CN112861277B - 一种离心泵叶轮主尺寸设计方法和装置 - Google Patents
一种离心泵叶轮主尺寸设计方法和装置 Download PDFInfo
- Publication number
- CN112861277B CN112861277B CN202110041414.9A CN202110041414A CN112861277B CN 112861277 B CN112861277 B CN 112861277B CN 202110041414 A CN202110041414 A CN 202110041414A CN 112861277 B CN112861277 B CN 112861277B
- Authority
- CN
- China
- Prior art keywords
- impeller
- neural network
- layer
- centrifugal pump
- diameter
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012938 design process Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000004513 sizing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910052572 stoneware Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/27—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明提供了一种离心泵叶轮主尺寸设计方法和装置,建立离心泵高效水力模型库,利用高效水力模型的性能参数和尺寸参数建立数据库,搭建全连接神经网络与双向LSTM神经网络,利用数据库对所述两个神经网络模型进行训练;需设计的离心泵设计参数作为全连接神经网络模型的输入,输出叶轮进口直径无量纲经验系数、叶轮出口直径无量纲经验系数以及叶轮出口宽度无量纲经验系数,计算离心泵叶轮主尺寸和叶轮理论出口直径,将叶轮理论出口直径与叶轮初步出口直径之间的数值n等分,作为双向LSTM神经网络模型的输入,输出叶轮出口直径。本发明避免设计人员设计效率低的问题,同时大大减少设计人员的计算量,加快离心泵叶轮新产品的设计速度。
Description
技术领域
本发明涉及离心式旋转机械的过流部件设计技术领域,更具体的说,是一种基于机器学习的离心泵叶轮主尺寸设计方法和装置。
背景技术
泵是一种重要的能量转换和流体输送装备,其种类繁多、产量大,作为一种通用机械,已经广泛应用于国民经济各个部门。而我国离心泵工作耗电量约占全国电力消耗的10%,耗电量巨大,节能形势十分严峻。离心泵这一类叶轮机械的能量消耗主要发生在叶轮中,因此在设计过程中,提高叶轮的工作效率就可以降低离心泵的能量消耗,对于我国普及节能工作开展具有重要意义。同时,离心泵叶轮传统设计方法的理论基础是一元设计理论,传统设计方法具有较强的经验性,因此也存在许多的不足,主要是:(1)设计过程中的经验公式与半经验公式较多,设计人员经验不足会导致设计出的模型效率较低;(2)设计过程中的迭代精确计算较多,人为计算的计算量大且很难达到精确点;(3)设计理论基于相似理论,在没有优质模型泵的情况下设计周期较长,相似设计效果较差。
发明内容
针对现有技术中存在不足,本发明提供了一种基于机器学习的离心泵叶轮主尺寸设计方法和装置,提高叶轮主尺寸的设计效率及水力性能。
本发明是通过以下技术手段实现上述技术目的的。
一种离心泵叶轮主尺寸设计方法,具体为:
建立离心泵高效水力模型库,利用高效水力模型的性能参数和尺寸参数建立数据库,搭建全连接神经网络与双向LSTM神经网络,利用数据库对所述两个神经网络模型进行训练;将需设计的离心泵参数输入训练后全连接神经网络,预测出叶轮主尺寸计算中的无量纲经验系数,进而计算出叶轮进口直径Dj、叶轮初步出口直径和叶轮出口宽度b2,再通过训练后双向LSTM神经网络预测计算出精确的叶轮出口直径D2,完成叶轮主尺寸设计;所述性能参数包括流量、扬程和比转速,所述尺寸参数包括叶轮进口直径Dj、叶轮出口直径D2和叶轮出口宽度b2,所述需设计的离心泵参数包括流量、扬程、比转速,所述无量纲经验系数包括叶轮进口直径无量纲经验系数/>叶轮出口直径无量纲经验系数/>和叶轮出口宽度无量纲经验系数/>
进一步的技术方案,建立数据库时,利用性能参数和尺寸参数逆向计算出无量纲经验系数,作为数据库一部分,结合性能参数训练全连接神经网络;利用性能参数计算得到叶轮初步出口直径和叶轮理论出口直径D2′,作为数据库一部分,训练双向LSTM神经网络。
更进一步的技术方案,将所述与D2′之间的数值n等分,得到n+1个数据点,作为双向LSTM神经网络模型的输入,训练得到精确的叶轮出口直径D2;其中5≤n≤7。
更进一步的技术方案,所述n取6。
进一步的技术方案,所述双向LSTM神经网络模型,共有8层;第一层为输入层,第二层为正向LSTM神经网络层,共7个神经元;第三层为逆向LSTM神经网络层,共7个神经元;第四层为数据合并层,将第二层正向LSTM层的输出和第三层逆向LSTM层的输出相加并平均;第五层为正向LSTM层,共7个神经元;第六层为全链接神经网络层,共128个神经元;第七层为Leaky ReLU激活函数层;第八层为输出层。
