CN112580228A - 一种涡扇发动机混合结构风扇叶片结构设计优化方法 - Google Patents
一种涡扇发动机混合结构风扇叶片结构设计优化方法 Download PDFInfo
- Publication number
- CN112580228A CN112580228A CN201910932362.7A CN201910932362A CN112580228A CN 112580228 A CN112580228 A CN 112580228A CN 201910932362 A CN201910932362 A CN 201910932362A CN 112580228 A CN112580228 A CN 112580228A
- Authority
- CN
- China
- Prior art keywords
- optimization
- model
- optimal
- configuration parameters
- optimal solution
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
一种涡扇发动机混合结构风扇叶片结构设计优化方法,其能避免单一代理模型进行优化时往往得不到结构设计的最优解的问题。其包括确定混合结构风扇叶片的优化模型,采用试验设计方法在关键构型参数确定的设计空间内生成样本点,基于鸟撞仿真分析确定关键构型参数对应的约束条件函数值和目标函数值,借此生成样本库;基于样本库筛选出优化中应用的至少两个代理模型,用于优化过程的响应预测;基于前述优化模型,通过至少两个代理模型并行迭代寻优,得到各个代理模型预测出的最优解,然后对最优解进行鸟撞分析验算,若不满足对应的约束条件或收敛准则,则将最优解加入样本库,并借此更新至少两个代理模型,再重新进行并行迭代寻优,直到满足收敛准则。
Description
技术领域
本发明涉及一种风扇叶片的设计方法,尤其涉及风扇叶片的结构设计优化方法。
背景技术
现代涡扇航空发动机正朝着大涵道比、大推力、低油耗、低噪声、高安全性、高可靠性等方向不断发展。为了增大发动机涵道比,需要采用更大尺寸的风扇叶片,使得发动机风扇段的重量占发动机总重量的比重不断提升。因此,大尺寸轻质风扇叶片成为大涵道比民用航空发动机成功与否的关键。
目前国际上成功应用于产品的轻质大涵道比风扇叶片方案包括R&R公司的纯钛合金空心风扇叶片和GE公司的复合材料-钛合金包边风扇叶片。如果用等效空心率(1-实际叶片重量/相同尺寸的实心钛合金叶片重量)来衡量轻质风扇叶片的减重效果,R&R公司全钛合金空心叶片的等效空心率已经达到40%,而GE公司的复合材料-钛合金包边叶片也已达到了60%以上等效空心率。由于有更好的减重效果,复合材料与金属的混合结构,已成为各大发动机公司轻质风扇叶片发展的主流。
抗冲击性能是评估混合结构风扇叶片结构好坏的重要指标。为增强风扇叶片的抗冲击性能,通常希望混合结构叶片金属部分的占比越大越好,而金属部分的占比越大则会导致叶片等效空心率降低。由于叶片外型通常为了保证气动性能而维持不变,因此,为设计出各方面性能更优的混合结构风扇叶片,就需要对复合材料与金属的构型参数进行优化。
叶片抗冲击性能评估可通过试验和仿真分析来进行。试验方法虽然结果可靠,但叶片加工与试验周期长且成本高,因此在叶片设计阶段,通常采用成本较低的仿真分析方法进行抗冲击性能评估。目前叶片鸟撞分析主要采用显式动力学分析工具LS-DYNA对叶片在经历鸟撞后的运动过程进行仿真,仿真过程耗时较长,即使采用高性能计算平台进行计算也需要大约10小时;此外,进行显式动力学建模过程较为复杂,自动化难度很高,采用传统的自动优化方法进行优化,难度大,时间周期长,设计成本高。
目前工程上也有基于代理模型的优化方法,代理模型可以牺牲一定计算精度为代价,将复杂的仿真分析过程用简单的输入输出响应关系来模拟,可解决时间成本和自动化的问题。但由于叶片鸟撞分析属于高度非线性问题,采用目前常用的代理模型进行预测精度较差,直接通过代理模型进行优化往往得不到结构设计的最优解。
发明内容
本发明的目的在于提供一种涡扇发动机混合结构风扇叶片结构设计优化方法,其能避免单一代理模型由于预测精度差而导致进行优化时往往得不到结构设计的最优解的问题。
根据本发明的涡扇发动机混合结构风扇叶片结构设计优化方法包括:
确定混合结构风扇叶片的优化模型,其中选取叶片的关键构型参数作为设计变量,并且选取抗冲击性能参数和叶片质量分别作为约束条件和目标函数;
采用试验设计方法在所述关键构型参数确定的设计空间内生成样本点,并对初始样本点进行混合结构风扇叶片建模,然后进行鸟撞仿真分析,基于鸟撞仿真分析确定关键构型参数对应的约束条件函数值和目标函数值,借此生成样本库;
基于样本库建立多种代理模型,并基于代理模型误差分析,筛选出优化中应用的至少两个代理模型,用于优化过程的响应预测;以及
基于前述优化模型,通过所述至少两个代理模型并行迭代寻优,得到各个代理模型预测出的最优解,即最优构型参数、约束条件函数值和目标函数值;
