型式。

进一步地，步骤(2)包括：

对固定导叶的参数化几何模型进行网格划分，得到固定导叶的三维CFD流场仿真模型，采用正交试验法在固定导叶的三维CFD流场仿真模型中对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响。

进一步地，性能指标包括尾迹压力脉动幅值、旋涡脱落频率、尾迹长度、能量损失以及旋涡尺寸。

进一步地，目标函数为：

其中，p表示平均动压，e表示计算域入口与出口之间的能量损失；l表示固定导叶的尾迹长度，p₀、l₀、e₀分别表示原始水轮机固定导叶的平均动压、能量损失、尾迹长度；w_P、w_l、w_e分别表示平均动压、能量损失、尾迹长度的权重因子。

进一步地，能量损失为：

其中，P_in表示进水边平均压力，P_out表示出水边平均压力，ρ表示水的密度，V_in表示进水边平均速度，V_out表示出水边平均速度，g表示重力加速度。

进一步地，目标函数的约束为旋涡脱落频率与固定导叶固有频率之差大于20％。

进一步地，步骤(4)包括：

(4-1)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数；

(4-2)根据最优叶型参数建立新的几何模型，基于新的几何模型建立新的三维CFD流场仿真模型，进而对最优叶型参数的固定导叶进行CFD模拟计算，得到固定导叶性能评估结果，如果固定导叶性能评估结果未满足要求，则将固定导叶性能评估结果加入训练样本集后执行步骤(3)；如果固定导叶性能评估结果满足要求，则此时最优叶型参数对应的叶型为固定导叶的最优叶型。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明根据固定导叶的参数化几何模型建立的固定导叶的三维CFD流场仿真模型具有较高的精度，能够准确反映固定导叶处的流场特性。参数化固定导叶叶型，将叶型参数作为设计变量，采用神经网络对性能指标进行预测，减少了CFD模拟计算量，提高了优化设计效率。引入极限学习机和遗传算法对叶型参数进行优化，提高了计算精度。本发明所述的水轮机固定导叶优化方法能够减小涡致振动振幅，缩短尾迹长度，改善应力分布，降低能量损失，防止共振发生，有效地改进了水轮机性能，加强了固定导叶强度，提高疲劳寿命，提升水轮发电机组的安全稳定性和水力效率。

附图说明

图1是本发明实施例提供的一种水轮机固定导叶叶型智能优化方法的流程图；

图2是本发明实施例提供的神经网络的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供了一种水轮机固定导叶叶型智能优化方法，由此解决现有技术存在固定导叶发生共振，疲劳寿命较短，能量损失较大，水轮发电机组的安全稳定性较差和水力效率较低的技术问题。

为实现上述目的，本发明提供了一种水轮机固定导叶叶型智能优化方法，包括：

(1)根据原始水轮机固定导叶的叶型参数，叶型参数包括叶片厚度、倾角、圆角半径和出水边型式，建立固定导叶的参数化几何模型；

(2)对固定导叶的参数化几何模型进行网格划分，得到固定导叶的三维CFD流场仿真模型，采用正交试验法在固定导叶的三维CFD流场仿真模型中对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响。

由于固定导叶出水边边界层厚度对卡门涡街有很大影响，为获得良好的边界层分辨率，得到准确的预测结果，本发明选用SST k-ω模型和大涡模拟(LES)两种不同的湍流模型来逼近实际情况。其中SST k-ω模型保留了k-ω模型在近壁面和k-ε模型在主流区域的特性，适用于研究流动分离现象，其流动方程如下：

式中：G_k表示湍流动能；G_ω表示ω方程；Γ_k、Γ_ω分别表示k、ω的有效扩散项；Y_k、Y_ω分别表示k、ω的发散项；D_ω表示正交发散项；S_k、S_ω为用户定义项。

大涡模拟能够捕捉非稳态流动时的微位移，并能克服采用直接数值模拟(DNS)时计算成本太大的缺陷。采用大涡模拟过滤不可压缩N-S方程得到下式：

式中：σ_ij表示应力张量，定义为τ_ij表示亚网格应力，定义为

(3)利用各个叶型参数对流场特性的影响建立训练样本集，采用极限学习机的方法拟合神经网络，得到叶型参数与性能指标的对应关系；性能指标包括尾迹压力脉动幅值、旋涡脱落频率、尾迹长度、能量损失以及旋涡尺寸。

(4)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数。

目标函数为：

其中，p表示平均动压，e表示计算域入口与出口之间的能量损失；l表示固定导叶的尾迹长度，p₀、l₀、e₀分别表示原始水轮机固定导叶的平均动压、能量损失、尾迹长度；w_p、w_l、w_e分别表示平均动压、能量损失、尾迹长度的权重因子。

