CN113177271A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113177271A CN113177271A CN202110351392.6A CN202110351392A CN113177271A CN 113177271 A CN113177271 A CN 113177271A CN 202110351392 A CN202110351392 A CN 202110351392A CN 113177271 A CN113177271 A CN 113177271A
- Authority
- CN
- China
- Prior art keywords
- optimization
- volute
- hump
- centrifugal pump
- instability
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000005265 energy consumption Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/18—Rotors
- F04D29/22—Rotors specially for centrifugal pumps
- F04D29/2205—Conventional flow pattern
- F04D29/2222—Construction and assembly
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种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,包括:选取导叶与蜗壳匹配设计参数作为初步优化参数进行Plackett‑Burman筛选试验;对各筛选试验方案进行回归方程系数分析,通过改进了拉丁超立方采样法的最优拉丁超立方采样方法在筛选后的优化参数范围内进行采样;搭建自动数值模拟优化平台实现对各方案的自动化CFD计算,基于各方案所得数据,采用多层前馈神经网络建立优化参数和优化目标之间的关系,结合粒子群优化算法,实现全局范围内的自动寻优,通过训练好的神经网络不断更新粒子的速度和最优粒子位置,通过多次迭代计算,找到最优粒子位置对应的优化参数值,输出优化结果。本方法提高了设计工况下的泵效率并改善了驼峰不稳定性。
Description
技术领域
本发明属于泵优化设计领域,尤其是改善了大型立式离心泵性能与驼峰不稳定性的一种水力部件匹配优化方法。
背景技术
人类不断的开发地球上的自然资源,能源消耗巨大;要实现能源的可持续发展,有两个关键问题,一是开发新型可再生能源,另一个则是尽力去节约能源和减少排放。据相关资料,泵机组消耗的电能占全国总能耗的21%以上,其中大型立式离心泵的能源消耗占主导地位。大型立式离心泵三个特点为流量大、扬程高、功率大,广泛应用于长距离、高扬程调水和灌溉工程,目前我国实际工程应用中功率最大的大型立式离心泵功率达到22MW。高性能大型立式离心泵关键研发技术被外国垄断,从国外进口设备价格昂贵,因此亟需我国自主研发大型立式离心泵机组关键技术,其中研发高性能、运行稳定的大型立式离心泵水力模型是关键,这对于促进我们的节能减排工作具有重要意义。
在流体机械领域,已有相关理论为优化离心泵叶轮提供了理论依据。例如,专利号为201810025636.X的专利“一种基于遗传算法的离心泵叶轮多目标智能优化方法”提出了通过贝塞尔曲线拟合叶片型线,实现叶轮参数化建模并结合遗传算法优化了叶轮,提高泵的运行效率,以减少能耗。
目前,在泵优化设计领域,多侧重于对单个水力部件的优化设计且多以性能参数为优化目标,对多个水力部件进行匹配优化设计并同时提高其性能与水力稳定性的研究较少。大型立式离心泵为带径向导叶的离心泵,径向导叶在过流部件中起到承上启下的作用,其与叶轮和蜗壳的匹配性是影响该类泵性能与驼峰不稳定性的一大重要因素,从径向导叶与其他水力部件的匹配性着手对其进行优化设计从而改善其性能与驼峰不稳定性的研究还十分匮乏。
发明内容
针对现有技术的不足,本发明提供了一种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,提高了设计工况下的泵效率并改善了驼峰不稳定性。
为实现上述发明目的,本发明采取的技术方案为:一种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,包括以下步骤:(1)从水力部件匹配性会对其性能及驼峰不稳定性产生影响方面考虑,选取大型立式离心泵径向导叶与蜗壳匹配设计参数作为初始优化设计参数;(2)采用商业数学软件Mintab进行Plackett-Burman筛选试验设计;(3)对步骤(2)所得结果进行回归方程系数分析,减少优化设计参数;(4)对步骤(3)中所得的优化设计参数进行最优拉丁超立方采样建立样本数据库;(5)将步骤(4)中所得的样本数据代入CFturbo进行导叶与蜗壳的参数化建模;(6)将步骤(5)中所得的导叶与蜗壳水体计算域导入ANSYS ICEM CFD,进行网格划分;(7)将步骤(6)中所得的导叶与蜗壳和其他水力部件水体计算域网格导入ANSYS CFX进行定常数值模拟计算,得到各样本对应的优化目标值;(8)对步骤(7)中所得计算结果,使用多层前馈神经网络拟合优化参数和优化目标值;(9)采用步骤(8)中的多层前馈神经网络结合粒子群优化算法,通过迭代计算不断更新粒子的移动速度和最佳粒子位置,当粒子达到全局最优位置时,停止迭代,输出优化结果。
