CN112784375B - 一种基于离散型遗传算法的高效低脉动叶片泵优化方法 - Google Patents

一种基于离散型遗传算法的高效低脉动叶片泵优化方法 Download PDF

Info

Publication number
CN112784375B
CN112784375B CN202110108797.7A CN202110108797A CN112784375B CN 112784375 B CN112784375 B CN 112784375B CN 202110108797 A CN202110108797 A CN 202110108797A CN 112784375 B CN112784375 B CN 112784375B
Authority
CN
China
Prior art keywords
genetic algorithm
discrete
optimization
iteration
vane pump
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
CN202110108797.7A
Other languages
English (en)
Other versions
CN112784375A (zh
Inventor
王文杰
裴吉
陈金维
袁寿其
甘星城
龚小波
张猛
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 CN202110108797.7A priority Critical patent/CN112784375B/zh
Publication of CN112784375A publication Critical patent/CN112784375A/zh
Application granted granted Critical
Publication of CN112784375B publication Critical patent/CN112784375B/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]
    • G06F30/10—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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • 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
    • 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
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Control Of Non-Positive-Displacement Pumps (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开一种基于离散型遗传算法的高效低脉动叶片泵优化方法，包含以下步骤：步骤1、将基本遗传算法中的连续设计变量转化成离散设计变量，得到离散型遗传算法；步骤2、通过标准测试函数对所述离散型遗传算法进行测试；步骤3、若所述离散型遗传算法的测试结果满足预设要求，则通过测试后的所述离散型遗传算法对叶片泵进行非定常特性优化。采用本发明的技术方案，以满足对叶片泵运行稳定性和可靠性的需求。

Description

一种基于离散型遗传算法的高效低脉动叶片泵优化方法
技术领域
本发明属于泵优化技术领域，尤其涉及一种基于离散型遗传算法的高效低脉动叶片泵优化方法。
背景技术
泵是重要的能量转换装置和流体输送设备，广泛应用于石油、化工、灌溉、核电、航空航天等领域。根据相关资料，泵类耗电量约占全国发电总量的17％。另外，叶片泵内部流动呈现出复杂的三维非定常特性，如叶轮进出口回流、动静部件干涉、空化等。由叶片泵的非定常特性引起的压力脉动、诱导噪声和振动等问题，易影响叶片泵运行的稳定性和可靠性。因此，叶片泵的非定常特性优化具有举足轻重的学术意义和工程价值。
在智能优化算法方面，已有相关理论为智能优化提供了依据。例如，专利号为CN109146188A的专利“一种自适应布谷鸟算法及其在化工优化中的应用方法”，将基本布谷鸟搜索(CS)算法中的随机步长改进成根据迭代次数自适应调整的步长，并将改进的算法用于批示反应器、管式反应器、生物反应器等3个典型的化工动态优化问题中。
目前，有关于叶片泵的非定常特性方面的研究，主要是针对叶轮几何参数对非定常压力脉动的影响规律，并对其进行时(频)域分析，还未建立以减少压力脉动为目标的优化方法。叶片泵的非定常计算周期长，现有的连续优化方法计算精度高，但收敛速度慢；正交实验设计收敛速度快，但计算精度低。
有关于离散变量优化设计方面的研究，主要是将离散优化问题转化为对应的连续优化问题。先用连续变量优化方法来解决离散优化问题；然后，再用某种特定的方法将其对应的连续最优解转化为离散最优解。此类方法主要包括圆整法、拟离散法和离散型惩罚函数法。针对离散变量优化问题，还可使用随机型优化方法，以这类方法为基础的典型算法是随机实验法；搜索型优化方法，以这类方法为基础的典型算法主要有：启发式组合优化法、整数负梯度法和离散复合型法；其他离散优化方法，其中分支定界法应用较为广泛。现有的离散变量优化问题的解决方法，不可避免的存在计算时间长、收敛速度慢等问题。
综上所述，现有的优化方法已不足以有效地解决泵的非定常特性优化问题。
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离散型遗传算法的高效低脉动叶片泵优化方法，以满足对叶片泵运行稳定性和可靠性的需求。
为实现上述目的，本发明采用如下的技术方案：
一种基于离散型遗传算法的高效低脉动叶片泵优化方法，包含以下步骤：
步骤1、将基本遗传算法(GA)中的连续设计变量转化成离散设计变量，得到离散型遗传算法(IDGA)；
步骤2、通过标准测试函数对所述离散型遗传算法进行测试；
步骤3、若所述离散型遗传算法的测试结果满足预设要求，则通过测试后的所述离散型遗传算法对叶片泵进行非定常特性优化。
作为优选，步骤1中，在基本遗传算法GA中采用二值码串表示每个参数值在各参数取值范围中的位置，并对二值码串表示的位置进行选择、交叉、变异操作，获得新一代染色体；同时引入均匀两点交叉法、锦标赛选择法、精英保留策略法和自适应遗传概率法，得到所述离散型遗传算法。
作为优选，步骤3中，所述对叶片泵进行非定常特性优化具体为：
步骤301、确定优化目标，以泵效率和隔舌处监测点的压力脉动主频幅值为优化目标；
步骤302、确定优化参数和计算域，采取叶轮出口直径D2、叶轮出口宽度b2、叶片出口倒角半径R2、叶片进口安放角β1、叶片出口安放角β2、叶片包角θ为优化参数，上述优化参数的取值范围即为计算域；
步骤303、设置算法参数，包括：种群数np、最大迭代数niter、交叉率pc、变异率pm、离散变量数n及其对应取值；
步骤304、采用拉丁超立方抽样方法在离散计算域内对染色体进行初始化，得到初始种群Database＝{case1，case2，case3，……，case99，case100}；
步骤305、将步骤304所得的染色体参数通过ANSYSWorkbench调用ANSYSBladeGen建立每个染色体对应的叶轮水体模型；
步骤306、将步骤305中所得的叶轮水体模型通过ANSYSWorkbench导入ANSYSTurboGrid中绘制叶轮网格；
步骤307、将步骤306中所得的叶轮水体网格通过ANSYSWorkbench代入ANSYSCFX中进行定常数值模拟；
步骤308、以步骤307中所得的定常数值模拟结果为初始结果，通过ANSYSWorkbench代入ANSYSCFX中进行非定常数值模拟；
步骤309、对步骤308中得到的数据进行处理得到效率值和压力脉动主频幅值，获得染色体对计算域的适应度f＝{f1，f2，f3，……，f99，f100}；
步骤310、找出种群中适应度值最大的染色体，其适应度值为
Figure BDA0002918526750000041
所对应的各决策变量值
Figure BDA0002918526750000042
t为当前迭代次数；
步骤311、判断步骤304中的迭代次数是否达到1000次，若是，则停止迭代，输出优化结果；若否，转至步骤312；
步骤312、利用锦标赛选择法选择部分个体，利用精英保留策略，将上一迭代中种群的最优个体保留至下一代；
