CN109145491B - 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 - Google Patents

一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 Download PDF

Info

Publication number
CN109145491B
CN109145491B CN201811048207.0A CN201811048207A CN109145491B CN 109145491 B CN109145491 B CN 109145491B CN 201811048207 A CN201811048207 A CN 201811048207A CN 109145491 B CN109145491 B CN 109145491B
Authority
CN
China
Prior art keywords
particle
impeller
iteration
algorithm
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811048207.0A
Other languages
English (en)
Other versions
CN109145491A (zh
Inventor
甘星城
王文杰
袁寿其
裴吉
唐亚静
曹健
邓起凡
蒋伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811048207.0A priority Critical patent/CN109145491B/zh
Publication of CN109145491A publication Critical patent/CN109145491A/zh
Application granted granted Critical
Publication of CN109145491B publication Critical patent/CN109145491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/17Mechanical parametric or variational design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Control Of Non-Positive-Displacement Pumps (AREA)

Abstract

本发明涉及一种基于改进粒子群算法的多级离心泵叶轮智能优化方法,包括:设置算法参数;对粒子在计算域内进行初始化;建立每个粒子对应的叶轮水体模型;绘制叶轮网格;读取计算结果的外特性参数,获得粒子对计算域的适应度。若迭代步数大于总步数的10%时,训练收敛残差关于粒子速度更新系数的ANN模型,并使用该模型对粒子速度进行更新;当迭代数小于等于总步数的10%时,随机生成学习因子,对粒子速度进行更新。判断最佳粒子是否达到迭代停止条件,若否,则更新粒子位置,返回继续迭代;若是,则停止迭代,输出优化结果。本发明借助计算机实现对泵的效率优化,使其能够满足当代社会对于该类设备节能减排的需求。