上述方案中,选取导叶与蜗壳的十个设计参数进行Plackett-Burman筛选试验,分别为导叶进口宽度、导叶进口直径、导叶出口直径、导叶进口安放角、导叶出口安放角、导叶包角、蜗壳进口宽度、蜗壳扩散管高度、蜗壳出口直径、蜗壳第八断面面积。
上述方案中,采用Plackett-Burman筛选试验设计12组方案,并对结果进行线性回归分析,找到对设计点效率影响最大的4个设计参数,分别为导叶进口直径、导叶进口安放角、蜗壳进口宽度、蜗壳第八断面面积。
上述方案中,通过最少的试验次数快速找到各个优化参数对优化目标的影响程度,从而减少优化设计参数,大大降低优化复杂性。
上述方案中,采用改进了拉丁超立方采样法的最优拉丁超立方采样方法在筛选后优化参数范围内创建样本数据,使样本数据具有更好的空间填充性和均匀性。
上述方案中,采用脚本程序驱动CFD计算所需的各商业软件,实现三维造型、网格划分、CFD计算的自动化,并基于Isight软件搭建了大型立式离心泵自动数值模拟优化平台。
上述方案中,以泵设计点效率作为优化目标值,采用含有多个隐藏层的多层前馈神经网络建立优化设计参数和优化目标值之间的关系,多层前馈神经网络具有更好的拟合精度。
上述方案中,将粒子群优化算法与多层前馈神经网络结合,提高算法寻优精准度并加快算法收敛速度,大大提高优化效率。
上述方案中,经过多次迭代计算,以优化目标值作为残差收敛判定值,当残差达到预定值后停止计算,输出优化参数的最优参数组合。
本发明的有益效果:1.从水力部件匹配性出发来改善大型立式离心泵性能与驼峰不稳定性的优化方法,采用筛选试验筛选优化设计参数,并结合DOE、多层前馈神经网络和粒子群优化算法开展水力部件匹配优化设计,提高了径向导叶与其他水力部件的匹配性,从而提高了设计工况下的泵效率并改善了驼峰不稳定性。2.本发明采用Plackett-Burman筛选试验设计,通过最少的试验次数快速找到对优化目标值影响较大的过流部件设计参数作为下一步的优化参数,从而减少了优化设计参数,大大降低优化设计复杂性。3.本发明基于Isight平台搭建大型立式离心泵自动数值模拟优化平台,实现从三维造型到CFD计算的自动化运行,节省人力,大大缩短了优化设计的周期,提高了优化设计效率。4.本发明采用含有多个隐藏层的多层前馈神经网络建立优化设计参数和目标函数之间的关系,其拟合精度高于其他近似模型,有效减少后期与智能优化算法结合的迭代计算步数,节省计算资源,并大大提高了优化设计的精确度。5.本发明借助计算机实现了对大型立式离心泵水力部件的匹配性优化设计,使其能够对该类设备进行快速优化设计。本发明提出的优化设计方法不仅提高了泵运行效率,还能够改善该类泵的驼峰不稳定性,对研发高性能、运行稳定的大型立式离心泵具有指导作用。
附图说明
图1为大型立式离心泵整体结构示意图。
图2为大型立式离心泵优化方法流程图。
图3为大型立式离心泵径向导叶被优化参数示意图。
图4为大型立式离心泵蜗壳被优化参数示意图。
图5为CFturbo自动生成导叶模型示意图。
图6为CFturbo自动生成蜗壳模型示意图。
图7为ICEM CFD自动生成导叶网格示意图。
图8为ICEM CFD自动生成蜗壳网格示意图。
图9为自动数值模拟优化平台运行示意图。
图10为优化前后外特性对比图。
具体实施方式
下面结合附图以及具体实施方式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。
图1为大型立式离心泵整体结构示意图,该泵由肘形进水管4,离心式叶轮1,导叶2和蜗壳3组成,导叶2为流线型径向导叶,径向导叶布置在叶轮出口和蜗壳进口之间。
流体通过该大型立式离心泵的水力部件顺序为:肘形进水管4,离心式叶轮1,径向导叶2,蜗壳3。
图2为大型立式离心泵优化方法流程图,首先从水力部件匹配性会对其性能与驼峰不稳定性产生影响方面考虑,选择蜗壳和径向导叶的匹配设计参数作为初步优化参数,并确定优化目标函数为设计点水力效率。
对初步优化参数进行Plackett-Burman筛选试验,每个参数选取两个水平,试验次数由公式决定:N=(K+1)。其中,N为试验次数,必须为4的倍数。K为试验因子数,必须为奇数。试验因子数必须包含1-3个虚拟变量,因此筛选试验包含10个初步优化参数和1个虚拟变量,K取11,N取12。
图4为蜗壳初步优化参数示意图,图中b4为蜗壳进口宽度,H为扩散管高度,D6为蜗壳出口直径,其中F8为蜗壳第八断面,对应的面积为S8,上述参数作为蜗壳初步优化参数。
其中,蜗壳第八断面是蜗壳设计的核心,设计时先确定第八断面面积又称喉部面积,其他断面面积由第八断面确定,具体确定方法由下式给出:
运用商业软件Mintab对十个优化参数进行12组筛选试验方案设计,对12组方案分别进行三维建模、网格划分、CFD数值模拟计算得到相应的设计工况下水力效率。
对所得结果进行回归方程系数分析,得到每个优化参数对设计点水力效率的影响程度,影响程度较大的四个参数分别为导叶进口直径D3,导叶进口安放角β3,蜗壳进口宽度b4和蜗壳第八断面面积S8,将上述4个参数作为进一步优化设计参数,从而减少优化设计参数,降低优化设计复杂性,提高优化精确度。