步骤313、根据交叉概率选择个体并两两进行交叉操作，生成新的个体；
步骤314、根据变异概率选择个体并对其进行变异操作，生成新的个体；
步骤315、将父代、子代、局部解进行种群合并，生成新一代种群，迭代次数加一，返回步骤305继续迭代，直至结果满足迭代停止条件，输出优化结果。
作为优选，步骤302中，所述计算域具体为：
D2∈[130,131,132,133,134,135,136]mm；
b2∈[15,16,17,18,19,20]mm；
R2∈[1.0,1.5,2.0,2.]5mm；
β1∈[40,44,48,52,56,60]°；
β2∈[20,24,28,32,36,40]°；
θ∈[85,90,95,100,105,110,115,120,125,130]°。
作为优选，步骤303参数设置为：种群规模np＝100，最大迭代数niter＝1000，交叉率pc＝0.85，变异率pm＝0.05。
作为优选，采用标准测试函数包括：Ackley、BukinN.6、Drop-Wave、Griewank。
作为优选，每个测试函数在不同维数时分别独立运行20次，数量级为4，通过所述离散型遗传算法收敛所需的收敛率、平均迭代次数、最大/小迭代次数、中位值、标准差六方面进行对比；其中，所述收敛率为在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数；若所述离散型遗传算法满足预设求解精度，则认为收敛，否则不收敛。
本发明的有益效果：
1、相比于连续性优化算法，本发明采用的IDGA可省略拟合设计参数和目标函数的步骤，达到有效减少迭代步数、缩短计算周期和节省计算资源的效果。
2、本发明采用的IDGA通过对二值码串表示的位置进行遗传操作，增大各设计变量的匹配度，可以在实际的离散空间中寻优，提高算法的搜索能力。
3、本发明采用的IDGA引入均匀两点交叉、锦标赛选择法、精英保留策略和自适应遗传概率，避免陷入局部最优解，增加算法获得全局最优解的概率。
4、本发明采用改进离散遗传算法作为优化算法结合CFD数值模拟计算，可实现对叶片泵非定常特性的优化，使其能够满足当代社会对于该类设备运行高效、稳定和可靠的需求。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明方法的流程图；
图2为本发明实施例1的单级单吸离心泵的轴面投影图；
图3为图2自动造型后的示意图；
图4为图3划分网格后的示意图；
图5(a)为监测点1的优化前示意图；
图5(b)为监测点1的优化后示意图；
图5(c)为监测点2的优化前示意图；
图5(d)为监测点2的优化后示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明进行具体阐述。
如图1所示，本发明提供一种基于离散型遗传算法的高效低脉动叶片泵优化方法，包含以下步骤：
步骤1、将基本遗传算法(GA)中的连续设计变量转化成离散设计变量，得到离散型遗传算法(IDGA)；
步骤2、通过标准测试函数对所述离散型遗传算法进行测试；
步骤3、若所述离散型遗传算法的测试结果满足预设要求，则通过测试后的所述离散型遗传算法对叶片泵进行非定常特性优化。
进一步，步骤1中，在基本遗传算法中采用二值码串表示每个参数值在各参数取值范围中的位置，并对二值码串表示的位置进行选择、交叉、变异操作，获得新一代染色体；同时引入均匀两点交叉法、锦标赛选择法、精英保留策略法和自适应遗传概率法，得到所述离散型遗传算法。优选地，根据离散变量的最大取值数qmax＝10决定变量位置的二进制编码长度为4。
所述对二值码串表示的位置进行遗传操作的优点如下：针对离散变量优化问题，最常见的方法是将离散优化问题转化为对应的连续优化问题；在此过程中，以连续最优解为基础离散化得到离散最优解，很可能离散最优解并不是真实最优解，以致最终优化结果有所偏差；对二值码串表示的位置进行遗传操作，则可以在实际的离散空间中寻优，获得真实的最优解。
所述均匀双点交叉法具体如下：
在已配对的两个个体中随机确定两个交叉点X1、X2(X1＜X2)，再随机产生的区间[0,2]内的整数a。当a为0时，两个个体X1的前面部分进行交叉；当a为1时，两个个体X1、X2之间的部分进行交叉；当a为2时，两个个体X2的后面部分进行交叉。采用均匀双点交叉，代替常用的单点交叉。每次交叉点位置采用随机策略，保证新一代染色体的多样性，提高算法的搜索能力。
所述锦标赛选择法具体如下：
每次从上一代种群中选取出一定数量的染色体，然后选择其中最好的一个染色体进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。
所述精英保留策略法具体如下：
将父代种群中的优秀个体保留下来，增加生成最优解的概率，减少迭代次数。
所述自适应遗传概率法具体如下：
在运算前期执行恒定的交叉、变异概率，保证足够多的染色体进行遗传操作，保证种群的多样性。在迭代一定次数后，采用自适应的遗传概率。根据常规自适应遗传算法的遗传概率，确定适用于IDGA的自适应调节的交叉、变异概率计算方法，计算公式如下：
Figure BDA0002918526750000081
Figure BDA0002918526750000082
其中，pc、pm分别为自适应交叉、变异概率，c1＝0.85，c2＝0.05，fc为已配对要交叉的两个染色体中较小的适应度值，fm为要变异染色体的适应度值，fmin为种群中的最小适应度值，favg为种群平均适应度值；计算公式为
Figure BDA0002918526750000083
N＝100，fi为每条染色体的适应度值。
进一步，中采用标准测试函数包括：Ackley、BukinN.6、Drop-Wave、Griewank。本发明采用4个标准测试函数进行测试，表1给出了测试函数公式、搜索范围和理论最优值。
表1：
Figure BDA0002918526750000084
IDGA算法中的参数设置如下：种群规模np＝100，最大迭代数niter＝1000，交叉率pc＝0.85，变异率pm＝0.05。每个测试函数在不同维数时分别独立运行20次，数量级为4，通过所述离散型遗传算法收敛所需的收敛率、平均迭代次数、最大/小迭代次数、中位值、标准差六方面进行对比；其中，所述收敛率为在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数；若所述离散型遗传算法满足预设求解精度，则认为收敛，否则不收敛。
表2：
Figure BDA0002918526750000091
表3：
Figure BDA0002918526750000092
表2和表3分别给出了IDGA和GA的实验结果。收敛率说明了在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数。最大(小)迭代次数和平均迭代次数反映了求解的质量。中位值反映测试结果总体的中等情况，中位值小于平均迭代次数时，代表测试结果中超过一半优于平均水平。标准差反映在给定的迭代次数下能达到的求解精度，同时也反映了算法求解的鲁棒性和稳定性。
由表2可知，从收敛率来看，对每个测试函数，IDGA均达到1，即IDGA都能找到最优值，而GA只有Drop-Wave函数达到0.25。
由表3可知，在最大迭代次数为1000时，只有Drop-Wave函数在最高收敛精度为10-8时均收敛，Ackley和Griewank函数最高收敛精度为10-1，Bukin N.6函数最高收敛精度为10-4。
结合表2和表3，从平均迭代次数来看，对于Ackley和Griewank函数，IDGA比达到10-1收敛精度的GA多，但比达到10-1收敛精度的GA大幅度减少。其中，Ackley函数中，IDGA比达到10-0收敛精度的GA多约41次，但比达到10-1收敛精度的GA少近336次；Griewank函数中，IDGA比达到10-0收敛精度的GA多约55次，但比达到10-1收敛精度的GA少近471次。对于BukinN.6函数，IDGA比达到最高收敛精度为10-4的GA均大幅度减少，减少次数分别约为44、359、527、416和695。对于Drop-Wave函数，IDGA比达到10-1和10-2收敛精度的GA多，但比达到其它收敛精度的GA均有减少。其中，IDGA比达到10-0和10-1收敛精度的GA均多近5次，但比达到其它收敛精度的GA分别少近11次、19次、47次、105次、264次、289次和222次。从中位值来看，对于Ackley和Griewank函数，IDGA和GA的中位值均小于平均迭代次数，IDGA均比达到10-1收敛精度的GA高，但比达到10-1收敛精度的GA大幅度降低。对于Bukin N.6函数，IDGA和达到10-0收敛精度的GA均低于平均迭代次数，达到10-1和10-2收敛精度的GA均高于平均迭代次数，达到10-3和10-4收敛精度的GA均与平均迭代次数相等。对于Drop-Wave函数，除了达到10-0收敛精度的GA均等于平均迭代次数，其它均小于平均迭代次数。从标准差来看，对于Ackley和Griewank函数，IDGA均比达到10-1收敛精度的GA高，但比达到10-1收敛精度的GA大幅度降低。对于Bukin N.6函数，IDGA比达到最高收敛精度为10-4的GA均大幅度降低。对于Drop-Wave函数，IDGA比达到最高收敛精度为10-3的GA略有提高，但比达到其它收敛精度的GA均大幅度降低。
进一步，步骤3中，所述对叶片泵进行非定常特性优化具体为：
步骤301、确定优化目标，以泵效率和隔舌处监测点的压力脉动主频幅值为优化目标；
步骤302、确定优化参数和计算域，采取叶轮出口直径D2、叶轮出口宽度b2、叶片出口倒角半径R2、叶片进口安放角β1、叶片出口安放角β2、叶片包角θ为优化参数，上述优化参数的取值范围即为计算域；所述计算域具体为：
D2∈[130,131,132,133,134,135,136]mm；
b2∈[15,16,17,18,19,20]mm；
R2∈[1.0,1.5,2.0,2.]5mm；
β1∈[40,44,48,52,56,60]°；
β2∈[20,24,28,32,36,40]°；