进一步的技术方案,所述全连接神经网络模型的第三层为Leaky ReLU激活函数层。
一种离心泵叶轮主尺寸设计装置,包括:
模型数据库建立模块,用于根据离心泵模型建立数据库;
主尺寸计算模块,用于搭建和训练全连接神经网络模型;
叶轮出口直径精算模块,用于搭建和训练双向LSTM神经网络模型。
与现有技术相比,本发明的有益效果是:
(1)本发明的设计方法,将传统设计方法中的经验公式与半经验公式中的无量纲经验系数作为全连接神经网络模型预测目标,通过训练全连接神经网络模型把经验取值的过程转换为模型拟合,从而避免了设计人员经验不足导致的设计产品效率较低的问题。
(2)本发明的设计方法,将传统设计方法中的迭代计算获取的叶轮出口直径,使用双向LSTM神经网络替代,大大减少了设计人员的计算量,加快了离心泵叶轮新产品的设计速度,缩短了产品设计周期。
(3)本发明的设计方法,在建立数据库时使用了已有高效离心泵模型,并利用数据库训练全连接神经网络和双向LSTM神经网络,保证了神经网络预测结果的水力性能较为优秀。
(4)本发明的离心泵叶轮主尺寸设计方法在没有相似比转速高效模型的条件下,能快速根据大批量其他比转速优质模型设计出合理优质的离心泵叶轮主尺寸,不会受到是否已有高效相似比转速泵模型的限制。
附图说明
图1为本发明所述主尺寸设计流程图;
图2为本发明所述主尺寸计算全连接神经网络模型图;
图3是本发明叶轮出口直径D2精算双向LSTM神经网络模型图。
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。
如图1所示,一种基于机器学习的离心泵叶轮主尺寸设计方法,给定需设计的离心泵设计参数,包括流量Q[m3/h]、扬程H[m]、转速n[rpm]和比转速ns,调用训练后的全连接神经网络模型,将上述设计参数作为训练后的全连接神经网络的模型输入,训练得到叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数/>以及叶轮出口宽度无量纲经验系数/>进而使用理论计算公式计算出离心泵叶轮主尺寸,包括叶轮进口直径Dj、叶轮初步出口直径/>和叶轮出口宽度b2;再利用理论公式计算叶轮理论出口直径D2′,并将/>与D2′之间的数值n等分,得到n+1个数据点(包括首尾),调用训练后的双向LSTM神经网络模型,将7个数据点作为训练后的双向LSTM神经网络模型的输入,训练得到精确的叶轮出口直径D2;至此得到需要的离心泵叶轮主尺寸,包括叶轮出口直径D2和叶轮出口宽度b2;其中5≤n≤7,本实施例中n优选6。
本发明的上述叶轮主尺寸设计方法可以应用于已有叶轮的主尺寸评估校核,也可用于新叶轮产品设计。具体包括如下步骤:
步骤(1),选定30~200比转速范围内的离心泵,通过流动模拟仿真,筛选出高效离心泵模型,建立离心泵高效水力模型库:根据模型的性能参数(流量Q[m3/h]、扬程H[m]和转速n[rpm])计算得到离心泵比转速ns和叶轮初步出口直径D2 *,由于筛选出的高效离心泵模型叶轮主尺寸已知,通过公式(1)-(3)逆向计算出叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数/>叶轮出口宽度无量纲经验系数/>同时,根据公式(4)得到叶轮理论出口直径D2′;利用性能参数(流量、扬程和比转速)、尺寸参数(叶轮进口直径Dj、叶轮出口直径D2和叶轮出口宽度b2)建立数据库,同时将无量纲经验系数、叶轮初步出口直径D2 *和叶轮理论出口直径D2′作为数据库参数。
步骤(2),搭建主尺寸计算全连接神经网络模型,共4层,如图2所示,第一层为输入层,输入参数为流量Q[m3/h]、扬程H[m]和比转速ns;第二层为隐藏层,隐藏层共128个神经元;第三层为Leaky ReLU激活函数层,使用Leaky ReLU激活函数对神经网络进行去线性化操作,使之可以拟合非线性数据;第四层即最后一层是输出层,输出需要拟合的无量纲经验系数全连接神经网络模型损失函数设定为MSE均方根误差函数,损失函数寻优算法使用随机梯度下降算法。
步骤(3),全连接神经网络模型搭建后,将模型数据库划分成测试集和训练集,其中训练集占比70%、测试集占比30%;将训练集中的流量Q[m3/h]、扬程H[m]、转速n[rpm]和比转速ns作为全连接神经网络模型输入,叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数/>叶轮出口宽度无量纲经验系数/>作为全连接神经网络模型输出,进行全连接神经网络训练;设置训练学习率为0.001,训练次数为40次。训练后使用测试集验证数据的拟合程度,并将训练好的全连接神经网络模型保存至本地。
步骤(4),给定需设计的离心泵设计参数,包括流量Q[m3/h]、扬程[m]、转速[rpm]和比转速ns作为输入变量;调用本地已训练好的全连接神经网络模型,输入离心泵设计参数,得到叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数/>和叶轮出口宽度无量纲经验系数/>