选定4个优化参数的变化范围,采用最优拉丁超立方采样方法在范围内采样106组方案。
图5为CFturbo生成的导叶模型示意图,根据上述采样的106组方案生成相应的径向导叶三维水体图,结果如图5所示。
图6为CFturbo生成的蜗壳模型示意图,根据上述采样的106组方案生成相应的蜗壳三维水体图,结果如图6所示。
图7为ICEM CFD生成径向导叶网格示意图,将上述生成的径向导叶三维水体图导入ICEM CFD进行网格划分,结果如图7所示。
图8为ICEM CFD生成蜗壳网格示意图,将上述生成的蜗壳三维水体图导入ICEMCFD进行网格划分,结果如图8所示。
将上述所得的径向导叶和蜗壳水体域计算网格以及其他水力部件计算域网格导入CFX前处理进行边界条件设置,进口为标准大气压进口,出口设置为质量流量出口,采用SST湍流模型进行定常数值模拟计算。
进行上述定常模拟计算后,在CFD-Post计算得到106组方案对应的设计点效率值。
图9为自动数值模拟优化平台运行示意图,在Isight平台中将上述三维建模、网格划分、CFD模拟计算进行集成实现自动化运行,采用脚本程序分别驱动CFturbo、ICEM CFD、CFX,搭建了大型立式离心泵自动数值模拟优化平台。
基于上述优化平台得到106组方案对应的设计点水力效率,将106组数据作为多层前馈神经网络训练的初始数据,运用Matlab构建三层前馈神经网络,三隐藏层节点数分别为4、8、2,将70%的数据作为测试集,15%的数据作为验证集,15%的数据作为测试集,最终通过R2值来判断拟合精度。
将上述训练完成满足精度要求的多层前馈神经网络与粒子群算法相结合,进行导叶与蜗壳的匹配优化。
首先,根据最优拉丁超立方采样结果给定粒子的初始位置,再根据训练完成的多层前馈神经网络更新粒子的速度来不断更新粒子的位置,每个位置对应一种方案,通过不断迭代计算位置,判断粒子达到全局最佳位置时停止迭代计算,输出此时的优化结果。
粒子群优化算法的参数设置为:最大迭代次数:100;粒子个数:24;惯性权重ω:0.9;全局增量:0.8;粒子增量:0.9;最大收敛步数:5;运行失败罚值:10-4;运行失败的目标值:10-4。
图10为优化前后外特性对比示意图,从图中可以看出,优化后模型在多工况水力效率均高于原始模型,设计点水力效率提高3.61个百分点,达到90.21%;小流量工况下的驼峰特性曲线正斜率区有所减缓,驼峰区较原始模型更加远离设计工况点,从而有效改善了大型立式离心泵的驼峰不稳定性。
Claims (9)
1.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,其特征在于,包括如下步骤:
(1)从水力部件匹配性会对其性能及驼峰不稳定性产生影响方面考虑,选取大型立式离心泵径向导叶与蜗壳匹配设计参数作为初始优化设计参数;
(2)采用商业数学软件Mintab进行Plackett-Burman筛选试验设计;
(3)对步骤(2)所得结果进行回归方程系数分析,减少优化设计参数;
(4)对步骤(3)中所得的优化设计参数进行最优拉丁超立方采样建立样本数据库;
(5)将步骤(4)中所得的样本数据代入CFturbo进行导叶与蜗壳的参数化建模;
(6)将步骤(5)中所得的导叶与蜗壳水体计算域导入ANSYS ICEM CFD,进行网格划分;
(7)将步骤(6)中所得的导叶与蜗壳和其他水力部件水体计算域网格导入ANSYS CFX进行定常数值模拟计算,得到各样本对应的优化目标值;
(8)对步骤(7)中所得计算结果,使用多层前馈神经网络拟合优化参数和优化目标值;
(9)采用步骤(8)中的多层前馈神经网络结合粒子群优化算法,通过迭代计算不断更新粒子的移动速度和最佳粒子位置,当粒子达到全局最优位置时,停止迭代,输出优化结果。
2.根据权利要求1所述的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,其特征在于,选取导叶与蜗壳的十个设计参数进行Plackett-Burman筛选试验,分别为导叶进口宽度、导叶进口直径、导叶出口直径、导叶进口安放角、导叶出口安放角、导叶包角、蜗壳进口宽度、蜗壳扩散管高度、蜗壳出口直径、蜗壳第八断面面积。
3.根据权利要求2所述的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,其特征在于,采用Plackett-Burman筛选试验设计12组方案,并对结果进行线性回归分析,找到对设计点效率影响最大的4个设计参数,分别为导叶进口直径、导叶进口安放角、蜗壳进口宽度、蜗壳第八断面面积。
4.根据权利要求3所述的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,其特征在于,通过最少的试验次数快速找到各个优化参数对优化目标的影响程度,从而减少优化设计参数,大大降低优化复杂性。
5.根据权利要求4中所述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,其特征在于,采用改进了拉丁超立方采样法的最优拉丁超立方采样方法在筛选后优化参数范围内创建样本数据,使样本数据具有更好的空间填充性和均匀性。