Description

一种基于改进粒子群算法的多级离心泵叶轮智能优化方法
技术领域
本发明属于泵优化设计领域,尤其是中低比转速的多级离心泵叶轮及其优化办法。
背景技术
泵是重要的通用机械,广泛应用于各行各业。其中,中低比转速泵有小流量,大扬程的特点,被主要应用于高楼供水、消防等压力需求较高的场所。据相关资料,每年消耗在水泵机组上的电能占全国总能耗的21%以上,在供水企业中占生产成本的30%-60%。因此,优化离心泵的效率对于节能减排具有重要意义。
在流体机械领域,已有相关理论为单目标优化泵的叶轮提供了理论依据。例如,专利号为CN201410465954.X的专利“一种水泵优化节能控制方法”提出了通过理论数据以及经验公式来调节水泵工作点至最优工作点,以减少能耗。
目前,在泵叶轮优化方面的研究,多侧重于单目标优化且常利用数学模型,该类模型依赖于经验,准确度较低,优化效率较差且应用面十分局限。另外,在智能算法与CFD结合的直接优化领域,由于传统算法的收敛曲线梯度变化明显,造成了大量的计算资源浪费。目前,关于改进算法并应用于泵优化方面的专利报道较少,因此,本发明提出了一种基于改进PSO算法和CFD的叶轮直接优化方法,以克服前述的相关问题。
发明内容
针对现有技术中存在的不足,本发明提供了一种结合基于人工神经网络(ANN)的改进粒子群算法(Particle Swarm Optimization,PSO)和CFD的多级离心泵叶轮的多目标优化设计方法,以同时满足对于泵运行稳定、高效的需求。
本发明是通过以下技术手段实现上述技术目的的。一种基于改进粒子群算法的多级离心泵叶轮智能优化方法,包括以下步骤:
(1)采用Python3编译PSO算法脚本主程序并设置算法参数;
(2)采用随机抽样方法对粒子在计算域内进行初始化;
(3)将步骤(2)所得的粒子参数代入CFturbo10.0建立每个粒子对应的叶轮水体模型;
(4)将步骤(3)中所得的叶轮水体图导入ANSYS TurboGrid 18.0,绘制叶轮网格;
(5)将步骤(4)中所得的叶轮网格和静水域网格代入ANSYS Fluent 18.0进行定常数值。
(6)读取步骤(5)中计算结果的外特性参数,获得粒子对计算域的适应度。
(7)若迭代步数大于总步数的10%时,依据前置步数的计算结果,训练收敛残差关于粒子速度更新系数的ANN模型,并使用该模型对粒子速度进行更新;当迭代数小于等于总步数的10%时,随机生成学习因子,对粒子速度进行更新。
(8)判断步骤(7)中的最佳粒子是否达到迭代停止条件,若否,则更新粒子位置,返回步骤(3)继续迭代;若是,则停止迭代,输出优化结果。
上述方案中,采用进出口安放角、进出口宽度、叶片厚度和叶片数作为设计变量。
上述方案中,采用ANSYS WorkBench和Python脚本结合实现自动化叶轮水体建模、叶轮水体网格绘制及外特性数值模拟。
上述方案中,采用采用随机抽样获得样本数据。
上述方案中,采用Python程序自动读取CFX计算结果。
上述方案中,以泵的效率作为算法中粒子的评价值,评价粒子对于计算域的适应度。
上述方案中,结合ANN近似模型设计优化算法,以加快算法的收敛速度,节省计算资源。
上述方案中,以效率值作为残差收敛判定值,当残差降低至预定值一下,停止算法脚本并输出优化结果。
本发明的有益效果:
1.本发明采用改进的PSO算法作为优化算法结合CFD计算,对参数化的叶轮进行优化,其具有优化效率高,计算精度好,适用范围广的优点。
2.本发明采用改进的PSO算法辅助CFD计算,可有效减少迭代步数,节省计算资源。
3.本发明借助计算机实现对泵的效率优化,使其能够满足当代社会对于该类设备节能减排的需求。
附图说明
图1为本发明所述基于遗传算法的泵叶轮多目标优化方法的逻辑流程图。
图2为被优化叶轮轴面投影图示意图。
图3为叶片厚度调整示意图。
图4为叶片安放角调整示意图。
图5为CFturbo自动生成的模型示意图。
图6为TurboGrid自动生成网格示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
一种基于改进粒子群算法的泵叶轮的智能优化方法包含以下步骤:
1.采用Python编译脚本主程序并填写改进PSO算法运行所需要的参数(可采用默认设置)。
2.调用算法脚本,代入步骤1中所输入的参数,使用随机取样(Random Sampling)初始化种群粒子种群,以使种群在计算域内具有多样性。
3.调用对象函数脚本,读取步骤2中每个粒子的参数,导入到CFTurbo 10.0中建立叶轮水体模型。
4.将步骤3中所得的叶轮水体模型导入ANSYS TurboGrid 18.0中绘制叶轮网格。
5.将步骤4中所得的叶轮网格导入到ANSYS Fluent 18.0中,对其进行定常数值模拟,得到其外特性性能(效率,扬程)。
6.将步骤5中所得的结果反馈至算法程序评价各个染色体对计算域的适应度,并对其降序排列。
7.判断当前迭代步数是否达到总步数的10%,若是,则通过已有计算结果,训练关于收敛残差和学习因子的ANN模型,若否,跳过当前步骤。
8.判断最优结果是否满足优化要求,若是,则结束优化,输出优化结果;否则,若存在步骤7中所述的ANN模型,则通过ANN模型更新粒子速度,若不存在,则通过随机生成的学习因子更新粒子速度,然后更新粒子位置,并返回步骤3继续迭代计算,直到满足优化要求。
进一步的,所述的遗传算法所需参数包括:种群规模(Population)、最大迭代数(Maximum Iteration),变量上下限(Upper and Lower Bounds),收敛精度(Tolerance)。
进一步的,考虑到泵结构尺寸的限制,维持叶轮进口直径D1,叶轮出口直径D2,叶轮前后盖板形状不变,仅对叶轮型线进行优化设计。
进一步的,在叶片型线的优化过程中,控制变量选择为进出口安放角,进出口宽度,叶片厚度,叶片数。
进一步的,叶片型线优化过程中,分别以五阶、三阶、三阶贝塞尔曲线来拟合叶片型线,叶片厚度和叶片进口边型线。
进一步的,PSO算法的改进策略在于,使用人工神经网络实时更新代替传统学习因子更新方法,以减少其无效步数,提高收敛效率。
进一步的,所述的判断优化结果的方法是,每一代最优结果达到收敛精度或迭代数达到上限,满足上述其一则停止迭代。
具体实施例:本实施例的计算流程如图1所示,以一个叶轮比转速为132的多级离心泵为例,其轴面投影图如图2所示。首先使用编译好的软件录入PSO算法参数:
优化目标:计算域内效率最高;
优化变量:进出口安放角如图4所示,进出口宽度,叶片厚度如图3所示,叶片数
参数边界:以每个自变量典型值±20%为计算边界。
种群规模:20
最大迭代数:100
精确度:10-4
确定参数后,采用拉丁超立方抽样方法对粒子信息进行初始化。
将当前染色体信息导入CFTurbo 10.0进行自动造型,造型结果如图5所示,其中每个粒子对应一个叶轮。
将上述操作中所得的叶轮模型通过ANSYS WorkBench 18.0导入TurboGrid 18.0进行自动划分网格,结果如图6所示。
将上述操作所得的网格以及静水域网格通过ANSYS WorkBench 18.0导入Fluent18.0进行定常数值模拟,得到该叶轮对应的效率。
更新粒子速度:当迭代步数大于10步时,依据前置步数的计算结果,训练收敛残差关于粒子速度更新系数的ANN模型,并使用该模型对粒子速度进行更新;当迭代数小于等于10步时,随机生成学习因子,对粒子速度进行更新。
判断上述结果是否达到迭代停止条件,若否,则对粒子位置进行更新,重复上述造型、网格、计算和评价的操作;若是,则停止迭代,输出优化结果。
本例中的叶轮(比转速为132)在优化后泵效率提高至80.10%(原始模型效率为77.65%),效率相对提高2.45%。迭代步数减少至32步(传统遗传算法收敛步数典型值为58步)。

Claims (4)

1.一种基于改进粒子群算法的多级离心泵叶轮智能优化方法,其特征在于以下步骤:
(1)采用Python3编译PSO算法脚本主程序并设置算法参数;
(2)采用随机抽样方法对粒子在计算域内进行初始化;
(3)将步骤(2)所得的粒子参数代入CFturbo10.0建立每个粒子对应的叶轮水体模型;
(4)将步骤(3)中所得的叶轮水体图导入ANSYSTurboGrid18.0,绘制叶轮网格;
(5)将步骤(4)中所得的叶轮网格和静水域网格代入ANSYSFluent18.0进行定常数值;
(6)读取步骤(5)中计算结果的外特性参数,获得粒子对计算域的适应度;
(7)若迭代步数大于总步数的10%时,依据前置步数的计算结果,训练收敛残差关于粒子速度更新系数的ANN模型,并使用该模型对粒子速度进行更新;当迭代数小于等于总步数的10%时,随机生成学习因子,对粒子速度进行更新;
(8)判断步骤(7)中的最佳粒子是否达到迭代停止条件,若否,则更新粒子位置,返回步骤(3)继续迭代;若是,则停止迭代,输出优化结果;
采用进出口安放角、进出口宽度、叶片厚度和叶片数作为设计变量;
采用ANSYSWorkBench和Python脚本结合实现自动化叶轮水体建模、叶轮水体网格绘制及外特性数值模拟;
采用采用随机抽样获得样本数据;
采用Python程序自动读取CFX计算结果。
2.根据权利要求1所述的基于改进粒子群算法的多级离心泵叶轮智能优化方法,其特征在于,以泵的效率作为算法中粒子的评价值,评价粒子对于计算域的适应度。
3.根据权利要求2所述的基于改进粒子群算法的多级离心泵叶轮智能优化方法,其特征在于,结合ANN近似模型设计优化算法,以加快算法的收敛速度,节省计算资源。
4.根据权利要求1所述的基于改进粒子群算法的多级离心泵叶轮智能优化方法,其特征在于,以效率值作为残差收敛判定值,当残差降低至预定值一下,停止算法脚本并输出优化结果。
CN201811048207.0A 2018-09-10 2018-09-10 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 Active CN109145491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811048207.0A CN109145491B (zh) 2018-09-10 2018-09-10 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811048207.0A CN109145491B (zh) 2018-09-10 2018-09-10 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法

Publications (2)