步骤(5),利用步骤(4)得到的叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数/>和叶轮出口宽度无量纲经验系数/>根据理论公式计算叶轮进口直径Dj、叶轮初步出口直径/>和叶轮出口宽度b2,即得到了离心泵叶轮初步的主尺寸,计算公式如下:
步骤(6),搭建叶轮出口直径D2精算双向LSTM神经网络模型,共8层,如图3所示,第一层为输入层,基于叶轮主尺寸中叶轮初步出口直径使用理论公式计算理论叶轮出口直径D2′,公式如下:
且:
其中:u2为圆周速度;为轴面速度;ψ2为排挤系数,取0.85;β2为叶片出口角,取22.5°;z为叶片数,取5;σ为斯托道滑移系数;g为单位质量力,取9.8;Ht为无穷叶片数下的理论扬程;ηv为容积效率;ηh为水力效率。
将和D2′之间的数值6等分,共得到7个数据点(D2a、D2b、D2c、D2d、D2e、D2f和D2g)作为输入层的输入;第二层为正向LSTM神经网络层,共7个神经元;第三层为逆向LSTM神经网络层,共7个神经元;第四层为数据合并层,即将第二层正向LSTM层的输出和第三层逆向LSTM层的输出相加并平均;第五层为正向LSTM层,共7个神经元;第六层为全链接神经网络层,共128个神经元;第七层为Leaky ReLU激活函数层;第八层为输出层,输出精确的叶轮出口直径D2。其中,全连接层损失函数设定为MSE均方根误差函数,损失函数寻优算法使用随机梯度下降算法。
步骤(7),双向LSTM神经网络模型搭建后,将模型数据库划分成测试集和训练集,其中训练集占比70%、测试集占比30%;将训练集中的叶轮初步出口直径理论叶轮出口直径D2′之间的数值6等分,得到共7个数据点(包含首尾)作为输入,叶轮出口直径D2作为输出进行双向LSTM神经网络模型训练;设置训练学习率为0.001,训练次数为40次。训练后使用测试集验证数据的拟合程度并将训练好的双向LSTM神经网络模型保存至本地。
步骤(8),将通过主尺寸计算全连接神经网络模型输出的无量纲经验参数计算出的初步叶轮出口直径/>与理论叶轮出口直径D2′之间的数值6等分,得到的7个点作为输入,调用本地已训练好的双向LSTM神经网络模型,得到精确的叶轮出口直径D2。至此,计算出了离心泵叶轮进口直径Dj、叶轮出口直径D2和叶轮出口宽度b2,即得到了离心泵叶轮的主尺寸。
实施例
本实施例选取沈阳水泵厂单级单吸离心泵IS80-65-125,其叶轮主尺寸设计过程如下:
1)给定离心泵的设计参数为:流量Q=0.0139[m3/h]、扬程H=20.54[m]、转速n=2900[rpm]。
2)将设计参数作为主尺寸计算全连接神经网络模型的输入,通过全连接神经网络训练得到叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数叶轮出口宽度无量纲经验系数/>
3)通过理公式计算出叶轮进口直径Dj=76.013[mm]、叶轮初步出口直径和叶轮出口宽度b2=13.982[mm],再通过理论公式计算出理论叶轮出口直径D2′=140.216[mm]。
4)将叶轮初步出口直径和理论叶轮出口直径D2′=140.216[mm]之间的数值6等分,得到7个数据点:D2a=132.768[mm]、D2b=139.009[mm]、D2c=135.250[mm]、D2d=136.492[mm]、D2e=137.733[mm]、D2f=138.974[mm]、D2g=140.216[mm]。
5)调用训练好的双向LSTM神经网络模型,将D2a~D2g7个数据点的数据作为模型输入,训练得到精确D2=137.213[mm];至此离心泵叶轮主尺寸设计结束。
本发明的设计方法除了可以进行正常的正向设计外,也可用于对已有叶轮或设计方案进行主尺寸评估校核,即:将已有叶轮的性能参数作为设计参数进行计算训练,根据得到的结果数据判定已有的叶轮或设计方案是否合理高效。
一种基于机器学习的离心泵叶轮主尺寸设计装置,包括模型数据库建立模块、主尺寸计算模块和叶轮出口直径精算模块;
模型数据库建立模块,用于根据现有的离心泵模型建立数据库,数据库包括流量、扬程、转速、比转速、叶轮进口直径、叶轮出口直径、叶轮出口宽度、叶轮初步出口直径和叶轮理论出口直径;
主尺寸计算模块,用于搭建全连接神经网络模型,并利用模型数据库训练集中的流量、扬程、转速和比转速训练全连接神经网络模型;
叶轮出口直径精算模块,用于搭建双向LSTM神经网络模型,并利用模型数据库训练集中的叶轮初步出口直径和计算获取的理论叶轮出口直径训练双向LSTM神经网络模型。