6.根据权利要求5所述的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,其特征在于,采用脚本程序驱动CFD计算所需的各商业软件,实现三维造型、网格划分、CFD计算的自动化,并基于Isight软件搭建了大型立式离心泵自动数值模拟优化平台。
7.根据权利要求6所述的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,其特征在于,以泵设计点效率作为优化目标值,采用含有多个隐藏层的多层前馈神经网络建立优化设计参数和优化目标值之间的关系,多层前馈神经网络具有更好的拟合精度。
8.根据权利要求7所述的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,其特征在于,将粒子群优化算法与多层前馈神经网络结合,提高算法寻优精准度并加快算法收敛速度,大大提高优化效率。
9.根据权利要求8所述的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,其特征在于,经过多次迭代计算,以优化目标值作为残差收敛判定值,当残差达到预定值后停止计算,输出优化参数的最优参数组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351392.6A CN113177271A (zh) | 2021-03-31 | 2021-03-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351392.6A CN113177271A (zh) | 2021-03-31 | 2021-03-31 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177271A true CN113177271A (zh) | 2021-07-27 |
Family
ID=76923103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351392.6A Pending CN113177271A (zh) | 2021-03-31 | 2021-03-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177271A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
CN115434925A (zh) * | 2022-09-22 | 2022-12-06 | 哈尔滨工程大学 | 一种无轴式管道泵分段可调式导叶智能调控方法 |
CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
CN117807893A (zh) * | 2024-02-26 | 2024-04-02 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145491A (zh) * | 2018-09-10 | 2019-01-04 | 江苏大学 | 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 |
CN112160941A (zh) * | 2020-09-09 | 2021-01-01 | 江苏大学 | 一种改善蜗壳式离心泵驼峰不稳定现象的导叶组合结构 |
-
2021
- 2021-03-31 CN CN202110351392.6A patent/CN113177271A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145491A (zh) * | 2018-09-10 | 2019-01-04 | 江苏大学 | 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 |
CN112160941A (zh) * | 2020-09-09 | 2021-01-01 | 江苏大学 | 一种改善蜗壳式离心泵驼峰不稳定现象的导叶组合结构 |
Non-Patent Citations (2)
Title |
---|
严俊峰等: "基于遗传算法的低比转速高速泵优化设计", 火箭推进, vol. 32, no. 3, pages 1 - 7 * |
王春林等: "基于径向基神经网络与粒子群算法的双叶片泵多目标优化", 农业工程学报, vol. 35, no. 2, pages 25 - 32 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
CN114109859B (zh) * | 2021-10-27 | 2023-10-17 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
CN115434925A (zh) * | 2022-09-22 | 2022-12-06 | 哈尔滨工程大学 | 一种无轴式管道泵分段可调式导叶智能调控方法 |
CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