Publication Number Publication Date
CN109145491A CN109145491A (zh) 2019-01-04
CN109145491B true CN109145491B (zh) 2023-07-18

Family

ID=64824286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811048207.0A Active CN109145491B (zh) 2018-09-10 2018-09-10 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法

Country Status (1)

Country Link
CN (1) CN109145491B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765746B (zh) * 2021-01-21 2023-04-07 西安交通大学 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统
CN113177271A (zh) * 2021-03-31 2021-07-27 江苏大学 改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法
CN113722856B (zh) * 2021-09-01 2022-06-07 江苏大学 一种管道泵进口导流叶片的自动建模及优化设计方法
CN113868794B (zh) * 2021-09-23 2024-05-28 西安理工大学 一种对旋流体机械叶轮转速匹配优化方法
CN115045859B (zh) * 2022-05-30 2023-04-07 西安交通大学 一种离心鼓风机复合叶轮设计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544526A (zh) * 2013-11-05 2014-01-29 辽宁大学 一种改进粒子群算法及其应用
CN103942599A (zh) * 2014-04-23 2014-07-23 天津大学 一种基于优胜劣汰、步步选择的粒子群优化方法
CN104715282A (zh) * 2015-02-13 2015-06-17 浙江工业大学 一种基于改进pso-bp神经网络的数据预测方法
CN105117616A (zh) * 2015-08-04 2015-12-02 莆田学院 基于粒子群算法的微生物发酵优化方法
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
CN108304619A (zh) * 2018-01-11 2018-07-20 江苏大学 一种基于遗传算法的离心泵叶轮多目标智能优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544526A (zh) * 2013-11-05 2014-01-29 辽宁大学 一种改进粒子群算法及其应用
CN103942599A (zh) * 2014-04-23 2014-07-23 天津大学 一种基于优胜劣汰、步步选择的粒子群优化方法
CN104715282A (zh) * 2015-02-13 2015-06-17 浙江工业大学 一种基于改进pso-bp神经网络的数据预测方法
CN105117616A (zh) * 2015-08-04 2015-12-02 莆田学院 基于粒子群算法的微生物发酵优化方法
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
CN108304619A (zh) * 2018-01-11 2018-07-20 江苏大学 一种基于遗传算法的离心泵叶轮多目标智能优化方法

Also Published As

Publication number Publication date
CN109145491A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145491B (zh) 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法
CN106650105B (zh) 一种混流泵叶轮的设计方法
CN106650125B (zh) 一种离心压气机叶轮的优化方法和系统
CN113177271A (zh) 改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法
CN108304619A (zh) 一种基于遗传算法的离心泵叶轮多目标智能优化方法
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
CN112329170B (zh) 一种潮流能水轮机叶片翼型优化设计方法
CN109472389B (zh) 一种中低比转速叶轮多工况智能优化方法
CN113032920A (zh) 一种基于正交试验的航空燃油离心泵优化设计方法
CN115017843A (zh) 一种离心压缩机气动性能优化设计方法
CN115375851A (zh) 一种核电汽轮机叶片参数自动优化方法
CN101082340A (zh) 一种潜水泵的仿真制造方法及系统
CN115455812A (zh) 一种供水泵站优化方法及系统
CN110196987B (zh) 基于代理模型的风道结构尺寸优化方法
CN109408861A (zh) 一种管道泵进口弯管多目标智能优化方法
Kim et al. Design optimization of mixed-flow pump in a fixed meridional shape
CN114925481B (zh) 一种基于能效指标的水力模型库离心泵性能提升方法
CN105736455A (zh) 提高初生空化性能的水泵叶片厚度设计方法、叶片、叶轮
CN117150672A (zh) 一种离心泵叶片厚度自动寻优方法
CN110245408B (zh) 一种汽轮机单圆弧压力面叶型设计方法
CN114781168A (zh) 一种离心泵的参数化设计方法及系统
CN111079367B (zh) 适用于不同进水锥管的轴流泵辐条优化设计方法
CN110728016B (zh) 低比转速离心泵叶轮切割设计方法
王梦成 et al. Performance of mixed flow pump under condition of non-linear distribution of impeller exit circulation
CN113806878B (zh) 一种基于最速下降法的离心风机叶型优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant