CN112270139B - 基于母型库的燃料电池离心压缩机气动优化设计方法 - Google Patents
基于母型库的燃料电池离心压缩机气动优化设计方法 Download PDFInfo
- Publication number
- CN112270139B CN112270139B CN202010981030.0A CN202010981030A CN112270139B CN 112270139 B CN112270139 B CN 112270139B CN 202010981030 A CN202010981030 A CN 202010981030A CN 112270139 B CN112270139 B CN 112270139B
- Authority
- CN
- China
- Prior art keywords
- design
- objective function
- new machine
- master
- model
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 239000000446 fuel Substances 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011056 performance test Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 51
- 238000011161 development Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D17/00—Radial-flow pumps, e.g. centrifugal pumps; Helico-centrifugal pumps
- F04D17/08—Centrifugal pumps
- F04D17/16—Centrifugal pumps for displacing without appreciable compression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法,包括:建立用于存储燃料电池离心压缩机母型的母型库,母型库中各母型均关联有对应的工况性能数据;获取新机的设计参数,根据设计参数从母型库中选择目标母型,并采用模化设计方法计算新机的基本设计尺寸;获取新机的气动型线并输入预设的目标函数计算模型,以获取新机的目标函数值;基于目标函数计算模型,对新机的气动型线进行优化,获得最优目标函数值对应的气动型线作为优化型线。本发明通过建立母型库,选取设计参数最接近的目标母型,采用模化设计手段快速获得新机的基本设计尺寸和气动型线,有益于新机实现良好的设计性能和设计效率。
Description
技术领域
本发明涉及压缩机技术领域,尤其涉及一种基于母型库的燃料电池离心压缩机气动优化设计方法。
背景技术
车用燃料电池是离心压缩机应用的新领域,小流量、高转速的运行条件使其性能曲线十分陡峭。燃料电池离心压缩机可采用与常规透平压缩机相似的优化设计方法,但对于车用燃料电池压缩机,动态变载和频繁启停使其工况条件变化剧烈,为权衡燃料电池系统在额定工况点和常用工况点的效率,有必要对多个工况点同时进行寻优。常规多工况优化方法无法使所有工况的优化目标同时达到最优,仅能获得一个非劣解集,最终解需根据设计者的意图进行决策,较多的非劣解在实际中难于应用。规避最优解决策难题的常见手段是对优化目标加权以构造决策函数,通过对决策函数寻优将多目标优化转为单目标优化,然而权重系数取值通常缺乏客观的指标,其值往往取决于设计者意图。
在离心压缩机的开发过程中,母型级(模型级)的设计非常关键,新产品的研发依赖于与之相应的母型级。现代工业用离心压缩机的设计开发一般根据用户需求单件设计,需要不同系列的母型级数据,设计者根据用户需求,基于已有的优良母型级开展优化设计,可以加快设计进度并提高设计可靠性。然而燃料电池用离心压缩机具有小流量和超高转速的特点,目前仍缺乏专用母型级数据,用户很难获取实际工况环境下有关产品预期运行性能的统计数据,需要开展全新设计,这直接增加了设计难度。
从提高燃料电池离心压缩机宽工况高效运行水平方面考虑,提出基于母型库的燃料电池离心压缩机气动优化设计技术应具有重要的应用价值。
发明内容
为了解决上述现有技术中的缺陷,本发明提出了一种基于母型库的燃料电池离心压缩机气动优化设计方法。
本发明采用以下技术方案:
一种基于母型库的燃料电池离心压缩机气动优化设计方法,包括以下步骤:
S1、建立用于存储燃料电池离心压缩机母型的母型库,母型库中各母型均关联有对应的工况性能数据;
S2、获取新机的设计参数,根据设计参数从母型库中选择目标母型,并采用模化设计方法计算新机的基本设计尺寸;
S3、基于所述基本设计尺寸获取新机的气动型线,并将气动型线输入预设的目标函数计算模型,以获取新机的目标函数值;
S4、对新机的气动型线进行优化,即基于所述目标函数计算模型获得最优目标函数值对应的气动型线作为优化型线;
S5、根据优化型线获得新机样机的三维结构造型。
优选的,步骤S3中,目标函数计算模型的输入为气动型线的设计变量;气动型线的设计变量根据预设的参数化模型获得,参数化模型的输入为设计变量,输出为气动型线;
该方法还包括以下步骤:
S6、结合新机的设计参数通过CFD计算获得设计性能曲线,并通过样机性能试验获得新机样机的实际性能曲线;
S7、计算设计性能曲线与实际性能曲线的偏离度,并判断偏离度是否超过预设的偏离范围;
S8、是,则重新筛选设计变量建立参数化模型,然后返回步骤S3;否,则设计完成。
优选的,步骤S7中,设计性能曲线与实际性能曲线的偏离度的计算方法为:将设计性能曲线与实际性能曲线均由喘振边界至堵塞边界分为M段;对各段结点的流量系数φ和性能参数η归一化处理,进而对设计性能曲线与实际性能曲线相应结点的明可夫斯基距离求和,得到偏离度其中,φj和/>分别表示实际性能曲线上第j个节点的流量系数和设计性能曲线上第j个节点的流量系数,ηj和/>分别表示实际性能曲线上第j个节点的性能参数和设计性能曲线上第j个节点的性能参数,q为计算常数,q>1。
优选的,还包括步骤S9:将新机及对应的性能工况数据添加到母型库中。。
优选的,步骤S1中所述工况性能数据包含母型的流量、进气压力、进气温度和压比;步骤S2中,采用模化设计方法计算新机的基本设计尺寸的方法具体为:计算新机与目标母型的尺寸比qm、pin、Tin和ε分别表示目标母型的流量、进气压力、进气温度和压比,q′m、p′in、T′in和ε′分别表示新机的设计流量、进气压力、进气温度和设计压比,q′m、p′in、T′in和ε′均包含在所述设计参数中;m表示目标母型的多变指数;然后根据目标母型和尺寸比确定新机的基本设计尺寸。
优选的,步骤S2中,还采用模化设计方法计算新机的当量设计转速其中,n表示目标母型的设计转速,设计转速n包含在所述工况性能数据中。
优选的,步骤S1中,所述工况性能数据包括母型在各工况点的运行区域概率步骤S3中,目标函数计算模型的输出为:压缩机节能效率/>其中/>为新机在当量设计转速和设计流量下CFD计算的压比,ε′为新机的设计压比,N表示预设的优化工况数,K表示全工况区域包含的工况点数量,k表示工况点的序号,/> 表示新机在第k个工况点处CFD计算的等熵效率。
优选的,步骤S3中,所述目标函数计算模型通过神经网络模型对样本集进行学习获得,样本集中包含多个由气动型线和对应的目标函数值组成的样本数据,且样本数据中的目标函数值通过对气动型线进行CFD计算获得。
优选的,步骤S5具体包括以下步骤:
S51、对优化型线采用CFD计算模型计算目标函数校验值;
S52、判断最优目标函数值与目标函数校验值之间的差值绝对值是否大于预设的最大允差;
S53、如果最优目标函数值与目标函数校验值之间的差值绝对值大于最大允差,则将优化型线和目标函数校验值作为修正样本补充到样本集中,并根据修正样本对所述目标函数计算模型进行修正,然后返回步骤S3;
S54、如果最优目标函数值与目标函数校验值之间的差值绝对值小于或等于最大允差,则根据优化型线获得新机样机的三维结构造型。
优选的,步骤S5还包括:将新机及对应的性能工况数据添加到母型库中。
本发明的优点在于:
(1)本发明通过建立母型库,选取设计参数最接近的目标母型,采用模化设计手段快速获得新机的基本设计尺寸,在此基础上展开新机气动型线的优化设计。相对于全新设计,基于母型库的优化设计有益于新机实现良好的设计性能和设计效率。
(2)本发明针对燃料电池离心压缩机复杂多变的工况条件,引入节能效率作为目标函数,以各工况点的运行区间概率为权重系数,将多工况优化问题转化为单目标优化问题,避免了多工况优化最终解选择的决策难题,有利于寻优效率的提高。
(3)本发明通过收集和统计燃料电池离心压缩机在实际工况条件下的运行试验数据,向母型库添加性能优良的压缩机母型。压缩机运行区域概率的统计使节能效率计算所需的权重设置具有运行数据支撑的客观指标,使得寻优方向不再受制于设计者意图,进一步提高了设计的可靠性。
附图说明
图1为实施例1提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法流程图;
图2为工况点运行区域概率示意图;
