CN113591299A - 判定不同类型微通道散热器综合性能优劣的方法和系统 - Google Patents
判定不同类型微通道散热器综合性能优劣的方法和系统 Download PDFInfo
- Publication number
- CN113591299A CN113591299A CN202110856613.5A CN202110856613A CN113591299A CN 113591299 A CN113591299 A CN 113591299A CN 202110856613 A CN202110856613 A CN 202110856613A CN 113591299 A CN113591299 A CN 113591299A
- Authority
- CN
- China
- Prior art keywords
- determining
- sample data
- different types
- software
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013461 design Methods 0.000 claims abstract description 130
- 238000005457 optimization Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000008901 benefit Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 26
- 238000012805 post-processing Methods 0.000 claims description 15
- 238000007711 solidification Methods 0.000 claims description 15
- 230000008023 solidification Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- NQBHBXSQWRBTIE-VKHMYHEASA-N (2s)-2-(carbamoylamino)pentanediamide Chemical compound NC(=O)CC[C@@H](C(N)=O)NC(N)=O NQBHBXSQWRBTIE-VKHMYHEASA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method 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]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种判定不同类型微通道散热器综合性能优劣的方法和系统。在该方法中先根据获取的综合性能确定优化目标，根据获取的结构参数确定设计变量，再根据设计变量确定设计空间，从设计空间中选取初始样本数据点后，根据优化目标确定与初始样本数据点相对应的优化目标值，以形成初始样本数据，接着，根据初始样本数据，采用近似建模算法建立优化目标与设计变量间的代理方程，然后，采用多目标优化算法对代理方程进行寻优得到不同类型微通道散热器的帕累托前沿，最后，根据帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区，进而根据优化设计区的大小精确、快速的确定不同类型微通道散热器综合性能的优劣。
Description
技术领域
本发明涉及散热器性能判断技术领域，特别是涉及一种判定不同类型微通道散热器综合性能优劣的方法和系统。
背景技术
围绕空间攻防、军用电子设备以及第五代移动通信技术5G等，针对核心器件趋于高功率和高集成度，导致芯片级热流密度接近甚至超过1kW/cm2问题，涌现出很多基于新原理、新结构、新工艺开发的先进微通道散热器，比如二次流、歧管式、混合结构等。反应散热器综合性能的因素包括成本，如泵功率Pp(Pp＝流量×压损)，和收益，如(1/热阻Rt)。在实际应用中，针对涌现的各类微通道散热器，如何快速准确判定不同类型微通道散热器综合性能优劣，从而帮助工程技术人员快速获得满足需求的微通道散热器，成为亟需解决的问题。散热器在不同泵功率下都有最小热阻，此热阻对应最优结构参数，因此，为准确判定不同类型微通道散热器性能优劣，需要在相同泵功率(成本)下对比最优结构参数对应的最小热阻(/1收益)。而已有判定方法存在如下问题：
1.在不同泵功率下对比热阻
(1)对于不同类型散热器，通过模拟或实验手段，在相同流量下对比热阻大小，不过由于不同散热器的流阻特性不同，因此流量相同时压损一般不同，这导致无法在相同泵功率下对比热阻大小，即无法准确判定散热器优劣；
(2)对于不同类型散热器，通过模拟或实验手段，在相同压损下对比热阻大小，类似的，由于不同散热器的流阻特性不同，因此压损相同时流量一般不同，这导致无法在相同泵功率下对比热阻大小，即无法准确判定散热器优劣。
2.在相同泵功率下对比非最小热阻：对于不同类型散热器，通过大量模拟或实验，获得相同泵功率时热阻数据，通过直接对比热阻判定散热器优劣，但散热器在不同泵功率下都对应有最小热阻(此时结构参数最优)，而模拟或实验获得的热阻并不一定是该泵功率下的最小热阻，因此这种方法耗时长、效率低，而且会导致错误结论。
可见，现有判定方法要么在不同泵功率下对比热阻，要么在相同泵功率下对比非最小热阻，这都会导致错误结论，进而误导工程技术人员，且存在耗时长、效率低等缺点。
发明内容
为解决现有技术中存在的上述问题，本发明的目的是提供一种判定不同类型微通道散热器综合性能优劣的方法和系统。
为实现上述目的，本发明提供了如下方案：
一种判定不同类型微通道散热器综合性能优劣的方法，包括：
获取不同类型微通道散热器的综合性能和结构参数；
根据所述综合性能确定优化目标，根据所述结构参数确定设计变量；所述优化目标为成本最小的同时收益最大；所述成本为用于表征所述微通道散热器综合性能的一个参数或参数集合体；所述收益也为用于表征所述微通道散热器综合性能的一个参数或参数集合体；
根据所述设计变量确定设计空间；
从所述设计空间中选取初始样本数据点；
根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据；
根据所述初始样本数据，采用近似建模算法建立所述优化目标与所述设计变量间的代理方程；
采用多目标优化算法对所述代理方程进行寻优得到不同类型微通道散热器的帕累托前沿；所述帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益；
根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区；
根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣。
优选地，所述根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据，具体包括：
根据所述初始样本数据点构建计算模型；
基于所述计算模型的特征ID值固定原则识别出所述计算模型中的固化部分和改变部分；
基于所述预设需求对所述改变部分进行再次划分，得到固化子部分和改变子部分；
基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
基于所述固化部分和所述固化子部分在网格划分软件中建立固化模型；
将三维建模软件中建立的所述改变模型导入到在网格划分软件中建立的所述固化模型中，形成完整三维模型；
在网格划分软件中对所述完整三维模型进行网格划分；
利用流动传热模拟软件对所划分得到的网格中的数值进行计算，得到计算结果；
分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件搭建的工作流中；
在所述工作流中对所述计算结果进行后处理，可得到多个子成本和多个子收益；
基于预设权重根据多个子成本和多个子收益计算出成本和收益，以形成初始样本数据；计算出成本和收益即为所述优化目标值。
优选地，采用的所述多目标优化算法为带精英策略的非支配排序遗传算法。
优选地，所述根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区，具体包括：
以所述成本为横坐标，以所述1/收益为纵坐标建立优化设计区。
优选地，根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣，具体为：
所述优化设计区越大则说明与其对应的微通道散热器的综合性能越优；
所述优化设计区越小则说明与其对应的微通道散热器的综合性能越劣。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种判定不同类型微通道散热器综合性能优劣的方法，先根据获取的综合性能确定优化目标，根据获取的结构参数确定设计变量，再根据设计变量确定设计空间，从设计空间中选取初始样本数据点后，根据优化目标确定与初始样本数据点相对应的优化目标值，以形成初始样本数据，接着，根据初始样本数据，采用近似建模算法建立优化目标与设计变量间的代理方程，然后，采用多目标优化算法对代理方程进行寻优得到不同类型微通道散热器的帕累托前沿，最后，根据帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区，进而根据优化设计区的大小精确、快速的确定不同类型微通道散热器综合性能的优劣。
对应于上述提供的判定不同类型微通道散热器综合性能优劣的方法，本发明还提供了以下实施系统：
一种判定不同类型微通道散热器综合性能优劣的系统，包括：
性能-参数获取模块，用于获取不同类型微通道散热器的综合性能和结构参数；
优化目标-设计变量确定模块，用于根据所述综合性能确定优化目标，根据所述结构参数确定设计变量；所述优化目标为成本最小的同时收益最大；所述成本为用于表征所述微通道散热器综合性能的一个参数或参数集合体；所述收益也为用于表征所述微通道散热器综合性能的一个参数或参数集合体；
设计空间确定模块，用于根据所述设计变量确定设计空间；
数据点选取模块，用于从所述设计空间中选取初始样本数据点；
样本数据形成模块，用于根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据；
代理方程构建模块，用于根据所述初始样本数据，采用近似建模算法建立所述优化目标与所述设计变量间的代理方程；
帕累托前沿确定模块，用于采用多目标优化算法对所述代理方程进行寻优得到不同类型微通道散热器的帕累托前沿；所述帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益；
优化设计区确定模块，用于根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区；
性能优劣确定模块，用于根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣。
优选地，所述样本数据形成模块包括：
计算模型构建单元，用于根据所述初始样本数据点构建计算模型；
识别单元，用于基于所述计算模型的特征ID值固定原则识别出所述计算模型中的固化部分和改变部分；
划分单元，用于基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
改变模型建立单元，用于基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
固化模型建立单元，用于基于所述固化部分和所述固化子部分在网格划分软件中建立固化模型；
三维模型建立单元，用于将三维建模软件中建立的所述改变模型导入到在网格划分软件中建立的所述固化模型中，形成完整三维模型；
网格划分单元，用于在网格划分软件中对所述完整三维模型进行网格划分；
计算结果确定单元，用于利用流动传热模拟软件对所划分得到的网格中的数值进行计算，得到计算结果；
工作流集成单元，用于分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件搭建的工作流中；
后处理单元，用于在所述工作流中对所述计算结果进行后处理，可得到多个子成本和多个子收益；
样本数据形成单元，基于预设权重根据多个子成本和多个子收益计算出成本和收益，以形成初始样本数据；计算出成本和收益即为所述优化目标值。
优选地，所述优化设计区确定模块包括：
优化设计区确定单元，用于以所述成本为横坐标，以所述1/收益为纵坐标建立优化设计区。
因本发明提供的判定不同类型微通道散热器综合性能优劣的系统和上述提供的判定不同类型微通道散热器综合性能优劣的方法达到的效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的判定不同类型微通道散热器综合性能优劣的方法的流程图；
图2为本发明提供的判定不同类型微通道散热器综合性能优劣的方法的实施架构图；
图3为本发明实施例中确定得到的优化设计区示意图；
图4为本发明实施例中I型微通道散热器和II型微通道散热器的非交叉式帕累托前沿对比图；
图5为本发明实施例中III型微通道散热器和IV型微通道散热器的非交叉式帕累托前沿对比图；
图6为本发明提供的判定不同类型微通道散热器综合性能优劣的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种判定不同类型微通道散热器综合性能优劣的方法和系统，能够提高不同类型微通道散热器综合性能优劣判断的准确性和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明提供的判定不同类型微通道散热器综合性能优劣的方法，包括：
步骤100：获取不同类型微通道散热器的综合性能和结构参数。具体的，针对需要判定优劣的N种类型微通道散热器，识别散热器综合性能(如泵功率如热阻)，以及对此有重要影响的结构参数(如通道长宽高，肋片形状等)。
步骤101：根据综合性能确定优化目标，根据结构参数确定设计变量。优化目标即为成本C最小的同时收益I最大。成本可以是某一个参数，如泵功率Pp，也可以是一系列(如m个)参数的集合体，如C＝a1C1+a2C2+…+anCm，a1…am是权重，由使用者确定。同样的，收益也可以是某一个参数，如(1/热阻Rt)，也可以是一系列参数(如n个)的集合体，如I＝b1I1+b2I2+…+bnIn，b1…bn是权重，由使用者确定。基于结构参数确定设计变量，如改变通道长宽比，宽高比，和肋片形状等。
步骤102：根据设计变量确定设计空间。其中，为了可以在更大的空间中寻优，该步骤中的设计空间是在保证可以成功建立散热器模型，以及尽可能的使得设计空间大的前提下确定得到的。比如对于微通道的高宽比，在成功建模和设计空间尽可能大前提下，可取0.25-1.5。
步骤103：从设计空间中选取初始样本数据点。为保证初始样本数据点尽可能少而又能全面反映设计空间特性，本发明优选采用试验设计方法(例如最优拉丁超立方设计法)在设计空间进行取点，每个数据点包含着散热器的设计变量信息。其中，最优拉丁超立方设计法的基本思想是：在n维空间中，将每一维坐标空间均匀等分为m个区间，保证一个因子的每个水平只被研究一次的前提下，随机选取m个点，从而构成n×m维空间，可以拟合二阶以上非线性的关系，具有很好的空间填充能力。
步骤104：根据优化目标确定与初始样本数据点相对应的优化目标值，以形成初始样本数据。具体的，针对步骤103中选取的仅包含设计变量信息的样本数据点，通过建模、划分网格、流动传热模拟和后处理，获得设计变量对应的优化目标数据，利用多学科优化平台类软件(如ISIGHT)搭建工作流，实现上述操作的自动化完成。
步骤105：根据初始样本数据，采用近似建模算法建立优化目标与设计变量间的代理方程(即图2中的近似模型)。其中，采用的近似建模算法为响应面法RSM、径向神经网络RBF等。例如，使用响应面法(Response Surface Methodology，RSM)建立优化目标与设计变量间的代理方程：为保证近似模型精度，优选2～4阶响应面模型进行建模，含有交叉项的3阶响应面模型为：
其中，
是近似模型给出的优化目标值，xi和xj是设计变量，β0是常数项，βi是线性项系数，βii是二次项系数，βiii是三次项系数，i和j为设计变量的个数，ε为统计误差。
响应面模型构建成以后，需要对其进行预测能力评估以保证模型的适用性。一般采用决定系数R2(Coefficient of multiple determination)来验证响应面模型的拟合程度：
式中，SST(Sum of Squares for total)是总离差平方和，SSE(Sum of Squaresfor Error)是残差平方和，
是相应y样本点的均值，
是近似模型在第i个样本点的优化目标值，yi是优化目标的实际值。
R2值越接近1说明模型的可信度越高，一般要求R2值要大于0.9。
步骤106：采用多目标优化算法对代理方程进行寻优得到不同类型微通道散热器的帕累托前沿。帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益。其中，多目标优化算法采用带精英策略的非支配排序遗传算法NSGA-II、邻域培植多目标遗传算法NCGA等。
步骤107：根据帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区。具体的，以成本为横坐标，以1/收益为纵坐标建立优化设计区，建立的优化设计区如图3所示，其中，C1为成本，I1为收益。预设需求为用户根据工程需要确定的具体需求。
步骤108：根据优化设计区的大小确定不同类型微通道散热器综合性能的优劣。其中，优化设计区越大则说明与其对应的微通道散热器的综合性能越优。优化设计区越小则说明与其对应的微通道散热器的综合性能越劣。
其中，步骤104中，针对步骤103中选取的仅包含设计变量信息的样本数据点，通过建模、划分网格、流动传热模拟和后处理，获得设计变量对应的优化目标数据，利用多学科优化平台类软件(如ISIGHT)搭建工作流，实现上述操作的自动化完成的具体实施过程为：
步骤1040：根据初始样本数据点构建计算模型。
步骤1041：基于计算模型的特征ID值固定原则(即特征ID值不变的原则)识别出计算模型中的固化部分和改变部分。
步骤1042：基于预设需求对改变部分进行再次划分，得到固化子部分和改变子部分。
步骤1043：基于改变子部分利用参数化建模工具(如UG)在三维建模软件中建立改变模型。之所以采用参数建模是为了保证后续自动化的实施。
步骤1044：基于固化部分和固化子部分在网格划分软件(如STAR-CCM+)中建立固化模型。
步骤1045：将三维建模软件中建立的改变模型导入到在网格划分软件中建立的固化模型中，形成完整的三维模型。
步骤1046：在网格划分软件中对三维模型进行网格划分，并使用录制功能记录操作信息，以便后续实现网格自动化划分。由于复杂结构在计算时对网格质量要求高，本发明优选采用多面体网格。
步骤1047：利用流动传热模拟软件(如Fluent、CFX等)对所划分得到的网格中的数值进行计算，得到计算结果(如温度T，压力P等，用户根据需要确定)，并使用录制功能记录操作信息，以便后续实现自动化计算。
步骤1048：分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件(如ISIGHT)搭建的工作流中，分别将近似建模算法和多目标优化算法集成，实现自动化。
步骤1049：在工作流中对计算结果进行后处理，将其整理成成本和收益形式(用户确定)，得到与初始样本数据点相对应的优化目标，以形成初始样本数据。
后处理目的是得到优化目标的值，根据用户确定的优化目标，后处理模块提取流动传热模拟软件计算结果后，进行一些计算，如提取压损和流量计算得泵功率，当然，此处可得到多个成本和收益，最终再基于用户给出的权重计算出成本C和收益I。
基于上述步骤1040至步骤1049提供的可根据用户需要定制的开源方式，能够得到，上述工作流，可自动读取步骤4选取的仅包含设计变量信息的初始样本数据点，自动完成三维建模、划分网格、数值模拟和后处理步骤，获得初始样本数据点，上述数据点包含不同设计变量下对应的优化目标(即综合性能，如泵功率、热阻等)，即获得了初始样本数据。
进一步，为提高收敛速度和优化效率，上述步骤106中，优选采用带精英策略的非支配排序遗传算法(NSGA-II算法)进行寻优，NSGA-II算法的基本思想为：
采用遗传学中种群的交叉、变异、进化等概念，通过对问题的数学模型进行编码形成染色体，构造适应函数决定染色体对应的个体生存和淘汰的概率，在初始种群中选取双亲的染色体进行交叉互换以及一定概率的变异后获得子代，最终不断迭代趋向最优解。
(1)初始化种群(本发明为一组设计变量确定的某类型微通道散热器)。在输入目标函数和变量取值范围后，给定种群规模。采用实数编码，并随机生成初始种群，即
xk＝minx+(maxx-minx)×randj (3)
其中，xk表示第k个个体(某个设计变量确定的微通道散热器)的设计变量取值，minx和maxx为设计变量在可行域内的上下界，randj为0到1之间的随机数，x是设计变量。当存在多个设计变量时，每个个体的染色体为包含所有变量取值的一个组合，即Xk＝(x1,k,x2,k,...,xm,k)，m为自变量个数。计算每个个体的目标函数值，并将目标函数设为适应函数进行快速非支配排序，得到亲代种群。
(2)在亲代种群中通过二进制竞标赛法选择个体进行交叉或变异操作。交叉过程采用模拟二进制交叉算子(SBX)，给定交叉算子γ，进行交叉过程的第t代两个个体设为
和
其交叉后产生的子代为：
其中
β为(0,1)范围内的随机数。
对没有进行交叉过程的个体进行变异处理，给定变异算子ηu，采用多项式变异方法：
其中
ui为(0,1)范围内的随机数。
通过以上方式产生子代个体，并计算子代个体目标函数值。
(3)采用精英策略，并进行非支配排序和拥挤度排序。将亲代和产生的子代合并在一起进行排序，以最大程度保留亲代和子代中的非支配解。非支配排序是利用不同个体间适应函数的支配关系，对个体进行排序，序号越小的集合，其中的个体非支配性越好，更接近帕累托前沿。拥挤度则是在同一序号的前沿面集合内，通过比较拥挤度σ，对集合内的解进行进一步排序，拥挤度越大，个体在值域空间的分布越稀疏，越能保持种群的多样性，避免聚集。拥挤度σ表示为：
其中，ymax和ymin为集合内优化目标的最大值和最小值。对于多个优化目标，可分别计算每个目标的拥挤度后求和，作为个体本身的拥挤度。在合并后的种群中按顺序选取个体，组建新的种群。
(4)重复步骤(2)和(3)的操作以进行不断迭代，直至满足终止准则(如图2所示)，一般终止准则为最大迭代步数。
上述操作生成散热器的帕累托最优解集(即帕累托前沿)，帕累托前沿上每个点都代表着具体散热器结构参数，该结构参数对应的散热器可保证各个目标均最优，如在该泵功率下热阻最小，即保证泵功率和热阻均最优。
由于帕累托前沿上每个点都代表散热器在该成本下的最大收益，以及对应的结构参数，因此如果用户的成本和收益需求在帕累托前沿之上，才会存在优化空间(即优化设计区)。
例如，以横坐标为泵功率PP即成本，纵坐标为热阻Rt即(1/收益)为例，如图4所示，用户同时给定泵功率Pp和总热阻Rt要求，即Pp＜Pp1的同时Rt＜Rt1。可见，II型散热器性能更优，有更大的优化设计区，阴影区表示的是II型相比I型多出的优化设计区，表明有更多的II型散热器结构可以满足用户要求，工程师选择II型散热器设计时所需的时间和精力更少。
如图5所示，用户同时给定泵功率Pp和总热阻Rt要求，即Pp＜Pp1的同时Rt＜Rt1。此时需要根据交叉点进行分区讨论，这里将泵功率Pp作为分区对象，可以看到，在分界线左侧，IV型散热器有更大的优化设计区，更容易满足设计要求，因此性能更优，阴影区表示的是IV型散热器相比III型多出的优化设计区。在分界线右边，III型散热器有更大的设计区，更容易满足设计要求，因此性能更优，阴影区表示的是III型散热器相比IV型多出的优化设计区。
对应于上述提供的判定不同类型微通道散热器综合性能优劣的方法，本发明还提供了一种判定不同类型微通道散热器综合性能优劣的系统。如图6所示，该判定不同类型微通道散热器综合性能优劣的系统包括：性能-参数获取模块1、优化目标-设计变量确定模块2、设计空间确定模块3、数据点选取模块4、样本数据形成模块5、代理方程构建模块6、帕累托前沿确定模块7、优化设计区确定模块8和性能优劣确定模块9。
性能-参数获取模块1用于获取不同类型微通道散热器的综合性能和结构参数。
优化目标-设计变量确定模块2用于根据综合性能确定优化目标，根据结构参数确定设计变量。优化目标为成本最小的同时收益最大。成本为用于表征微通道散热器综合性能的一个参数或参数集合体。收益也为用于表征微通道散热器综合性能的一个参数或参数集合体。
设计空间确定模块3用于根据设计变量确定设计空间。
数据点选取模块4用于从设计空间中选取初始样本数据点。
样本数据形成模块5用于根据优化目标确定与初始样本数据点相对应的优化目标值，以形成初始样本数据。
代理方程构建模块6用于根据初始样本数据，采用近似建模算法建立优化目标与设计变量间的代理方程。
帕累托前沿确定模块7用于采用多目标优化算法对代理方程进行寻优得到不同类型微通道散热器的帕累托前沿。帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益。
优化设计区确定模块8用于用于根据帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区。
性能优劣确定模块9用于根据优化设计区的大小确定不同类型微通道散热器综合性能的优劣。
其中，上述提供的样本数据形成模块5可以包括：计算模型构建单元、识别单元、划分单元、改变模型建立单元、固化模型建立单元、三维模型建立单元、网格划分单元、计算结果确定单元、工作流集成单元、后处理单元和样本数据形成单元。
计算模型构建单元用于根据初始样本数据点构建计算模型。
识别单元用于基于计算模型的特征ID值固定原则识别出计算模型中的固化部分和改变部分。
划分单元用于基于改变子部分利用参数化建模工具在三维建模软件中建立改变模型。
改变模型建立单元用于基于改变子部分利用参数化建模工具在三维建模软件中建立改变模型。
固化模型建立单元用于基于固化部分和固化子部分在网格划分软件中建立固化模型。
三维模型建立单元用于将三维建模软件中建立的改变模型导入到在网格划分软件中建立的固化模型中，形成完整三维模型。
网格划分单元用于在网格划分软件中对完整三维模型进行网格划分。
计算结果确定单元用于利用流动传热模拟软件对所划分得到的网格中的数值进行计算，得到计算结果。
工作流集成单元用于分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件搭建的工作流中。
后处理单元，用于在工作流中对计算结果进行后处理，可得到多个子成本和多个子收益。
样本数据形成单元，基于预设权重根据多个子成本和多个子收益计算出成本和收益，以形成初始样本数据。计算出成本和收益即为优化目标值。
上述采用的优化设计区确定模块8可以包括：优化设计区确定单元。
优化设计区确定单元用于以成本为横坐标，以1/收益为纵坐标建立优化设计区。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种判定不同类型微通道散热器综合性能优劣的方法，其特征在于，包括：
获取不同类型微通道散热器的综合性能和结构参数；
根据所述综合性能确定优化目标，根据所述结构参数确定设计变量；所述优化目标为成本最小的同时收益最大；所述成本为用于表征所述微通道散热器综合性能的一个参数或参数集合体；所述收益也为用于表征所述微通道散热器综合性能的一个参数或参数集合体；
根据所述设计变量确定设计空间；
从所述设计空间中选取初始样本数据点；
根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据；
根据所述初始样本数据，采用近似建模算法建立所述优化目标与所述设计变量间的代理方程；