能量损失为：

其中，P_in表示进水边平均压力，P_out表示出水边平均压力，ρ表示水的密度，V_in表示进水边平均速度，V_out表示出水边平均速度，g表示重力加速度。

为避免共振，目标函数的约束为旋涡脱落频率与固定导叶固有频率之差大于20％：

式中：f表示CFD模拟计算得到的旋涡脱落频率；f_n1、f_n2、f_n3表示固定导叶的前三阶固有频率。

如图2所示为本发明神经网络结构，待优化参数为叶片厚度、倾角、圆角半径、出水边型式等叶型参数，性能指标包括尾迹压力脉动幅值、旋涡脱落频率、尾迹长度、能量损失以及旋涡尺寸。本发明选择极限学习机(ELM)来确定神经网络的结构。对于一个由N个样本(x_i，y_i)组成的样本集(i＝1，2，...，N，x_i＝[x_i1，x_i2，...，x_im]^T∈R^m，y_i＝[y_i1，y_i2，...，y_in]^T∈Rⁿ)，ELM的输出如下式所示：

式中：L表示ELM隐藏节点数；w_i＝[w_i1，w_i2，...，w_in]^T表示输入权向量；β_i＝[β_i1，β_i2，...，β_im]^T表示输出权向量；b_i表示偏置；g(x)表示激励函数。

将上式简化：

Hβ＝T

式中：H表示隐含层输出矩阵；β表示输出权矩阵；T表示期望输出矩阵。

一旦输入权重w_i和隐含层偏置b_i被随机确定，隐含层输出矩阵是唯一确定的。将神经网络的训练转化为求解下列线性系统方程：

步骤(4)包括：

(4-1)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数；

(4-2)根据最优叶型参数建立新的几何模型，基于新的几何模型建立新的三维CFD流场仿真模型，进而对最优叶型参数的固定导叶进行CFD模拟计算，得到固定导叶性能评估结果，如果固定导叶性能评估结果未满足要求，则将固定导叶性能评估结果加入训练样本集后执行步骤(3)；如果固定导叶性能评估结果满足要求，则此时最优叶型参数对应的叶型为固定导叶的最优叶型。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种水轮机固定导叶叶型智能优化方法，其特征在于，包括：

(1)根据原始水轮机固定导叶的叶型参数，建立固定导叶的参数化几何模型；

(2)基于固定导叶的参数化几何模型建立固定导叶的三维CFD流场仿真模型，进而对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响；

(3)利用各个叶型参数对流场特性的影响建立训练样本集，采用极限学习机的方法拟合神经网络，得到叶型参数与性能指标的对应关系；

(4)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数。

2.如权利要求1所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述叶型参数包括叶片厚度、倾角、圆角半径和出水边型式。

3.如权利要求1或2所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述步骤(2)包括：

对固定导叶的参数化几何模型进行网格划分，得到固定导叶的三维CFD流场仿真模型，采用正交试验法在固定导叶的三维CFD流场仿真模型中对不同叶型的固定导叶进行CFD模拟计算，得到各个叶型参数对流场特性的影响。

4.如权利要求1或2所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述性能指标包括尾迹压力脉动幅值、旋涡脱落频率、尾迹长度、能量损失以及旋涡尺寸。

5.如权利要求1或2所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述目标函数为：

其中，p表示平均动压，e表示计算域入口与出口之间的能量损失；l表示固定导叶的尾迹长度，p₀、l₀、e₀分别表示原始水轮机固定导叶的平均动压、能量损失、尾迹长度；w_p、w_l、w_e分别表示平均动压、能量损失、尾迹长度的权重因子。

6.如权利要求5所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述能量损失为：

其中，P_in表示进水边平均压力，P_out表示出水边平均压力，ρ表示水的密度，V_in表示进水边平均速度，V_out表示出水边平均速度，g表示重力加速度。

7.如权利要求5所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述目标函数的约束为旋涡脱落频率与固定导叶固有频率之差大于20％。

8.如权利要求1或2所述的一种水轮机固定导叶叶型智能优化方法，其特征在于，所述步骤(4)包括：

(4-1)根据叶型参数与性能指标的对应关系，以水轮机运行时无共振、涡致振动振幅最小、水力效率最高为优化目标，建立目标函数，利用目标函数结合遗传算法在神经网络中对叶型参数寻优，得到最优叶型参数；

(4-2)根据最优叶型参数建立新的几何模型，基于新的几何模型建立新的三维CFD流场仿真模型，进而对最优叶型参数的固定导叶进行CFD模拟计算，得到固定导叶性能评估结果，如果固定导叶性能评估结果未满足要求，则将固定导叶性能评估结果加入训练样本集后执行步骤(3)；如果固定导叶性能评估结果满足要求，则此时最优叶型参数对应的叶型为固定导叶的最优叶型。