图3为实施例2提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法流程图;
图4为实施例3提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法流程图;
图5为实施例3中性能曲线偏离度计算方法示意图;
图6为实施例4提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法流程图;
图7为实施例5中优化得到的叶轮子午型线示意图;
图8为实施例5中优化得到的气动外形。
具体实施方式
实施例1
参照图1,本实施例提出的一种基于母型库的燃料电池离心压缩机气动优化设计方法,包括以下步骤。
S1、建立用于存储燃料电池离心压缩机母型的母型库,母型库中各母型均关联有对应的工况性能数据。具体实施时,工况性能数据包括设计转速和设计流量。同时,为了方便根据工况性能数据识别母型,工况性能数据可包含母型各个工况点的转速、进排气压力、温度、流量、压比、功率、效率及运行区域概率等。同时,为了保证母型数据的完整,母型库中,各母型还关联有气动型线。
具体的,本实施例中,通过收集和统计燃料电池离心压缩机在实际工况条件下的运行试验,获取母型及对应的工况性能数据。
S2、获取新机的设计参数,根据设计参数从母型库中选择目标母型,并采用模化设计方法计算新机的基本设计尺寸。具体的,本步骤中新机的设计参数为母型库中母型关联的工况性能数据中的一项或者多项。例如,本实施例中,工况性能数据包含转速、进排气压力、温度、流量、压比、功率、效率等,则可从中选择压比、流量、效率、转速等作为设计参数。具体实施时,设计参数可选择压比和流量。基本设计尺寸为决定压缩机基本热动力特性的几何参数,包括叶轮、扩压器等部件的进出口半径和进出口几何构造角、叶轮出口宽度等。
本步骤中,从母型库中选择关联的相关参数与设计参数最接近的母型作为目标母型。例如,给定新机的压比和流量作为设计参数,则从母型库中选择压比和流量分别与新机的设计压比和设计流量最接近的母型作为目标母型。
具体实施时,本步骤S2中,首先计算新机与目标母型的尺寸比qm、pin、Tin和ε分别表示目标母型的流量、进气压力、进气温度和压比,且均包含在步骤S1中所述的工况性能数据中;q′m、p′in、T′in和ε′分别表示新机的设计流量、进气压力、进气温度和设计压比,q′m、p′in、T′in和ε′均包含在所述设计参数中;m表示目标母型的多变指数;然后根据目标母型和尺寸比确定新机的基本设计尺寸。
具体的,本实施例中,基本设计尺寸包括各气动部件进出口半径、叶片进出口构造角、叶片进出口宽度等压缩机气动初步设计所需的参数。
具体实施时,本步骤S2中,还采用模化设计方法计算新机的当量设计转速其中,Tin为目标母型的机器温度,m为目标母型的多变指数,ε为目标母型的压比,T′in为新机的进气温度,ε′为新机的设计压比;n表示目标母型的设计转速,设计转速n包含在所述工况性能数据中。
具体实施时,本步骤S2中,还可进一步根据尺寸比和当量设计转速确定新机的功率以便为新机的性能评估提供更多的参数。
S3、基于所述基本设计尺寸获取新机的气动型线,并将气动型线输入预设的目标函数计算模型,以获取新机的目标函数值。
具体的,本步骤中,目标函数计算模型以气动型线为输入,以目标函数值为输出。目标函数计算模型通过选择的神经网络模型对样本集进行学习获得,样本集中包含多个由气动型线和对应的目标函数值组成的样本数据。且样本数据中的目标函数值通过对气动型线进行CFD计算获得。如此,获得的目标函数计算模型相当于CDF计算的代理模型,既保证了计算精度,又简化了计算数据量,提高了计算效率。
本实施例中,目标函数值选择压缩机节能效率其中/>为新机在当量设计转速和设计流量下CFD计算的压比,ε′为新机的设计压比,N表示预设的优化工况数,K表示全工况区域包含的工况点数量,k表示工况点的序号,/> 表示新机在第k个工况点处CFD计算的等熵效率。
具体实施时,步骤S1中,所述工况性能数据包括母型在各工况点的运行区域概率pk,以便通过调用目标母型各工况点的运行区域概率pk计算新机的节能效率。
具体的,参照图2,本实施例中,运行区域概率
k表示工况点的序号。
本实施例中,新机不同工况点处的转速n′k对应的目标母型转速k表示工况点的序号。在计算流量系数φk时,首先将新机不同工况点的流量q′m,k模化换算为目标母型流量/>进而得到流量系数φk。
本实施例的目标函数计算模型中,以运行区域概率pk作为加权系数对CFD计算的不同工况点等熵效率加权求和/>将多工况优化问题转化为单目标优化问题,避免了多工况优化最终解选择的决策难题,有利于寻优效率的提高。