在前述并行迭代寻优的步骤中,基于最优构型参数进行鸟撞分析验算,若不满足约束条件或收敛准则,则将最优解加入样本库,并借此更新所述至少两个代理模型,再重新进行所述并行迭代寻优,直到满足收敛准则。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,所述至少两个代理模型包括插值型代理模型和拟合型代理模型。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,采用最优拉丁超立方法在在设计空间内生成初始试验样本。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,采用遗传算法对所述至少两个代理模型并行迭代寻优,得到不同最优构型参数。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,收敛准则为前后两次迭代最优构型参数相差充分小,或者前后两次迭代最优解相差充分小,或者代理模型精度达到目标精度,即优化出的最优解与真实复算的最优解之间相差充分小,或者不同代理模型所得到的最优构型参数相差充分小,或者优化迭代连续三轮未获取更好的最优解。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,所述关键构型参数包括沿叶高方向的各个材料的厚度分布。
在所述涡扇发动机混合结构风扇叶片结构设计优化方法的一个或多个实施方式中,所述叶片抗冲击性能参数包括复合材料各个方向的应变、金属材料的塑性应变,或者各个材料的静强度、刚度或变形。
质量和抗冲击性能是在评估混合结构风扇叶片结构设计优劣的重要指标。由于混合结构风扇叶片涉及两种或多种材料,设计过程中需要不断调整复合材料与金属的构型参数,使叶片在满足抗冲击性能要求下质量越轻越好。而由于叶片叶型复杂,构型参数众多,而且抗冲击仿真分析耗时较长,建模自动化难度很高,采用传统的自动优化方法进行优化,难度大,时间周期长,设计成本高;而针对叶片鸟撞分析这类高度非线性问题,采用目前常用的代理模型进行预测精度较差,直接通过代理模型进行优化往往得不到结构设计的最优解。而前述的涡扇发动机混合结构风扇叶片结构设计优化方法采用多种代理模型对构型参数与抗冲击性能之间关系进行预测,能有效避免由于单一代理模型预测精度差而收敛至局部最优解甚至无法获取最优解的问题,优化效果更好。
附图说明
本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显,其中:
图1是根据本发明的一种涡扇发动机混合结构风扇叶片结构设计优化方法的一个实施方式的流程图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明,在以下的描述中阐述了更多的细节以便于充分理解本发明,但是本发明显然能够以多种不同于此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎,因此不应以此具体实施例的内容限制本发明的保护范围。
在根据本发明的一个实施方式中,涡扇发动机混合结构风扇叶片结构设计优化方法包括步骤S1至步骤S5。步骤S1建立优化模型。步骤S2生成样本点。步骤S3生成样本库。步骤S4基于样本库构建代理模型。步骤S5进行基于多种代理模型并行迭代寻优,在该并行迭代寻优的步骤中,包括最优解验算并判断是否收敛。接下来,结合图1,对各个步骤分别进行描述。
步骤S1:建立优化模型
确定混合结构风扇叶片关键构型参数,将其作为设计变量,并确定各个设计变量的上下限,确定混合结构风扇叶片约束条件与目标函数。
混合结构叶片是包括两种以上材料的叶片,例如包括复合材料和钛合金材料,其构型参数众多,关键构型参数具体与实际设计的结构方案相关,在一个实施方式中,其选取沿叶高方向的各个材料的厚度分布作为关键构型参数。设计变量的筛选主要根据混合结构叶片构型参数对抗冲击性能的影响,选取其中对叶片抗冲击性能影响较大的参数。
约束条件主要为叶片抗冲击性能参数,比如复合材料各个方向的应变、金属的塑性应变等,也可加入静强度、刚度、变形等其他强度约束。这些约束参数均通过真实鸟撞试验对仿真模型进行标定得到。
目标函数为叶片等效空心率最大或质量最轻。
优化模型如下:
min M(X)
find X=(x1,x2,...,xn)T
其中,M(X)表示叶片质量,X表示设计变量,n为设计变量的个数,C1(X),C2(X),...Cm(X)为约束条件,m表示约束条件的个数。
步骤S2:生成样本点
采用试验设计方法(DOE)在设计空间内生成初始试验样本,设计空间由优化模型确定。在一个实施方式中,采用最优拉丁超立方法生成初始试验样本,样本点数量根据设计变量的数量来定,设计变量数量越多,则需要的样本点数量越多。
步骤S3:生成样本库
对初始样本点进行混合结构风扇叶片几何建模和有限元建模,以及鸟撞仿真分析,借此生成样本库。
步骤S4:基于样本库构建代理模型
