CN109472389B - 一种中低比转速叶轮多工况智能优化方法 - Google Patents

一种中低比转速叶轮多工况智能优化方法 Download PDF

Info

Publication number
CN109472389B
CN109472389B CN201811048209.XA CN201811048209A CN109472389B CN 109472389 B CN109472389 B CN 109472389B CN 201811048209 A CN201811048209 A CN 201811048209A CN 109472389 B CN109472389 B CN 109472389B
Authority
CN
China
Prior art keywords
optimization
impeller
working
efficiency
chromosome
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
CN201811048209.XA
Other languages
English (en)
Other versions
CN109472389A (zh
Inventor
王文杰
甘星城
裴吉
袁寿其
唐亚静
曹健
蒋伟
邓起凡
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 CN201811048209.XA priority Critical patent/CN109472389B/zh
Publication of CN109472389A publication Critical patent/CN109472389A/zh
Application granted granted Critical
Publication of CN109472389B publication Critical patent/CN109472389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明涉及一种中低比转速叶轮多工况智能优化方法，包括：填写遗传算法运行所需要的参数，调用算法脚本，随机初始化种群染色体，调用对象函数脚本，建立叶轮水体模型。绘制叶轮网格。进行多工况的定常数值模拟，得到其不同工况下的外特性性能。将所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，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。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，对结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求。本发明有效避免了多工况优化设计中不同工况下效率提高不均的现象。

Description

一种中低比转速叶轮多工况智能优化方法
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离心泵叶轮及其优化设计办法。
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。据相关资料统计，泵类能耗占全国年发电总量的17％以上，因此优化泵的效率对于节能减排具有重要意义。
另外，实际使用中，该类泵种时常运行在非设计工况下，而较窄的高效运行区域也造成了不小的资源浪费。为了拓宽中低比转速的高效运行区，设计者引入了对该类泵种的多工况优化设计方法。
目前，常用的多工况优化设计方法的目标一般为提高多个工况下的效率，但这类方法的弊端在于无法预知每个工况下效率的提升幅度，即存在优化后高效区依然狭窄的问题。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于“效率屋”(House ofEfficiency，如图1)理论的中低比转速离心泵叶轮的多工况优化设计方法，以提高该类泵种在非设计工况下的工作能力。
本发明是通过以下技术手段实现上述技术目的的。一种中低比转速叶轮多工况智能优化方法，包括以下步骤：
(1)采用Matlab 2017b运行计算脚本主程序并填写遗传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，随机初始化种群染色体，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中每条染色体的参数，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 ICEM 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，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能(效率、扬程)。
(6)将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，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，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤 3继续迭代计算，直到满足优化要求。
上述方案中，采用五阶贝塞尔曲线表叶片安放角的变化趋势。
上述方案中，使用3个工况(0.8倍、1.0倍和1.2倍设计流量点)下的效率作为优化目标函数。
上述方案中，使用4个工况(关闭状态，0.8倍、1.0倍和1.2倍设计流量点)下的效率进行多项式拟合来求解“效率屋”的值。
上述方案中，对结果进行拟合后计算“效率屋”评价值，处理方法满足下公式：
Figure BDA0001793814850000021
式中，S为“效率屋”面积，φ为流量系数，η为效率，φ1为积分上限。
上述方案中，以“效率屋”的值作为遗传算法中染色体的评价值，评价染色体对于计算域的适应度。
本发明的有益效果：
1.本发明采用“效率屋”作为评价函数对中低比转速叶轮进行多工况优化，有效避免了多工况优化设计中不同工况下效率提高不均的现象。
2.本发明采用智能算法(GA)作为优化算法结合CFD计算，对参数化的叶轮进行优化，其具有高精度，适用范围广的优点。
附图说明
图1为本发明所述的“效率屋”示意图
图2为本发明所述多工况优化方法的逻辑流程图。
图3为叶片安放角贝塞尔曲线示意图。
图4为CFTurbo自动生成的模型示意图。
图5为ICEM自动生成网格示意图。
图6为优化前后效率屋对比图。
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。
一种中低比转速叶轮多工况智能优化方法，包含以下步骤：
1.采用Matlab 2017b运行计算脚本主程序并填写遗传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，随机初始化种群染色体，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中每条染色体的参数，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 ICEM 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，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能(效率、扬程)。
6.将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，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，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，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)、交叉率(Crossover Probability)、变异率(Mutating Probability)、代沟率(Gap Probability)、最大遗传代数(Maximum Generation)，变量上下限(Upper and Lower Bounds)，收敛精度(Tolerance)。
进一步的，在叶片型线的优化过程中，取叶片安放角为设计变量，三个工况(0.8倍、 1.0倍和1.2倍设计流量)下的泵效率为优化目标函数。
进一步的，在叶片型线优化过程中，从进口至出口的叶片安放角变化趋势以贝塞尔曲线表示：
Figure BDA0001793814850000031
Figure BDA0001793814850000032
其中
Figure BDA0001793814850000033
为二项式系数，变量t的取值范围为[0,1]。Px,i和Py,i为第i个控制点的坐标。式中控制点坐标即为设计变量。
进一步的，所述的对计算结果的进行多项式拟合的具体操作为，使用计算得到的效率值和对应的流量系数(包括关闭状态、0.8倍设计流量点、1.0倍设计流量点和1.2倍设计流量点)作为样本进行多项式拟合。
进一步的，所述的“效率屋”模型如图1所示，其面积计算方法如下：
Figure BDA0001793814850000034
式中，S为“效率屋”面积，φ为流量系数，η为效率，φ1为积分上限。
进一步的，流量系数定义为：
Figure BDA0001793814850000035
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2所示，首先使用MATLAB 2017b软件录入遗传算法参数：
优化目标：计算域内“效率屋”面积最大；
优化变量：参数化的叶片型线，以贝塞尔曲线控制点坐标为变量。如图3所示，叶片安放角的变化趋势以五阶贝塞尔曲线表示，各控制点x坐标固定，以y坐标为自变量，共6个自变量。
参数边界：[10,80]。
种群规模：20
最大迭代数：100
交叉率：0.8
代沟率：0.9
变异率：0.1
精确度：10-4
确定参数后，采用随机抽样方法对染色体信息进行初始化。
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4所示，其中每条染色体对应一个叶轮。
将上述操作中所得的叶轮模型通过ANSYS ICEM 18.0进行自动划分网格，结果如图5 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，得到该叶轮对应的不同流量下的效率值。
将计算结果根据公式(3)求得效率屋面积，并将结果反馈给智能算法作为染色体评价值代入计算。
判断上述结果是否达到迭代停止条件，若否，则对染色体进行交叉、变异等操作得到新一组染色体，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133)在优化后效率屋如图6所示。