θ∈[85,90,95,100,105,110,115,120,125,130]°；
步骤303、设置算法参数，包括：种群数np、最大迭代数niter、交叉率pc、变异率pm、离散变量数n及其对应取值；具体地，种群规模np＝100，最大迭代数niter＝1000，交叉率pc＝0.85，变异率pm＝0.05；
步骤304、采用拉丁超立方抽样方法在离散计算域内对染色体进行初始化，得到初始种群Database＝{case1，case2，case3，……，case99，case100}；
步骤305、将步骤304所得的染色体参数通过ANSYSWorkbench调用ANSYSBladeGen建立每个染色体对应的叶轮水体模型；
步骤306、将步骤305中所得的叶轮水体模型通过ANSYSWorkbench导入ANSYSTurboGrid中绘制叶轮网格；
步骤307、将步骤306中所得的叶轮水体网格通过ANSYSWorkbench代入ANSYSCFX中进行定常数值模拟；
步骤308、以步骤307中所得的定常数值模拟结果为初始结果，通过ANSYSWorkbench代入ANSYSCFX中进行非定常数值模拟；
步骤309、对步骤308中得到的数据进行处理得到效率值和压力脉动主频幅值，获得染色体对计算域的适应度f＝{f1，f2，f3，……，f99，f100}；
步骤310、找出种群中适应度值最大的染色体，其适应度值为
Figure BDA0002918526750000121
所对应的各决策变量值
Figure BDA0002918526750000122
t为当前迭代次数；
步骤311、判断步骤304中的迭代次数是否达到1000次，若是，则停止迭代，输出优化结果；若否，转至步骤312；
步骤312、利用锦标赛选择法选择部分个体，利用精英保留策略，将上一迭代中种群的最优个体保留至下一代；
步骤313、根据交叉概率选择个体并两两进行交叉操作，生成新的个体；
步骤314、根据变异概率选择个体并对其进行变异操作，生成新的个体；
步骤315、将父代、子代、局部解进行种群合并，生成新一代种群，迭代次数加一，返回步骤305继续迭代，直至结果满足迭代停止条件，输出优化结果。
作为优选，步骤2中采用标准测试函数包括：Ackley、BukinN.6、Drop-Wave、Griewank。
作为优选，步骤3中，每个测试函数在不同维数时分别独立运行20次，数量级为4，通过所述离散型遗传算法收敛所需的收敛率、平均迭代次数、最大/小迭代次数、中位值、标准差六方面进行对比；其中，所述收敛率为在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数；若所述离散型遗传算法满足预设求解精度，则认为收敛，否则不收敛。
实施例1：
以一台设计转速n＝2910r/min、流量Q＝50m3/h、扬程H＝20m、叶片数z＝6的单级单吸离心泵为例，其轴面投影图如图2所示。本发明方法维持叶轮进口宽度b1、叶轮进口直径D1、叶片数z、叶片厚度δ不变。
采用拉丁超立方抽样方法对染色体信息进行初始化。
将当前染色体信息通过ANSYS Workbench调用ANSYSBladeGen进行自动造型，结果如图3所示，每条染色体对应一个叶轮。
将所得的叶轮模型通过ANSYSWorkBench导入ANSYSTurboGrid进行自动划分网格，结果如图4所示。
将所得的网格以及静水域网格通过ANSYSWorkBench代入ANSYSCFX进行定常数值模拟，并以定常数值模拟结果为下一步非定常数值模拟的初始结果。通过ANSYSWorkbench代入ANSYSCFX中进行非定常数值模拟，通过MATLAB处理数据得到该叶轮对应的最后六个计算周期内的压力脉动主频幅值，并自动输入到MATLAB中。MATLAB将结果反馈给IDGA算法，作为染色体评价值代入计算得到该染色体对计算域的适应度，并判断上述结果是否满足迭代停止条件。若是，则停止迭代，输出优化结果；若否，则对染色体进行交叉、变异等操作，得到新的染色体，重复上述的自动造型、自动划分网格、计算和评价等操作。
本实施例中的叶轮在额定工况下，优化后泵效率提升至79.8％(原始模型的效率为78.1％)，相对提高了2.18％。如图5(a)-图5(d)所示，优化后隔舌处两个监测点的压力脉动频域主频处的主频幅值分别降低至18.97kPa和21.24kPa(原始模型隔舌处两个监测点的压力脉动频域主频处的主频幅值分别为19.14kPa和23.38kPa)，相对降低了0.89％和9.15％。优化后模型的设计参数分别为：叶轮出口直径D2＝132mm、叶轮出口宽度b2＝17mm、叶片出口倒角半径R2＝1.5、叶片进口安放角β1＝40°、叶片出口安放角β2＝28°、叶片包角θ＝105°。
显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。应注意到的是，以上所述仅为本发明的具体实施例，并不限制本发明，凡在本发明的精神和原则之内，所做的调制和优化，皆应属本发明权利要求的涵盖范围。