CN115688510B (zh) * | 2022-10-09 | 2023-04-14 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
CN117807893A (zh) * | 2024-02-26 | 2024-04-02 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
CN117807893B (zh) * | 2024-02-26 | 2024-05-03 | 四川省机械研究设计院(集团)有限公司 | 高速离心泵叶轮多目标优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112084589B (zh) | 基于轴面流速控制的轴贯流式水轮机转轮叶片优化方法 | |
CN103939389A (zh) | 一种导叶式离心泵多工况水力设计方法 | |
CN109145491B (zh) | 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 | |
Li et al. | Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms | |
CN107122512B (zh) | 液环泵非稳态气体流场及吸入压缩性能的简化计算方法 | |
CN115017843A (zh) | 一种离心压缩机气动性能优化设计方法 | |
Lu et al. | Application of the modified inverse design method in the optimization of the runner blade of a mixed-flow pump | |
Ju et al. | Optimization of centrifugal impellers for uniform discharge flow and wide operating range | |
CN108710764A (zh) | 一种基于混合近似模型的双吸泵多目标优化设计方法 | |
Yang et al. | Hydraulic components’ matching optimization design and entropy production analysis in a large vertical centrifugal pump | |
CN110245408B (zh) | 一种汽轮机单圆弧压力面叶型设计方法 | |
CN107515996B (zh) | 一种达里厄水轮机导流罩型线的优化设计方法 | |
CN107038295A (zh) | 一种水锤泵内部流道评价及优化方法 | |
Ning et al. | Three-dimensional aerodynamic optimization of a multi-stage axial compressor | |
CN111079367B (zh) | 适用于不同进水锥管的轴流泵辐条优化设计方法 | |
CN115758918A (zh) | 一种多级离心泵空间导叶优化方法 | |
Zheng et al. | Optimization and experimental study of stationary endwall of stator labyrinth cavity in a low-speed research compressor | |
CN108108548B (zh) | 一种双向贯流式水轮机尾水管的优化设计方法 | |
Sun et al. | Optimization design of IGV profile in centrifugal compressor | |
Lei et al. | Three-Dimensional Multi-Objective Design Optimization of a 6.5-Stage Axial Flow Compressor Blades With Lean and Twist | |
CN105718665B (zh) | 一种泵装置出水流道的自动优化方法及其应用 | |
Shao et al. | Aerodynamic optimization of the radial inflow turbine for a 100kW-class micro gas turbine based on metamodel-semi-assisted method | |
Gan et al. | Multi-objective optimization on inlet pipe of a vertical inline pump based on genetic algorithm and artificial neural network | |
Tao et al. | Optimal blade design of stator based on adjoint fluid topology optimization method in a torque converter |
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 |