采用多目标优化算法对所述代理方程进行寻优得到不同类型微通道散热器的帕累托前沿；所述帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益；
根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区；
根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣。
2.根据权利要求1所述的判定不同类型微通道散热器综合性能优劣的方法，其特征在于，所述根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据，具体包括：
根据所述初始样本数据点构建计算模型；
基于所述计算模型的特征ID值固定原则识别出所述计算模型中的固化部分和改变部分；
基于所述预设需求对所述改变部分进行再次划分，得到固化子部分和改变子部分；
基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
基于所述固化部分和所述固化子部分在网格划分软件中建立固化模型；
将三维建模软件中建立的所述改变模型导入到在网格划分软件中建立的所述固化模型中，形成完整三维模型；
在网格划分软件中对所述完整三维模型进行网格划分；
利用流动传热模拟软件对所划分得到的网格中的数值进行计算，得到计算结果；
分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件搭建的工作流中；
在所述工作流中对所述计算结果进行后处理，可得到多个子成本和多个子收益；
基于预设权重根据多个子成本和多个子收益计算出成本和收益，以形成初始样本数据；计算出成本和收益即为所述优化目标值。
3.根据权利要求1所述的判定不同类型微通道散热器综合性能优劣的方法，其特征在于，采用的所述多目标优化算法为带精英策略的非支配排序遗传算法。
4.根据权利要求1所述的判定不同类型微通道散热器综合性能优劣的方法，其特征在于，所述根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区，具体包括：
以所述成本为横坐标，以所述1/收益为纵坐标建立优化设计区。
5.根据权利要求1所述的判定不同类型微通道散热器综合性能优劣的方法，其特征在于，根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣，具体为：
所述优化设计区越大则说明与其对应的微通道散热器的综合性能越优；
所述优化设计区越小则说明与其对应的微通道散热器的综合性能越劣。
6.一种判定不同类型微通道散热器综合性能优劣的系统，其特征在于，包括：
性能-参数获取模块，用于获取不同类型微通道散热器的综合性能和结构参数；
优化目标-设计变量确定模块，用于根据所述综合性能确定优化目标，根据所述结构参数确定设计变量；所述优化目标为成本最小的同时收益最大；所述成本为用于表征所述微通道散热器综合性能的一个参数或参数集合体；所述收益也为用于表征所述微通道散热器综合性能的一个参数或参数集合体；
设计空间确定模块，用于根据所述设计变量确定设计空间；
数据点选取模块，用于从所述设计空间中选取初始样本数据点；
样本数据形成模块，用于根据所述优化目标确定与所述初始样本数据点相对应的优化目标值，以形成初始样本数据；
代理方程构建模块，用于根据所述初始样本数据，采用近似建模算法建立所述优化目标与所述设计变量间的代理方程；
帕累托前沿确定模块，用于采用多目标优化算法对所述代理方程进行寻优得到不同类型微通道散热器的帕累托前沿；所述帕累托前沿上的点代表微通道散热器在该设计变量值时，对应成本下的最大收益；
优化设计区确定模块，用于根据所述帕累托前沿以及预设需求确定不同类型微通道散热器对应的优化设计区；
性能优劣确定模块，用于根据所述优化设计区的大小确定不同类型微通道散热器综合性能的优劣。
7.根据权利要求6所述的判定不同类型微通道散热器综合性能优劣的系统，其特征在于，所述样本数据形成模块包括：
计算模型构建单元，用于根据所述初始样本数据点构建计算模型；
识别单元，用于基于所述计算模型的特征ID值固定原则识别出所述计算模型中的固化部分和改变部分；
划分单元，用于基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
改变模型建立单元，用于基于所述改变子部分利用参数化建模工具在三维建模软件中建立改变模型；
固化模型建立单元，用于基于所述固化部分和固化子部分在网格划分软件中建立固化模型；
三维模型建立单元，用于将三维建模软件中建立的所述改变模型导入到在网格划分软件中建立的所述固化模型中，形成完整三维模型；
网格划分单元，用于在网格划分软件中对所述完整三维模型进行网格划分；
计算结果确定单元，用于利用流动传热模拟软件对所划分得到的网格中的数值进行计算，得到计算结果；
工作流集成单元，用于分别将三维建模软件、网格划分软件和流动传热模拟软件集成到多学科优化平台类软件搭建的工作流中；
后处理单元，用于在所述工作流中对所述计算结果进行后处理，可得到多个子成本和多个子收益；
样本数据形成单元，基于预设权重根据多个子成本和多个子收益计算出成本和收益，以形成初始样本数据；计算出成本和收益即为所述优化目标值。
8.根据权利要求6所述的判定不同类型微通道散热器综合性能优劣的系统，其特征在于，所述优化设计区确定模块包括：
优化设计区确定单元，用于以所述成本为横坐标，以所述1/收益为纵坐标建立优化设计区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856613.5A CN113591299B (zh) | 2021-07-28 | 2021-07-28 | 判定不同类型微通道散热器综合性能优劣的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856613.5A CN113591299B (zh) | 2021-07-28 | 2021-07-28 | 判定不同类型微通道散热器综合性能优劣的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591299A true CN113591299A (zh) | 2021-11-02 |
| CN113591299B CN113591299B (zh) | 2024-03-26 |
Family
ID=78251332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110856613.5A Active CN113591299B (zh) | 2021-07-28 | 2021-07-28 | 判定不同类型微通道散热器综合性能优劣的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591299B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626252A (zh) * | 2022-05-17 | 2022-06-14 | 长城汽车股份有限公司 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
| CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
| CN116776773A (zh) * | 2023-06-26 | 2023-09-19 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704978A (zh) * | 2017-11-27 | 2018-02-16 | 广东电网有限责任公司电网规划研究中心 | 基于帕累托进化和vikor方法的电热经济调度方法 |
| CN111261973A (zh) * | 2020-01-19 | 2020-06-09 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
| CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
| CN112231860A (zh) * | 2020-10-14 | 2021-01-15 | 上海理工大学 | 基于遗传算法的矩形截面形状微通道热沉的优化设计方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664734B (zh) * | 2018-05-11 | 2020-02-18 | 深圳航天科技创新研究院 | 航天器电源系统多目标优化设计方法、系统和存储介质 |
| CN110334416B (zh) * | 2019-06-18 | 2022-04-19 | 西北工业大学 | 双性能盘锻造时的预制坯优化设计方法 |
| CN112784361B (zh) * | 2021-01-25 | 2022-06-17 | 武汉理工大学 | 一种基于代理模型的汽车发动机舱散热系统结构优化方法 |
| CN113065268A (zh) * | 2021-03-30 | 2021-07-02 | 中国科学院光电技术研究所 | 一种基于代理模型快速多目标空间反射镜优化设计方法 |
-
2021
- 2021-07-28 CN CN202110856613.5A patent/CN113591299B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704978A (zh) * | 2017-11-27 | 2018-02-16 | 广东电网有限责任公司电网规划研究中心 | 基于帕累托进化和vikor方法的电热经济调度方法 |
| CN111261973A (zh) * | 2020-01-19 | 2020-06-09 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
| CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
| CN112231860A (zh) * | 2020-10-14 | 2021-01-15 | 上海理工大学 | 基于遗传算法的矩形截面形状微通道热沉的优化设计方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626252A (zh) * | 2022-05-17 | 2022-06-14 | 长城汽车股份有限公司 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
| CN116776773A (zh) * | 2023-06-26 | 2023-09-19 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
| CN116776773B (zh) * | 2023-06-26 | 2024-06-07 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
| CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591299B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113591299B (zh) | 判定不同类型微通道散热器综合性能优劣的方法和系统 | |
| Jia et al. | Multiobjective bilevel optimization for production-distribution planning problems using hybrid genetic algorithm | |
| Maghouli et al. | A scenario-based multi-objective model for multi-stage transmission expansion planning | |
| CN116629189B (zh) | 一种集成电路的布局生成方法及装置 | |
| CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
| CN105046354A (zh) | 基于多代理的配电网规划场景模拟生成方法及其系统 | |
| Vitor et al. | Operation planning and decision-making approaches for Volt/Var multi-objective optimization in power distribution systems | |
| CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
| CN110611305B (zh) | 考虑配网电压越限风险的光伏接入规划方法 | |
| Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
| CN115439000A (zh) | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 | |
| Yang et al. | Multi-objective optimization of contactor’s characteristics based on RBF neural networks and hybrid method | |
| CN114398824A (zh) | 基于局部代理模型的电机多目标鲁棒性优化方法 | |
| CN117060408B (zh) | 新能源发电预测方法及系统 | |
| CN103984828A (zh) | 一种温度均衡的三维片上网络核映射方法与系统 | |
| CN110750861B (zh) | 一种相变储热单元的结构优化方法 | |
| CN112418715B (zh) | 风电功率序列场景集的生成方法、装置以及存储介质 | |
| CN116258078A (zh) | 大规模水库群多目标防洪优化方法及装置 | |
| Fedorchenko et al. | Modified genetic algorithm to determine the location of the distribution power supply networks in the city | |
| Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework | |
| CN111146815A (zh) | 一种智能配电网分布式发电规划配置方法 | |
| CN114971092A (zh) | 一种变电站主控楼混凝土用量预测方法和装置 | |
| CN113094973A (zh) | 一种基于多目标优化算法的民机需求优选方法 | |
| CN114519297A (zh) | 基于嵌套nsga-ii的多目标双层交互式优化方法 | |
| CN114117917A (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Min Inventor after: Huang Lei Inventor after: Cao Bingyang Inventor after: Li Mochong Inventor after: Che Bangxiang Inventor after: Zong Lizheng Inventor after: Niu Chunyang Inventor after: Wang Dewei Inventor after: Xu Kan Inventor after: Zheng Hongyang Inventor before: Yang Min Inventor before: Huang Lei Inventor before: Cao Bingyang Inventor before: Li Mochong Inventor before: Che Bangxiang Inventor before: Zong Lizheng Inventor before: Sheng Chunyang Inventor before: Wang Dewei Inventor before: Xu Kan Inventor before: Zheng Hongyang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |