CN112765907B - 一种车载储氢瓶快速加注方案的优化方法和系统 - Google Patents

一种车载储氢瓶快速加注方案的优化方法和系统 Download PDF

Info

Publication number
CN112765907B
CN112765907B CN202110037977.0A CN202110037977A CN112765907B CN 112765907 B CN112765907 B CN 112765907B CN 202110037977 A CN202110037977 A CN 202110037977A CN 112765907 B CN112765907 B CN 112765907B
Authority
CN
China
Prior art keywords
hydrogen storage
storage bottle
kriging
vehicle
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
Application number
CN202110037977.0A
Other languages
English (en)
Other versions
CN112765907A (zh
Inventor
吴宪
刘基天
邵建旺
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110037977.0A priority Critical patent/CN112765907B/zh
Publication of CN112765907A publication Critical patent/CN112765907A/zh
Application granted granted Critical
Publication of CN112765907B publication Critical patent/CN112765907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/32—Hydrogen storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Filling Or Discharging Of Gas Storage Vessels (AREA)

Abstract

本发明涉及一种车载储氢瓶快速加注方案的优化方法和系统，方法包括：获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；对试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；根据若干试验点及其对应的快速加注方案，建立Kriging无偏近似模型；在Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。与现有技术相比，本发明能大幅减少计算时间，快速确定满足各种实际需求的最优的储氢瓶快速加注方案。

Description

一种车载储氢瓶快速加注方案的优化方法和系统
技术领域
本发明涉及车载储氢瓶快速加注技术领域，尤其是涉及一种车载储氢瓶快速加注方案的优化方法和系统。
背景技术
燃料电池汽车车载储氢瓶在加注时必须考虑瓶内的温升，过高的温度将会对储氢瓶材料的安全性能产生影响，造成安全隐患。因此需要针对不同条件下的储氢瓶提出不同的加注方案。
现在加氢站普遍采用预冷的方式进行快速加注，如果对所有情况都采用相同的预冷条件，将耗费大量不必要的能源。因此便产生了关于加注时间、气体最高温度和预冷能耗的多目标优化问题。
计算流体动力学(Computational Fluid Dynamics,CFD)是以电子计算机为工具，应用各种离散化的数学方法，对流体力学的各类问题进行数值实验、计算机模拟和分析研究的方法。应用该方法，可精确、有效地对储氢瓶加注过程进行仿真模拟，是研究流体力学的有效工具。该方法的缺点是计算十分耗时。实际加注过程中储氢瓶的初始条件各不相同，针对所有情况都进行CFD仿真将需要相当高的时间成本。
发明内容
本发明的目的就是为了克服上述现有技术存在针对所有情况都进行CFD仿真将需要相当高的时间成本的缺陷而提供一种车载储氢瓶快速加注方案的优化方法和系统。
本发明的目的可以通过以下技术方案来实现：
一种车载储氢瓶快速加注方案的优化方法，包括以下步骤：
获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；
在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
进一步地，所述优化方法还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
进一步地，所述Kriging无偏近似模型集成在ISIGHT软件中。
进一步地，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
进一步地，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
本发明还提供一种车载储氢瓶快速加注方案的优化系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行以下步骤：
获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；
在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
进一步地，所述处理器的执行过程还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
进一步地，所述Kriging无偏近似模型集成在ISIGHT软件中。
进一步地，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
进一步地，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
与现有技术相比，本发明具有以下优点：
(1)本发明针对现有技术针对储氢瓶的不同的初始条件都需要重新进行CFD仿真，花费相当高的时间成本的缺陷，通过构建若干试验点，经过CFD仿真计算获取对应的快速加注方案，从而构建Kriging无偏近似模型，在实际使用过程中，只需设置不同的储氢瓶初始条件即可通过Kriging无偏近似模型得到快速加注方案的最优解，既能大幅减少计算时间，又可满足诸如快速加注和降低预冷能耗等的实际需求。
(2)本发明通过Kriging无偏近似模型可以方便设置快速加注方案的约束条件以及对各种可能的优化解进行直观全面的筛选。
附图说明
图1为本发明实施例中车载储氢瓶快速加注方案的优化方法的流程示意图；
图2为本发明实施例中构建的储氢瓶的CFD仿真模型的示意图；
图3为本发明实施例中获取的加注时间和预冷能耗的Pareto图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种车载储氢瓶快速加注方案的优化方法，包括以下步骤：
S1：获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型，CFD(Computational Fluid Dynamics，计算流体动力学)；
S2：在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
S3：对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
S4：根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
S5：在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
Kriging无偏近似模型作为一种无偏插值函数模型，能够高效准确预测各输出变量。第二代非劣排序遗传算法NSGA-Ⅱ是在NSGA的基础上引入了精英策略，提高了算法的运算速度和鲁棒性，并保证了非劣最优解的均匀分布，是研究多目标优化问题的有效工具。
作为一种优选的实施方式，所述优化方法还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
作为一种优选的实施方式，所述Kriging无偏近似模型集成在ISIGHT软件中。
作为一种优选的实施方式，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
作为一种优选的实施方式，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
本发明还提供一种车载储氢瓶快速加注方案的优化系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行以下步骤：
获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；
在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
作为一种优选的实施方式，所述处理器的执行过程还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
作为一种优选的实施方式，所述Kriging无偏近似模型集成在ISIGHT软件中。
作为一种优选的实施方式，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
作为一种优选的实施方式，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
将上述优选的实施方式进行组合可以得到一种最优的实施方式，下面对该最优的实施方式的具体实施过程进行描述。
本最优的实施方式中，对一种70MPa的134L的III型储氢瓶进行快速加注分析，储氢瓶总长1750mm，内径333mm，铝内衬层厚9.5mm，CFRP(多层高性能碳纤维增强复合材料carbon fiber reinforced plastic)外包裹层厚24mm。
车载储氢瓶快速加注方案的优化方法的处理过程包括以下步骤：
1、建立储氢瓶的CFD仿真模型
在Hypermesh软件中划分有限元网格如下图。网格由氢气、铝内衬、CFRP外包裹及喷嘴部分组成。
在Fluent中导入网格，并将材料参数输入CFD模型中。材料参数如表1所示。
表1
铝 CFRP
密度(kg/m3) 2700 1570
比热(J/kg·K) 902 840
热传导率(W/m·K) 238 1.77
上述参数均由试验测得。
在Fluent中，湍流模型选用标准k-ε模型、NIST真实气体数据，打开能量方程、重力、浮力效应。入口采用质量流量入口，以模拟恒定质量流量的加注情况。
2、通过最优拉丁超立方设计方法，设计环境温度、预冷温度、初始压力和质量流量为变量的若干试验点
实际加氢过程中初始条件有四个变量：环境温度、预冷温度、初始压力、质量流量。这四个变量都会影响加注过程中瓶内的最高温度。其中，环境温度和初始压力为客观条件，预冷温度和质量流量可人为控制。通过增大或减小质量流量可以缩短或延长加注时间，配合不同的预冷温度将影响加注过程中的总预冷能耗。
本例中，环境温度的范围设置为273K～323K(0℃～50℃)。
预冷温度根据相关标准(SAE J2601)范围设置在233K～273K(-40℃～0℃)。
初始压力范围设置为2MPa～60MPa。
质量流量范围设置为10g/s～60g/s。
根据上述四个变量的范围，采用最优拉丁超立方设计24个试验点如表2所示。
表2
Figure BDA0002894074540000071
Figure BDA0002894074540000081
3、对设计的试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗
在软件Fluent中分别对这24组试验点进行仿真，以SOC(state of charge)达到99％(以该瓶为例，即最终瓶内气体质量为134L×40.2kg/m3＝5.387kg)为仿真结束标准。得到输出变量：加注时间、最高温度、总预冷能耗。其中，总预冷能耗由整个加注过程中入口处的焓-时间曲线积分得到。仿真结果如表3所示。
表3
Figure BDA0002894074540000082
Figure BDA0002894074540000091
4、由上述试验点数据建立Kriging无偏近似模型并验证
在ISIGHT软件中导入上述数据，建立Kriging近似模型。为了验证模型，另采用最优拉丁超立方设计12个试验点用以验证。对这些试验点分别进行CFD仿真计算，与Kriging近似模型得到的结果比较以验证近似模型的准确性。试验点及验证结果如表4所示。
表4
Figure BDA0002894074540000092
Figure BDA0002894074540000101
Figure BDA0002894074540000111
从表4可以看出，加注时间和最高温度误差均不超过2％，预冷能耗误差最大5.12％。认为近似模型可精确预测输出的三个变量。
5、在ISIGHT软件中导入Kriging模型，针对不同环境温度和初始压力的初始条件进行优化，得到质量流量和预冷温度的最优解
以最高温度不超过358K(85℃)为约束，以加注时间最短和预冷能耗最低为目标对不同环境温度和初始压力的初始条件的加注进行优化。采用多目标遗传算法NSGA-II进行优化设计，设定初始种群数为40，遗传代数为100，交叉概率为0.9，变异概率为0.2。即可得不同初始条件下质量流量和预冷温度的优化解。
例：环境温度为293K，初始压力为30MPa的初始条件下，加注时间和预冷能耗的Pareto图如图3所示。
图3中，每个点代表一组加注方案(预冷温度和质量流量的组合)，灰色点为不满足约束(最高温度超过85℃)的加注方案，空心点表示Pareto最优解，所有空心点构成了Pareto最优解集合，五角星点表示在时间和预冷能耗权重均为1时所得到的最优解。可得到该点质量流量10.11g/s，预冷温度250.42K，应用这种加注方案，加注过程将在256.11s完成，整个过程的预冷能耗为2350.4kJ。根据实际需要，加注时间和预冷能耗有不同要求时，可在最优解集中选择合适的加注方案。
按照该方案，对于不同初始条件，都可以提出最优的加注方案，在最高温度不超过85℃限制的条件下，满足快速加注和降低预冷能耗的需求。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种车载储氢瓶快速加注方案的优化方法，其特征在于，包括以下步骤：
获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；
在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
2.根据权利要求1所述的一种车载储氢瓶快速加注方案的优化方法，其特征在于，所述优化方法还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
3.根据权利要求1所述的一种车载储氢瓶快速加注方案的优化方法，其特征在于，所述Kriging无偏近似模型集成在ISIGHT软件中。
4.根据权利要求1所述的一种车载储氢瓶快速加注方案的优化方法，其特征在于，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
5.根据权利要求1所述的一种车载储氢瓶快速加注方案的优化方法，其特征在于，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
6.一种车载储氢瓶快速加注方案的优化系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行以下步骤：
获取车载储氢瓶的结构和材料参数，构建储氢瓶的CFD仿真模型；
在所述储氢瓶的CFD仿真模型中，采用最优拉丁超立方设计方法，获取以环境温度、预冷温度、初始压力和质量流量为变量的若干试验点；
对所述若干试验点进行CFD仿真计算，得到各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述若干试验点及其对应的加注时间、最高温度和预冷能耗数据，建立Kriging无偏近似模型；
在所述Kriging无偏近似模型中，设置最高温度约束条件，以加注时间最短和预冷能耗最低为目标，对不同环境温度和初始压力的初始条件进行优化，获取质量流量和预冷温度的优化解。
7.根据权利要求6所述的一种车载储氢瓶快速加注方案的优化系统，其特征在于，所述处理器的执行过程还包括对所述Kriging无偏近似模型进行验证，具体为：
采用所述最优拉丁超立方设计方法，重新获取若干个验证试验点；
对所述若干验证试验点进行CFD仿真计算，得到CFD仿真结果，该CFD仿真结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
将所述若干个验证试验点载入所述Kriging无偏近似模型中，得到近似模型结果，该近似模型结果包括各个快速加注方案的加注时间、最高温度和预冷能耗；
根据所述CFD仿真结果与近似模型结果进行误差分析，判断所述Kriging无偏近似模型的预测结果是否在预设的误差范围以内。
8.根据权利要求6所述的一种车载储氢瓶快速加注方案的优化系统，其特征在于，所述Kriging无偏近似模型集成在ISIGHT软件中。
9.根据权利要求6所述的一种车载储氢瓶快速加注方案的优化系统，其特征在于，所述Kriging无偏近似模型采用多目标遗传算法NSGA-II进行获取最优解。
10.根据权利要求6所述的一种车载储氢瓶快速加注方案的优化系统，其特征在于，所述储氢瓶的CFD仿真模型构建具体为：
根据所述车载储氢瓶的结构，在Hypermesh软件中划分有限元网格，将所述有限元网格和车载储氢瓶的材料参数导入Fluent中，构建储氢瓶的CFD仿真模型，所述车载储氢瓶的材料参数包括密度、比热容和热传导率。
CN202110037977.0A 2021-01-12 2021-01-12 一种车载储氢瓶快速加注方案的优化方法和系统 Active CN112765907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110037977.0A CN112765907B (zh) 2021-01-12 2021-01-12 一种车载储氢瓶快速加注方案的优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110037977.0A CN112765907B (zh) 2021-01-12 2021-01-12 一种车载储氢瓶快速加注方案的优化方法和系统

Publications (2)

Publication Number Publication Date
CN112765907A CN112765907A (zh) 2021-05-07
CN112765907B true CN112765907B (zh) 2022-08-23

Family

ID=75699812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110037977.0A Active CN112765907B (zh) 2021-01-12 2021-01-12 一种车载储氢瓶快速加注方案的优化方法和系统

Country Status (1)

Country Link
CN (1) CN112765907B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462863B (zh) * 2022-02-11 2023-05-05 内蒙古中科装备有限公司 加氢站氢能充装管控方法、装置、计算机设备及存储介质
CN114509951B (zh) * 2022-04-21 2022-08-12 浙江浙能航天氢能技术有限公司 一种基于神经网络的加氢自适应控制方法及装置
CN115408948B (zh) * 2022-10-18 2023-01-10 北京理工大学 一种氢气加注的最优策略确定方法、系统及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239656A (zh) * 2014-10-16 2014-12-24 湖南大学 车身凹坑型非光滑表面特征参数优化设计方法
CN109460629A (zh) * 2018-08-30 2019-03-12 华南理工大学 一种基于近似模型法的冷却风扇性能优化方法
CN110939859A (zh) * 2018-09-21 2020-03-31 国家能源投资集团有限责任公司 加氢控制装置及方法
CN109635396A (zh) * 2018-11-30 2019-04-16 同济大学 一种多层cfrp结构平板的振动声学分析方法
CN111947022B (zh) * 2020-06-30 2022-10-25 同济大学 一种燃料电池汽车车载储氢瓶加注方法
CN111981314B (zh) * 2020-08-26 2022-02-11 重庆大学 一种基于多因素目标优化算法的快速加氢控制方法

Also Published As

Publication number Publication date
CN112765907A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765907B (zh) 一种车载储氢瓶快速加注方案的优化方法和系统
CN106909727B (zh) 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
Sharma et al. Theoretical analysis of design of filament wound type 3 composite cylinder for the storage of compressed hydrogen gas
Liu et al. Numerical simulation and optimal design for composite high-pressure hydrogen storage vessel: A review
EP2983099B1 (en) Method for determining reduction factor of axial load bearing capacity of a cylindrical shell structure in a rocket
Wu et al. Fast filling strategy of type III on-board hydrogen tank based on time-delayed method
Hao et al. Influence of imperfection distributions for cylindrical stiffened shells with weld lands
CN112966378B (zh) 一种基于安全评价模型的氢泄露的预测方法及系统
CN109359336B (zh) 一种基于多目标优化的绑扎桥相似畸变模型构建方法
CN108319799A (zh) 一种自主水下航行器的外形多保真度优化设计方法
Park et al. Design of composite layer and liner for structure safety of hydrogen pressure vessel (type 4)
Ni et al. Buckling and post-buckling of isotropic and composite stiffened panels: A review on optimisation (2000-2015)
CN111947022B (zh) 一种燃料电池汽车车载储氢瓶加注方法
CN112989717B (zh) 一种加氢站火灾事故热辐射评估方法及系统
CN114239157A (zh) 一种基于机器学习的复合材料储氢容器铺层角度设计方法
Li et al. Structural optimization of the aircraft NACA inlet based on BP neural networks and genetic algorithms
Holman et al. Effects of continuum breakdown on the surface properties of a hypersonic sphere
CN115732043A (zh) 一种喷丸强化中晶粒尺寸沿靶材纵深分布的预测方法
Zhao et al. Multidisciplinary design optimization of a human occupied vehicle based on bi-level integrated system collaborative optimization
CN113761645A (zh) 用于水下航行器壳体设计的方法、装置及设备
CN115130239A (zh) 基于多尺度建模的金属增材制造的力学性能预测方法
CN113836840A (zh) 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法
Sun et al. A new rational-based optimal design strategy of ship structure based on multi-level analysis and super-element modeling method
Mirzaei et al. Crashworthiness design for cylindrical tube using neural network and genetic algorithm
CN115358169B (zh) 基于数值模拟的汽车储氢罐tprd泄放风险预警方法

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