S4、对新机的气动型线进行优化,即基于所述目标函数计算模型获得最优目标函数值对应的气动型线作为优化型线。
具体的,本步骤中,可通过优化算法对气动型线的设计变量进行优化,从而得到最优目标函数值,即寻求使目标函数值最优的设计变量。优化算法可具体选择遗传算法、模拟退火算法、粒子群算法等等。
S5、根据优化型线获得新机样机的三维结构造型。
具体的,本实施例中的步骤S1、S3和S4中的气动型线用参数化模型进行表述,气动型线的参数化模型为x=f(a,b,c,d,…),-x为型线坐标,a,b,c,d,…为设计变量。
本实施例中,在训练目标函数计算模型时,样本集中用设计变量表示气动型线,即样本数据由用于表述气动型线的设计变量和气动型线对应的目标函数值组成。
实施例2
参照图3,相对于实施例1,本实施例的步骤S5具体包括以下步骤:
S51、对优化型线采用CFD计算模型计算目标函数校验值。
S52、判断最优目标函数值与目标函数校验值之间的差值绝对值是否大于预设的最大允差。
S53、如果最优目标函数值与目标函数校验值之间的差值绝对值大于最大允差,则将优化型线和目标函数校验值作为修正样本补充到样本集中,并根据修正样本对目标函数计算模型进行修正,然后返回步骤S3。
本实施例中,通过对优化型线最优目标函数值与目标函数校验值的对比,实现了对目标函数计算模型的反复训练,有利于提高目标函数计算模型的计算精度。
S54、如果最优目标函数值与目标函数校验值之间的差值绝对值小于或等于最大允差,则根据优化型线获得新机样机的三维结构造型。
在实施例1和实施例2中,步骤S5中,还可进一步将将新机及对应的性能工况数据添加到母型库中,以保证母型库中母型的多样性。具体实施时,新机的性能工况数据可通过样机性能试验获得。
实施例3
参照图4,相对于实施例1或者实施例2,本实施例中,设置用于描述设计变量与气动型线的映射关系的参数化模型f,参数化模型f的输入为设计变量,输出为气动型线。则气动型线x=f(a,b,c,d,…),a,b,c,d,…为设计变量。设计变量的合理选取可以使参数化模型表达的气动型线尽量接近真实的大量离散点表达的气动型线。
如此,本实施例中,涉及气动型线时,均以设计变量表述。
本实施例的步骤S3中,目标函数计算模型的输入为用于表述气动型线的设计变量。
本实施例中还包括以下步骤。
S6、结合新机的设计参数通过CFD计算获得设计性能曲线,并通过样机性能试验获得新机样机的实际性能曲线。
S7、计算设计性能曲线与实际性能曲线的偏离度,并判断偏离度是否超过预设的偏离范围。
具体的,参照图5,本实施例中,设计性能曲线与实际性能曲线的偏离度的计算方法为:将设计性能曲线与实际性能曲线均由喘振边界至堵塞边界分为M段;对各段结点的流量系数φ和性能参数η归一化处理,进而对设计性能曲线与实际性能曲线相应结点的明可夫斯基距离求和,得到偏离度其中,φj和/>分别表示实际性能曲线上第j个节点的流量系数和设计性能曲线上第j个节点的流量系数,ηj和/>分别表示实际性能曲线上第j个节点的性能参数和设计性能曲线上第j个节点的性能参数。q为计算常数,q为计算常数,且q>1。
S8、是,则重新筛选设计变量建立参数化模型,然后返回步骤S3;否,则设计完成。
如此,本实施例中,通过设计性能曲线与实际性能曲线的对比,进一步实现了对新机设计的验证,保证了新机设计的精确度。
实施例4
参照图6,相对于实施例3,本实施例中,还包括步骤S9:将新机及对应的性能工况数据添加到母型库中,以保证母型库中母型的多样性,为后续的新机设计提供更多参照。
将新机存储到母型库中作为新的母型时,其根据母型库中原有的数据关联存储相关数据。例如,母型库中原有母型关联存储工况性能数据,则新机存储到母型库中也要关联存储工况性能数据;母型库中原有母型关联存储的工况性能数据包括各工况点处的运行区域概率,则新机存储到母型库中的工况性能数据也包括各工况点处的运行区域概率;母型库中原有母型关联存储有气动型线时,则将新机的优化型线与新机关联存储到母型库中。
实施例5
本实施例中结合具体的应用情景对实施例4提供的基于母型库的燃料电池离心压缩机气动优化设计方法进行验证。
本实施例中以某燃料电池离心压缩机为母型展开模化设计获得新机的基本尺寸参数,新机的设计压比为2.8,设计流量0.12kg/s,经模化设计得到的叶轮半径为73.5mm,出口叶片宽度3mm,当量设计转速110230rpm。
本实施例中,采用实施例4提供的基于母型库的燃料电池离心压缩机气动优化设计方法,收集并统计目标母型不同工况点处的运行区域概率数据,在此基础上进行压缩机气动优化设计,优化后设计点叶轮等熵效率达88.3%,提高了1.6%,优化得到的叶轮子午型线和气动外形分别如图7和图8所示。
同时,采用给定速度分布反算气动型线,进而展开多工况优化的全新设计方法,设计点等熵效率为87.6%。
可见,本发明提出的基于母型库的燃料电池离心压缩机气动优化设计方法,有利于设计新机获得良好的气动性能。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (8)
1.一种基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,包括以下步骤:
S1、建立用于存储燃料电池离心压缩机母型的母型库,母型库中各母型均关联有对应的工况性能数据;
S2、获取新机的设计参数,根据设计参数从母型库中选择目标母型,并采用模化设计方法计算新机的基本设计尺寸;
S3、基于所述基本设计尺寸获取新机的气动型线,并将气动型线输入预设的目标函数计算模型,以获取新机的目标函数值;
S4、对新机的气动型线进行优化,即基于所述目标函数计算模型获得最优目标函数值对应的气动型线作为优化型线;
S5、根据优化型线获得新机样机的三维结构造型;
步骤S3中,目标函数计算模型的输入为气动型线的设计变量;气动型线的设计变量根据预设的参数化模型获得,参数化模型的输入为设计变量,输出为气动型线;
该方法还包括以下步骤:
S6、结合新机的设计参数通过CFD计算获得设计性能曲线,并通过样机性能试验获得新机样机的实际性能曲线;
S7、计算设计性能曲线与实际性能曲线的偏离度,并判断偏离度是否超过预设的偏离范围;
S8、是,则重新筛选设计变量建立参数化模型,然后返回步骤S3;否,则设计完成;
步骤S7中,设计性能曲线与实际性能曲线的偏离度的计算方法为:将设计性能曲线与实际性能曲线均由喘振边界至堵塞边界分为M段;对各段结点的流量系数φ和性能参数η归一化处理,进而对设计性能曲线与实际性能曲线相应结点的明可夫斯基距离求和,得到偏离度其中,φj和/>分别表示实际性能曲线上第j个节点的流量系数和设计性能曲线上第j个节点的流量系数,ηj和/>分别表示实际性能曲线上第j个节点的性能参数和设计性能曲线上第j个节点的性能参数,q为计算常数,q>1。
2.如权利要求1所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,还包括步骤S9:将新机及对应的性能工况数据添加到母型库中。
3.如权利要求1所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S1中所述工况性能数据包含母型的流量、进气压力、进气温度和压比;步骤S2中,采用模化设计方法计算新机的基本设计尺寸的方法具体为:计算新机与目标母型的尺寸比qm、pin、Tin和ε分别表示目标母型的流量、进气压力、进气温度和压比,q′m、pi′n、Ti′n和ε′分别表示新机的设计流量、进气压力、进气温度和设计压比,q′m、pi′n、Ti′n和ε′均包含在所述设计参数中;m表示目标母型的多变指数;然后根据目标母型和尺寸比确定新机的基本设计尺寸。
4.如权利要求3所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S2中,还采用模化设计方法计算新机的当量设计转速其中,n表示目标母型的设计转速,设计转速n包含在所述工况性能数据中。
5.如权利要求1所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S1中,所述工况性能数据包括母型在各工况点的运行区域概率
步骤S3中,目标函数计算模型的输出为:压缩机节能效率/>其中/>为新机在当量设计转速和设计流量下CFD计算的压比,ε′为新机的设计压比,N表示预设的优化工况数,K表示全工况区域包含的工况点数量,k表示工况点的序号,/> 表示新机在第k个工况点处CFD计算的等熵效率。
6.如权利要求1所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S3中,所述目标函数计算模型通过神经网络模型对样本集进行学习获得,样本集中包含多个由气动型线和对应的目标函数值组成的样本数据,且样本数据中的目标函数值通过对气动型线进行CFD计算获得。
7.如权利要求1所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S5具体包括以下步骤:
S51、对优化型线采用CFD计算模型计算目标函数校验值;
S52、判断最优目标函数值与目标函数校验值之间的差值绝对值是否大于预设的最大允差;
S53、如果最优目标函数值与目标函数校验值之间的差值绝对值大于最大允差,则将优化型线和目标函数校验值作为修正样本补充到样本集中,并根据修正样本对所述目标函数计算模型进行修正,然后返回步骤S3;
S54、如果最优目标函数值与目标函数校验值之间的差值绝对值小于或等于最大允差,则根据优化型线获得新机样机的三维结构造型。
8.如权利要求1或7所述的基于母型库的燃料电池离心压缩机气动优化设计方法,其特征在于,步骤S5还包括:将新机及对应的性能工况数据添加到母型库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981030.0A CN112270139B (zh) | 2020-09-17 | 2020-09-17 | 基于母型库的燃料电池离心压缩机气动优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981030.0A CN112270139B (zh) | 2020-09-17 | 2020-09-17 | 基于母型库的燃料电池离心压缩机气动优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270139A CN112270139A (zh) | 2021-01-26 |
CN112270139B true CN112270139B (zh) | 2024-03-08 |
Family
ID=74348970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981030.0A Active CN112270139B (zh) | 2020-09-17 | 2020-09-17 | 基于母型库的燃料电池离心压缩机气动优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270139B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113738665B (zh) * | 2021-10-08 | 2022-08-02 | 珠海格力电器股份有限公司 | 离心式回转设备设计方法、装置、离心压缩机及空调 |
CN115422494B (zh) * | 2022-11-03 | 2023-02-10 | 中国科学院工程热物理研究所 | 压缩机进气含水性能预测方法、装置、设备及存储介质 |
CN116979106B (zh) * | 2023-09-22 | 2023-12-15 | 上海氢晨新能源科技有限公司 | 基于工作参数组的参数控制方法、系统和用电设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7569293B1 (en) * | 2001-10-15 | 2009-08-04 | Nuvera Fuel Cells, Inc. | Methods and systems for efficient operation of integrated fuel cell-fuel reformer systems |
CN103700871A (zh) * | 2013-12-07 | 2014-04-02 | 西南交通大学 | 机车质子交换膜燃料电池系统最优效率控制方法 |
CN108716463A (zh) * | 2018-04-19 | 2018-10-30 | 合肥通用机械研究院有限公司 | 一种往复压缩机环状气阀的故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10977397B2 (en) * | 2017-03-10 | 2021-04-13 | Altair Engineering, Inc. | Optimization of prototype and machine design within a 3D fluid modeling environment |
-
2020
- 2020-09-17 CN CN202010981030.0A patent/CN112270139B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7569293B1 (en) * | 2001-10-15 | 2009-08-04 | Nuvera Fuel Cells, Inc. | Methods and systems for efficient operation of integrated fuel cell-fuel reformer systems |
CN103700871A (zh) * | 2013-12-07 | 2014-04-02 | 西南交通大学 | 机车质子交换膜燃料电池系统最优效率控制方法 |
CN108716463A (zh) * | 2018-04-19 | 2018-10-30 | 合肥通用机械研究院有限公司 | 一种往复压缩机环状气阀的故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
LG-0.9/9型双螺杆空气压缩机系统研制;张谦;舒悦;肖军;王树胜;方D;;流体机械(第10期);57-60 * |
Numerical analysis of aerodynamic damping for a centrifugal impeller;Jun Xiao等;《Engineering Applications of Computational Fluid Mechanics》;第第12卷卷(第第1期期);152-168 * |
典型工况下的燃料电池船舶复合储能系统设计;张泽辉;高海波;管聪;陈辉;林治国;;船舶工程(第08期);103-108 * |
斜爆震发动机的流动与燃烧机理;滕宏辉;杨鹏飞;张义宁;周林;;中国科学:物理学 力学 天文学(第09期);129-151 * |
燃料电池车用离心叶轮型线参数化及多工况优化;万玉;许思传;张良;;同济大学学报(自然科学版)(第01期);102-112 * |
Also Published As
Publication number | Publication date |
---|---|
CN112270139A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270139B (zh) | 基于母型库的燃料电池离心压缩机气动优化设计方法 | |
CN110929357A (zh) | 一种高性能舰船燃机压气机气动设计方法 | |
CN111859730B (zh) | 一种燃料电池离心压缩机转子构形优化设计方法 | |
CN110989342B (zh) | 一种联合循环机组重型燃气轮机实时t-s模糊建模方法 | |
CN112685968A (zh) | 基于空间负荷定制思想的轴流压气机气动设计方法 | |
CN111859746A (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN111898212A (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN111027148B (zh) | 损失落后角模型自动标定及工业轴流压缩机性能计算方法 | |
CN113688565B (zh) | 基于最优权衡的超临界co2离心压缩机贝叶斯优化方法 | |
CN113361047B (zh) | 面向多层感知结构的叶轮高维优化及选型方法 | |
CN116663202B (zh) | 一种多级轴流压气机性能仿真模型的校核方法 | |
CN112487570A (zh) | 基于自由变形技术的离心压缩机分流叶片形状优化方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116595874A (zh) | 叶轮机械性能预测模型参数优化方法及装置、存储介质 | |
CN112748665A (zh) | 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置 | |
CN113294297B (zh) | 风电机组非线性模型预测转矩控制变权重调节方法 | |
CN115929677A (zh) | 高温环境的燃气轮机压气机的改型方法 | |
CN112685852B (zh) | 一种轴流压气机负荷定制化气动优化方法 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
CN112632728A (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
CN115238613B (zh) | 一种风机叶片形状优化方法、系统、存储介质及设备 | |
CN115544815B (zh) | 一种风扇模型的生成方法和装置 | |
CN114462159B (zh) | 一种船用湿汽轮机多工况的叶片除湿优化设计方法 | |
CN113807024B (zh) | 一种基于代理模型的燃气轮机最优动态工作点选择方法 |
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 |