Claims (4)

1.一种基于离散型遗传算法的高效低脉动叶片泵优化方法，其特征在于，包含以下步骤：
步骤1、将基本遗传算法中的连续设计变量转化成离散设计变量，得到离散型遗传算法，其中，在基本遗传算法GA中采用二值码串表示每个参数值在各参数取值范围中的位置，并对二值码串表示的位置进行选择、交叉、变异操作，获得新一代染色体；同时引入均匀两点交叉法、锦标赛选择法、精英保留策略法和自适应遗传概率法，得到所述离散型遗传算法；
步骤2、通过标准测试函数对所述离散型遗传算法进行测试；
步骤3、若所述离散型遗传算法的测试结果满足预设要求，则通过测试后的所述离散型遗传算法对叶片泵进行非定常特性优化；
其中，步骤3中，所述对叶片泵进行非定常特性优化具体为：
步骤301、确定优化目标，以泵效率和隔舌处监测点的压力脉动主频幅值为优化目标；
步骤302、确定优化参数和计算域，采取叶轮出口直径D2、叶轮出口宽度b2、叶片出口倒角半径R2、叶片进口安放角β1、叶片出口安放角β2、叶片包角θ为优化参数，上述优化参数的取值范围即为计算域；所述计算域具体为：D2∈[130,131,132,133,134,135,136]mm；
b2∈[15,16,17,18,19,20]mm；R2∈[1.0,1.5,2.0,2.5]mm；β1∈[40,44,48,52,56,60]°；β2∈[20,24,28,32,36,40]°；θ∈[85,90,95,100,105,110,115,120,125,130]°；
步骤303、设置算法参数，包括：种群数np、最大迭代数niter、交叉率pc、变异率pm、离散变量数n及其对应取值；
步骤304、采用拉丁超立方抽样方法在离散计算域内对染色体进行初始化，得到初始种群Database＝{case1，case2，case3，……，case99，case100}；
步骤305、将步骤304所得的染色体参数通过ANSYSWorkbench调用ANSYSBladeGen建立每个染色体对应的叶轮水体模型；
步骤306、将步骤305中所得的叶轮水体模型通过ANSYSWorkbench导入ANSYSTurboGrid中绘制叶轮网格；
步骤307、将步骤306中所得的叶轮水体网格通过ANSYSWorkbench代入ANSYSCFX中进行定常数值模拟；
步骤308、以步骤307中所得的定常数值模拟结果为初始结果，通过ANSYSWorkbench代入ANSYSCFX中进行非定常数值模拟；
步骤309、对步骤308中得到的数据进行处理得到效率值和压力脉动主频幅值，获得染色体对计算域的适应度f＝{f1，f2，f3，……，f99，f100}；
步骤310、找出种群中适应度值最大的染色体，其适应度值为
Figure FDA0003298704880000021
所对应的各决策变量值
Figure FDA0003298704880000022
t为当前迭代次数；
步骤311、判断步骤304中的迭代次数是否达到1000次，若是，则停止迭代，输出优化结果；若否，转至步骤312；
步骤312、利用锦标赛选择法选择部分个体，利用精英保留策略，将上一迭代中种群的最优个体保留至下一代；
步骤313、根据交叉概率选择个体并两两进行交叉操作，生成新的个体；
步骤314、根据变异概率选择个体并对其进行变异操作，生成新的个体；
步骤315、将父代、子代、局部解进行种群合并，生成新一代种群，迭代次数加一，返回步骤305继续迭代，直至结果满足迭代停止条件，输出优化结果。
2.如权利要求1所述的基于离散型遗传算法的高效低脉动叶片泵优化方法，其特征在于，步骤303参数设置为：种群规模np＝100，最大迭代数niter＝1000，交叉率pc＝0.85，变异率pm＝0.05。
3.如权利要求1所述的基于离散型遗传算法的高效低脉动叶片泵优化方法，其特征在于，采用标准测试函数包括：Ackley、BukinN.6、Drop-Wave、Griewank。
4.如权利要求3所述的基于离散型遗传算法的高效低脉动叶片泵优化方法，其特征在于，每个测试函数在不同维数时分别独立运行20次，数量级为4，通过所述离散型遗传算法收敛所需的收敛率、平均迭代次数、最大/小迭代次数、中位值、标准差六方面进行对比；其中，所述收敛率为在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数；若所述离散型遗传算法满足预设求解精度，则认为收敛，否则不收敛。
CN202110108797.7A 2021-01-27 2021-01-27 一种基于离散型遗传算法的高效低脉动叶片泵优化方法 Active CN112784375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110108797.7A CN112784375B (zh) 2021-01-27 2021-01-27 一种基于离散型遗传算法的高效低脉动叶片泵优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110108797.7A CN112784375B (zh) 2021-01-27 2021-01-27 一种基于离散型遗传算法的高效低脉动叶片泵优化方法

Publications (2)

Publication Number Publication Date
CN112784375A CN112784375A (zh) 2021-05-11
CN112784375B true CN112784375B (zh) 2022-01-04

Family

ID=75757734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110108797.7A Active CN112784375B (zh) 2021-01-27 2021-01-27 一种基于离散型遗传算法的高效低脉动叶片泵优化方法

Country Status (1)

Country Link
CN (1) CN112784375B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227933B (zh) * 2016-07-21 2019-04-30 江苏大学 一种修削离心泵叶轮盖板的优化设计方法
CN109145321B (zh) * 2017-06-18 2023-03-24 河南郑泵科技有限公司 一种基于多目标遗传算法的离心泵节能优化设计方法
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
CN112784375A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Pei et al. Optimization on the impeller of a low-specific-speed centrifugal pump for hydraulic performance improvement
Huang et al. Multi-objective optimization of a mixed-flow pump impeller using modified NSGA-II algorithm
CN106874542B (zh) 一种液力透平叶轮多工况多目标优化设计方法
Pei et al. Multi-point optimization on meridional shape of a centrifugal pump impeller for performance improvement
CN102608914B (zh) 径流式液力透平优化设计方法
CN111046505B (zh) 基于响应面模型的轴流泵辐条参数优化设计方法
CN103939389A (zh) 一种导叶式离心泵多工况水力设计方法
Yu et al. Computational fluid dynamics‐based design optimization method for archimedes screw blood pumps
Bing et al. Multi-parameter optimization design, numerical simulation and performance test of mixed-flow pump impeller
CN115017843A (zh) 一种离心压缩机气动性能优化设计方法
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
Geller et al. Optimization of the operation characteristic of a highly stressed centrifugal compressor impeller using automated optimization and metamodeling methods
Ju et al. Optimization of centrifugal impellers for uniform discharge flow and wide operating range
CN113361047B (zh) 面向多层感知结构的叶轮高维优化及选型方法
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
Zhao et al. Hydraulic optimization of a double-channel pump’s impeller based on multi-objective genetic algorithm
CN110245408B (zh) 一种汽轮机单圆弧压力面叶型设计方法
CN108446452A (zh) 一种混流泵叶轮鲁棒优化设计方法
Liu et al. Application of biharmonic equation in impeller profile optimization design of an aero-centrifugal pump
CN111079367B (zh) 适用于不同进水锥管的轴流泵辐条优化设计方法
CN107066686A (zh) 一种基于遗传算法的轴流泵叶轮水力优化设计方法
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
CN114692338B (zh) 一种低温离心泵空化和效率综合优化设计方法
Gao et al. Shape optimization of bi-directional flow passage components based on a genetic algorithm and computational fluid dynamics
CN115510583A (zh) 基于分段精细寻优策略的叶轮多工况气动优化方法及装置

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: Pei Ji

Inventor after: Chen Jinwei

Inventor after: Yuan Shouqi

Inventor after: Gan Xingcheng

Inventor after: Gong Xiaobo

Inventor after: Zhang Meng

Inventor before: Pei Ji

Inventor before: Chen Jinwei

Inventor before: Wang Wenjie

Inventor before: Yuan Shouqi

Inventor before: Gan Xingcheng

Inventor before: Gong Xiaobo

Inventor before: Zhang Meng

GR01 Patent grant
GR01 Patent grant