Claims (1)

1.一种中低比转速叶轮多工况智能优化方法，其特征在于，包括以下步骤：
(1)采用Matlab 2017b运行计算脚本主程序并填写遗传算法运行所需要的参数；
(2)调用算法脚本，代入步骤1中所输入的参数，随机初始化种群染色体，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中每条染色体的参数，导入到CFTurbo10.0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 ICEM 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，对所述叶轮网格进行多工况的定常数值模拟，得到所述叶轮网格不同工况下的外特性性能；
(6)将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，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，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求；
采用五阶贝塞尔曲线表示叶片安放角的变化趋势；
使用0.8倍、1.0倍和1.2倍三个工况设计流量点下的效率作为优化目标函数；
使用关闭状态、0.8倍、1.0倍和1.2倍四个工况设计流量点下的效率进行多项式拟合来求解“效率屋”的值；
对结果进行拟合后计算“效率屋”评价值，处理方法满足下公式：
Figure FDA0003183573370000021
式中，S为“效率屋”面积，φ为流量系数，η为效率，φ1为积分上限；
以“效率屋”的值作为遗传算法中染色体的评价值，评价染色体对于计算域的适应度。
CN201811048209.XA 2018-09-10 2018-09-10 一种中低比转速叶轮多工况智能优化方法 Active CN109472389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811048209.XA CN109472389B (zh) 2018-09-10 2018-09-10 一种中低比转速叶轮多工况智能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811048209.XA CN109472389B (zh) 2018-09-10 2018-09-10 一种中低比转速叶轮多工况智能优化方法

Publications (2)

Publication Number Publication Date
CN109472389A CN109472389A (zh) 2019-03-15
CN109472389B true CN109472389B (zh) 2021-10-08

Family

ID=65663068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811048209.XA Active CN109472389B (zh) 2018-09-10 2018-09-10 一种中低比转速叶轮多工况智能优化方法

Country Status (1)

Country Link
CN (1) CN109472389B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836310B (zh) * 2021-01-20 2024-06-07 浙江富春江水电设备有限公司 一种大型水轮机转轮智能优化设计方法
CN113158358A (zh) * 2021-02-22 2021-07-23 西安交通大学 一种离心通风机系列型谱规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN107066686A (zh) * 2017-02-22 2017-08-18 江苏大学 一种基于遗传算法的轴流泵叶轮水力优化设计方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN107066686A (zh) * 2017-02-22 2017-08-18 江苏大学 一种基于遗传算法的轴流泵叶轮水力优化设计方法
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
CN109472389A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN106650105B (zh) 一种混流泵叶轮的设计方法
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
CN109472389B (zh) 一种中低比转速叶轮多工况智能优化方法
CN106650125B (zh) 一种离心压气机叶轮的优化方法和系统
CN110110349B (zh) 一种转叶式混流泵空间导叶多工况优化设计方法
CN110617238B (zh) 一种离心泵叶轮的优化设计方法
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
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
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
CN104675713A (zh) 一种基于数据样本的离心泵无过载设计方法
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
CN117150672A (zh) 一种离心泵叶片厚度自动寻优方法
CN110728016B (zh) 低比转速离心泵叶轮切割设计方法
Sun et al. Effect of impeller and diffuser matching optimization on broadening operating range of storage pump
CN111079367B (zh) 适用于不同进水锥管的轴流泵辐条优化设计方法
CN111486114B (zh) 一种具有流线曲率中盘的叶轮的设计方法及设计系统
CN111734674A (zh) 一种基于遗传算法的离心泵多工况节能优化方法
CN109472041B (zh) 一种基于改进粒子群算法的双吸泵叶轮优化方法
Grigoriev et al. Benchmarking CD-Adapco’s Star-CCM+ in a production design environment
CN113722856B (zh) 一种管道泵进口导流叶片的自动建模及优化设计方法
CN116882196A (zh) 一种利用多控制曲线循环迭代优化叶片的方法
CN113806878B (zh) 一种基于最速下降法的离心风机叶型优化方法
CN112784375B (zh) 一种基于离散型遗传算法的高效低脉动叶片泵优化方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Wenjie

Inventor after: Gan Xingcheng

Inventor after: Pei Ji

Inventor after: Yuan Shouqi

Inventor after: Tang Yajing

Inventor after: Cao Jian

Inventor after: Jiang Wei

Inventor after: Deng Qifan

Inventor before: Gan Xingcheng

Inventor before: Wang Wenjie

Inventor before: Pei Ji

Inventor before: Yuan Shouqi

Inventor before: Tang Yajing

Inventor before: Cao Jian

Inventor before: Jiang Wei

Inventor before: Deng Qifan

GR01 Patent grant
GR01 Patent grant