上述基于机器学习的离心泵叶轮主尺寸设计装置可以实现为一种计算机程序的形式,该计算机程序可以在计算机设备上运行,该计算机设备可以是服务器或终端。其中,服务器可以为独立的服务器,也可以为服务器集群;该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器;非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于机器学习的离心泵叶轮主尺寸设计方法。处理器用于提供计算和控制能力,支撑整个计算机设备的运行。存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于机器学习的离心泵叶轮主尺寸设计装置方法。该网络接口用于进行网络通信,如发送分配的任务等。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请的基于机器学习的离心泵叶轮主尺寸设计方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘、智能存储卡(SmartMediaCard,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.一种离心泵叶轮主尺寸设计方法,其特征在于:
建立离心泵高效水力模型库,利用高效水力模型的性能参数和尺寸参数建立数据库,搭建全连接神经网络与双向LSTM神经网络,利用数据库对所述两个神经网络模型进行训练;将需设计的离心泵参数输入训练后全连接神经网络,预测出叶轮主尺寸计算中的无量纲经验系数,进而计算出叶轮进口直径Dj、叶轮初步出口直径和叶轮出口宽度b2,再通过训练后双向LSTM神经网络预测计算出精确的叶轮出口直径D2,完成叶轮主尺寸设计;所述性能参数包括流量、扬程和比转速,所述尺寸参数包括叶轮进口直径Dj、叶轮出口直径D2和叶轮出口宽度b2,所述需设计的离心泵参数包括流量、扬程、比转速,所述无量纲经验系数包括叶轮进口直径无量纲经验系数/>叶轮出口直径无量纲经验系数/>和叶轮出口宽度无量纲经验系数/>
2.根据权利要求1所述的离心泵叶轮主尺寸设计方法,其特征在于:
建立数据库时,利用性能参数和尺寸参数逆向计算出无量纲经验系数,作为数据库一部分,结合性能参数训练全连接神经网络;利用性能参数计算得到叶轮初步出口直径和叶轮理论出口直径D2′,作为数据库一部分,训练双向LSTM神经网络。
3.根据权利要求2所述的离心泵叶轮主尺寸设计方法,其特征在于:
将所述与D2′之间的数值n等分,得到n+1个数据点,作为双向LSTM神经网络模型的输入,训练得到精确的叶轮出口直径D2;其中5≤n≤7。
4.根据权利要求3所述的离心泵叶轮主尺寸设计方法,其特征在于,所述n取6。
5.根据权利要求1所述的离心泵叶轮主尺寸设计方法,其特征在于,所述双向LSTM神经网络模型,共有8层;第一层为输入层,第二层为正向LSTM神经网络层,共7个神经元;第三层为逆向LSTM神经网络层,共7个神经元;第四层为数据合并层,将第二层正向LSTM层的输出和第三层逆向LSTM层的输出相加并平均;第五层为正向LSTM层,共7个神经元;第六层为全链接神经网络层,共128个神经元;第七层为Leaky ReLU激活函数层;第八层为输出层。
6.根据权利要求1所述的离心泵叶轮主尺寸设计方法,其特征在于,所述全连接神经网络模型的第三层为Leaky ReLU激活函数层。
7.一种实现权利要求1-6任一项所述的离心泵叶轮主尺寸设计方法的装置,其特征在于,包括:
模型数据库建立模块,用于根据离心泵模型建立数据库;
主尺寸计算模块,用于搭建和训练全连接神经网络模型;
叶轮出口直径精算模块,用于搭建和训练双向LSTM神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041414.9A CN112861277B (zh) | 2021-01-13 | 2021-01-13 | 一种离心泵叶轮主尺寸设计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041414.9A CN112861277B (zh) | 2021-01-13 | 2021-01-13 | 一种离心泵叶轮主尺寸设计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861277A CN112861277A (zh) | 2021-05-28 |
CN112861277B true CN112861277B (zh) | 2024-03-22 |
Family
ID=76003259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041414.9A Active CN112861277B (zh) | 2021-01-13 | 2021-01-13 | 一种离心泵叶轮主尺寸设计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861277B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710764A (zh) * | 2018-05-23 | 2018-10-26 | 江苏大学 | 一种基于混合近似模型的双吸泵多目标优化设计方法 |
CN110671332A (zh) * | 2018-09-12 | 2020-01-10 | 浙江大学 | 一种轴向剖分式多级离心泵过渡流道结构及设计方法 |
-
2021
- 2021-01-13 CN CN202110041414.9A patent/CN112861277B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710764A (zh) * | 2018-05-23 | 2018-10-26 | 江苏大学 | 一种基于混合近似模型的双吸泵多目标优化设计方法 |
CN110671332A (zh) * | 2018-09-12 | 2020-01-10 | 浙江大学 | 一种轴向剖分式多级离心泵过渡流道结构及设计方法 |
Non-Patent Citations (2)
Title |
---|
Multi-objective hydraulic optimization and analysis in a minipump;Bin Duan等;science china press;第60卷(第17期);第1517-1526页 * |
基于CFD仿真与BP神经网络的离心泵叶轮优化设计;蒋文芝等;机床与液压;第44卷(第22期);第67-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861277A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | Multiparameter optimization for the nonlinear performance improvement of centrifugal pumps using a multilayer neural network | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
CN103309727B (zh) | 一种基于ansys-cfx软件的叶片泵空化数值模拟自动运行方法 | |
CN110378016B (zh) | 一种针对泵轮可调式液力变矩器的多目标优化设计方法 | |
CN112032032B (zh) | 湿冷机组开式循环水泵变频运行方式的寻优方法 | |
CN108710764B (zh) | 一种基于混合近似模型的双吸泵多目标优化设计方法 | |
Deng et al. | Whole flow field performance prediction by impeller parameters of centrifugal pumps using support vector regression | |
CN103970937A (zh) | 一种提高离心泵空化性能设计方法 | |
CN115017843A (zh) | 一种离心压缩机气动性能优化设计方法 | |
CN116384005A (zh) | 一种变形叶片气动性能的确定方法及装置和电子设备 | |
Alemi et al. | Development of new “multivolute casing” geometries for radial force reduction in centrifugal pumps | |
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 | |
Manivannan | Computational fluid dynamics analysis of a mixed flow pump impeller | |
CN116050031A (zh) | 轴流叶轮叶片设计方法、装置、存储介质及电子设备 | |
CN117390796B (zh) | 诱导轮模化方法、装置、存储介质及电子设备 | |
CN112861277B (zh) | 一种离心泵叶轮主尺寸设计方法和装置 | |
Singh et al. | Parametric study and design optimization of centrifugal pump impeller—a review | |
Ji et al. | Computer 3D vision-aided full-3D optimization of a centrifugal impeller | |
Rong et al. | Improving the hydraulic performance of a high-speed submersible axial flow pump based on CFD technology | |
CN107066686A (zh) | 一种基于遗传算法的轴流泵叶轮水力优化设计方法 | |
CN116579252A (zh) | 基于粒子群算法的涡旋机械排气孔优化方法及系统 | |
Benini | Optimal Navier–Stokes design of compressor impellers using evolutionary computation | |
JP7447337B2 (ja) | 可変速揚水発電ユニットのポンプの動作状態の最適化方法、装置及び機器 | |
CN110399663A (zh) | 潜水泵导叶设计方法、潜水泵及设计装置 | |
CN110069853B (zh) | 一种基于cae集成平台的离心式多级压缩热力系统 |
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 |