根据本发明的一个实施方式采用多种代理模型,即插值型和拟合型代理模型,插值型代理模型主要包括:克里金模型(Kriging)和径向基神经网络模型(RBF)等,拟合型代理模型主要包括支持向量机模型(SVM)和响应面模型(RSM)等。通过分析不同代理模型对初始样本点的拟合误差,筛选其中精度较高的代理模型,进行优化过程的响应预测。
步骤S5:基于多种代理模型进行预测
根据搭建的优化模型,通过筛选出的至少两个代理模型进行并行迭代寻优,一个实施方式是采用遗传算法对所构建的不同代理模型进行并行迭代寻优,在第i次迭代轮次中,求出两组最优构型参数下标K,S分别代表插值型和拟合型代理模型;同时也输出各个代理模型预测出的约束条件函数值和目标函数值
步骤S5还包括最优解验算并判断是否收敛
首先判断真实约束条件函数值 是否满足约束条件,如果不满足约束条件,则将各个代理模型的真实最优解加入样本库,真实最优解包括前次迭代轮次中获得的最优构型参数、约束条件函数值和目标函数值,借此更新各个代理模型,即基于新的样本库,按照步骤S4更新代理模型,重新进行优化。如果满足约束条件,则继续判断其是否满足优化的收敛准则,如满足收敛准则就输出最优构型参数,如不满足收敛准则则将各个代理模型的真实最优解加入样本库,更新各个代理模型,重新进行优化。
收敛准则需根据实际情况进行设定,主要包括:
1、前后两次迭代最优构型参数相差充分小,即:
其中,||*||2表示*的二范数;
2、前后两次迭代最优解相差充分小,即:
3、代理模型精度达到目标精度,即优化出的最优解与真实复算的最优解之间相差充分小,即:
4、在某次优化后,不同代理模型所得到的最优构型参数相差充分小,即:
5、优化迭代连续三轮未获取更好的最优解。
在构建代理模型过程中,选用一种拟合型代理模型和一种插值型代理模型,充分发挥拟合型代理模型全局趋势拟合效果好的优点和插值型代理模型采样点处局部精度高的优点。但随着代理模型技术的不断发展,在后续实际优化过程中,可根据需要选取两种或两种以上的代理模型。同时,前述实施方式选用的遗传算法也可替换为其他更优的优化算法。
为验证前述实施方式所提出方法的有效性,对典型涡扇发动机混合结构叶片进行了初步设计,该叶片由钛合金、复合材料及其连接结构组成。本次优化共有11个设计变量,约束条件为钛合金塑性应变、复材X向应变、复材Y向应变及连接结构失效率,目标为叶片质量,初始样本点为130,首先采用常见的四种不同代理模型(RSM、SVM、RBF和Kriging)分别进行预测,术语RSM是响应面法(Response Surface Method,RSM),术语是RBF径向基函数(Radial Basis Function,RBF),术语SVM是支持向量机方法(Support Vector Machine,SVM),术语Kriging是克里金法。各个代理模型预测精度见表1,可见针对鸟撞分析这类高度非线性问题,不同代理模型预测精度都不高,例如RSM代理模型的钛合金塑性应变预测精度误差为39.13%,复合材料X方向应变为39.88%,复合材料Y方向应变为67.43%,复合材料和钛合金材料之间的连接结构失效率的预测精度误差为42.23%。其余代理模型的预测精度可从表1中获得相应的理解。基于单一代理模型进行迭代优化,很容易收敛至局部最优解甚至无法获取最优解。
表1不同代理模型预测误差
针对这一问题,拟合型代理模型中SVM精度更高,而插值型代理模型中RBF精度更高,故基于SVM和RBF代理模型进行优化,能够获得更好的优化效果,优化后叶片质量减轻19%。
前述实施方式具有如下有效效果:
1.构建混合结构风扇叶片的构型参数与抗冲击性能之间关系的代理模型,采用多种代理模型对构型参数与抗冲击性能之间关系进行预测,基于代理模型进行优化,能有效避免由于单一代理模型预测精度差而收敛至局部最优解甚至无法获取最优解的问题,优化效果更好;
2.解决了由于鸟撞仿真这类自动化建模难度大、分析过程耗时长而难以实现自动优化的问题,设计周期更短;
3.该方法不依赖单一代理模型的预测精度来达到收敛,而是融合不同代理模型并行寻优,能充分利用不同代理模型的优点,快速迭代,因此迭代收敛更快,设计成本更低。
本发明虽然以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化及修饰,均落入本发明权利要求所界定的保护范围之内。
Claims (7)
1.一种涡扇发动机混合结构风扇叶片结构设计优化方法,其特征在于,包括:
确定混合结构风扇叶片的优化模型,其中选取叶片的关键构型参数作为设计变量,并且选取抗冲击性能参数和叶片质量分别作为约束条件和目标函数;
采用试验设计方法在所述关键构型参数确定的设计空间内生成样本点,并对初始样本点进行混合结构风扇叶片建模,然后进行鸟撞仿真分析,基于鸟撞仿真分析确定关键构型参数对应的约束条件函数值和目标函数值,借此生成样本库;
基于样本库建立多种代理模型,并基于代理模型误差分析,筛选出优化中应用的至少两个代理模型,用于优化过程的响应预测;以及
基于前述优化模型,通过所述至少两个代理模型并行迭代寻优,得到各个代理模型预测出的最优解,即最优构型参数、约束条件函数值和目标函数值;
在前述并行迭代寻优的步骤中,基于最优构型参数进行鸟撞分析验算,若不满足对应的约束条件或收敛准则,则将最优解加入样本库,并根据新的样本库更新所述至少两个代理模型,再重新进行所述并行迭代寻优,直到满足收敛准则。
2.如权利要求1所述的方法,其特征在于,所述至少两个代理模型包括插值型代理模型和拟合型代理模型。
3.如权利要求1所述的方法,其特征在于,采用最优拉丁超立方法在在设计空间内生成初始试验样本。
4.如权利要求1所述的方法,其特征在于,采用遗传算法对所述至少两个代理模型并行迭代寻优,得到不同最优构型参数。
5.如权利要求1所述的方法,其特征在于,收敛准则为前后两次迭代最优构型参数相差充分小,或者前后两次迭代最优解相差充分小,或者代理模型精度达到目标精度,即优化出的最优解与真实复算的最优解之间相差充分小,或者不同代理模型所得到的最优构型参数相差充分小,或者优化迭代连续三轮未获取更好的最优解。
6.如权利要求1所述的方法,其特征在于,所述关键构型参数包括沿叶高方向的各个材料的厚度分布。
7.如权利要求1所述的方法,其特征在于,所述叶片抗冲击性能参数包括复合材料各个方向的应变、金属材料的塑性应变,或者各个材料的静强度、刚度或变形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910932362.7A CN112580228B (zh) | 2019-09-29 | 2019-09-29 | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910932362.7A CN112580228B (zh) | 2019-09-29 | 2019-09-29 | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580228A true CN112580228A (zh) | 2021-03-30 |
CN112580228B CN112580228B (zh) | 2022-11-29 |
Family
ID=75110684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910932362.7A Active CN112580228B (zh) | 2019-09-29 | 2019-09-29 | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580228B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821983A (zh) * | 2021-10-12 | 2021-12-21 | 北京索为系统技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN114781085A (zh) * | 2022-04-20 | 2022-07-22 | 江苏大学镇江流体工程装备技术研究院 | 一种实时动态迭代优化的叶轮设计方法 |
WO2023045244A1 (zh) * | 2021-09-26 | 2023-03-30 | 中国华能集团清洁能源技术研究院有限公司 | 基于代理模型的海上风机支撑结构优化设计方法及系统 |
CN117010259A (zh) * | 2023-10-07 | 2023-11-07 | 中国船舶集团风电发展有限公司 | 风电机组门洞结构的优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
-
2019
- 2019-09-29 CN CN201910932362.7A patent/CN112580228B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
Non-Patent Citations (2)
Title |
---|
李坚: "代理模型近似技术研究及其在结构可靠度分析中的应用", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》 * |
龙腾等: "基于计算试验设计与代理模型的飞行器近似优化策略探讨", 《机械工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045244A1 (zh) * | 2021-09-26 | 2023-03-30 | 中国华能集团清洁能源技术研究院有限公司 | 基于代理模型的海上风机支撑结构优化设计方法及系统 |
CN113821983A (zh) * | 2021-10-12 | 2021-12-21 | 北京索为系统技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN113821983B (zh) * | 2021-10-12 | 2023-09-08 | 索为技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN114781085A (zh) * | 2022-04-20 | 2022-07-22 | 江苏大学镇江流体工程装备技术研究院 | 一种实时动态迭代优化的叶轮设计方法 |
CN114781085B (zh) * | 2022-04-20 | 2023-07-04 | 江苏大学镇江流体工程装备技术研究院 | 一种实时动态迭代优化的叶轮设计方法 |
CN117010259A (zh) * | 2023-10-07 | 2023-11-07 | 中国船舶集团风电发展有限公司 | 风电机组门洞结构的优化方法 |
CN117010259B (zh) * | 2023-10-07 | 2024-02-20 | 中国船舶集团风电发展有限公司 | 风电机组门洞结构的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112580228B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580228B (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
Li et al. | Deep learning regression-based stratified probabilistic combined cycle fatigue damage evaluation for turbine bladed disks | |
CN105608263A (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
CN110263429B (zh) | 基于机器学习的索网反射面天线形面精度调整方法 | |
US20160092629A1 (en) | Aircraft designing method, aircraft designing program and aircraft designing apparatus | |
CN112487683B (zh) | 一种考虑残余应力影响的结构件高周疲劳寿命预测方法 | |
CN114282309B (zh) | 一种基于多目标代理模型的静叶调节机构系统可靠性分析方法 | |
US20020177985A1 (en) | Computer system and method for radial cooled bucket optimization | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
CN113627098A (zh) | 一种cfd模型确认方法及产品设计方法 | |
CN115495965A (zh) | 复杂航空结构在混合不确定性下时变可靠性的分析方法 | |
Wu et al. | A probability feasible region enhanced important boundary sampling method for reliability-based design optimization | |
CN108009389A (zh) | 一种用于飞机舱门锁机构可靠性分析的高效自适应方法 | |
CN111783237A (zh) | 基于Kriging模型的涡轮轴可靠性优化设计方法 | |
CN114996995A (zh) | 一种超材料隔振单元性能预报方法和系统 | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
Zhang et al. | Fatigue reliability framework using enhanced active Kriging-based hierarchical collaborative strategy | |
CN116933386A (zh) | 一种基于mcok代理模型的飞行器气动数据融合方法 | |
Weiss et al. | Probabilistic finite-element analyses on turbine blades | |
Cinquegrana et al. | Efficient global optimization method for multipoint airfoil Design | |
CN115577453A (zh) | 一种变距螺旋桨气动设计方法、装置及系统 | |
Wei et al. | Reliability Analysis on structures based on a modified iterative response surface method | |
CN111783236A (zh) | 基于自适应模型和子集模拟的涡轮机匣灵敏度分析方法 |
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 |