CN113722856A - 一种管道泵进口导流叶片的自动建模及优化设计方法 - Google Patents
一种管道泵进口导流叶片的自动建模及优化设计方法 Download PDFInfo
- Publication number
- CN113722856A CN113722856A CN202111018770.5A CN202111018770A CN113722856A CN 113722856 A CN113722856 A CN 113722856A CN 202111018770 A CN202111018770 A CN 202111018770A CN 113722856 A CN113722856 A CN 113722856A
- Authority
- CN
- China
- Prior art keywords
- particles
- guide vane
- model
- design
- modeling
- 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
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
- 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
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种管道泵进口导流叶片的自动建模及优化设计方法,包括:S1.通过准均匀样条采集导流叶片的型线信息和厚度信息;S2.基于型线信息和厚度信息生成进口弯管的设计参数;基于设计参数,构建导流叶片的管道泵进口弯管的三维建模模型;S3.对三维建模模型进行网格划分,得到三维模型数据;对三维模型数据进行分析,获得三维建模模型的外部特性;S4.通过近似模型对数据样本和三维模型数据进行拟合后,通过智能算法求解拟合后的近似模型,获得最优解;S5.验证最优解的性能,若性能满足设计要求,则结束,否则重复步骤S2‑S4。本发明有利于提高管道泵设计水平,进一步提高管道泵的工作效率及稳定性。
Description
技术领域
本发明属于泵优化设计领域,特别是涉及一种管道泵进口导流叶片的自动建模及优化设计方法。
背景技术
泵是重要的通用机械,广泛应用于各行各业。其中,管道泵的进出口在同一直线上,具有体积小,安装方便等优点,因而被广泛应用于安装空间受限的场所,例如城市供水、船舶运输等。据相关资料统计,泵类能耗占全国年发电总量的21%以上,因此提高泵的效率对于节能减排具有重要意义。
管道泵由于进口流道扭曲,在设计工况下就会诱发进口回流、流动分离涡等复杂流动现象,进而降低叶轮的做功能力,对于泵整体性能具有非常大的负面影响,因此,对管道泵进口流道进行结构优化对于提高该泵种的运行效率具有重要作用。
本发明提供了一种管道泵进口导流叶片的自动建模与优化设计方法,以解决其进口流道内导流叶片的设计问题。目前,针对这一问题的解决方案还未见报道。
发明内容
由于管道泵扭曲的进口流道会诱发包括流动分离、回流等多种复杂湍流结构,因此会对叶轮入流造成非常大的负面影响,进而降低整体性能。在管道泵进口段增加导流叶片能有效抑制回流旋涡,提高入流均匀性,然而针对进口导流叶片的设计建模方法却未见报道。本发明的目的是提供一种高效的管道泵进口导流叶片的建模及优化设计方法,进一步的提高管道泵性能。
为实现上述目的,本发明提供了如下方案:一种管道泵进口导流叶片的自动建模及优化设计方法,包括:
S1.通过准均匀样条采集导流叶片的型线信息和厚度信息;
S2.基于所述型线信息和所述厚度信息生成进口弯管的设计参数;基于所述设计参数,构建所述导流叶片的管道泵进口弯管的三维建模模型;
S3.对所述三维建模模型进行网格划分,得到三维模型数据;对所述三维模型数据进行分析,获得所述三维建模模型的外部特性;
S4.通过近似模型对所述数据样本和所述三维模型数据进行拟合后,通过智能算法求解拟合后的近似模型,获得最优解;
S5.验证所述最优解的性能,若性能满足设计要求,则结束,否则重复步骤S2-S4。
优选地,所述S1中,还包括基于所述导流叶片的复杂度增加控制点,所述准均匀样条对应的所述控制点的权重均为1,实现所述导流叶片的可视化。
优选地,所述设计参数通过拉丁超立方方法、响应面方法、正交设计法生成。
优选地,获得所述三维建模模型包括基于所述进口弯管的设计参数,获得弯管及导流叶片的特征型线,根据所述特征型线完成三维建模,对所述三维建模进行转换获得所述三维建模模型。
优选地,对所述三维模型数据进行分析包括,对RANS耦合SST模型求解,设置收敛精度目标和最大迭代数,通过CEL脚本对所述三维模型数据进行数值计算。
优选地,所述近似模型至少包括Kriging模型、人工神经网络模型。
优选地,所述智能算法为改进的粒子群算法;
获得所述最优解包括通过所述粒子群算法对所述拟合后的近似模型进行粒子行为监视与操控,迭代更新粒子位置及速度,获得最优解。
优选地,所述迭代更新粒子位置及速度包括根据粒子适应度将所述粒子划分为精英粒子、普通粒子、突变粒子;
所述精英粒子为适应度前10%的粒子,用于局部探索;
所述普通粒子为适应度10%~95%的粒子,根据迭代数、粒子自身与最优粒子的距离确定参数;
所述突变粒子为适应度后5%的粒子,所述突变粒子解除速度限制,用于扰动求解过程与防止局部收敛。
本发明公开了以下技术效果:
本发明提供的管道泵进口导流叶片的自动建模及优化设计方法参数化水平高,能够准确的描述管道泵进口导流叶片的形状,可以实现可视化设计;自动化水平高,设计不依赖设计人员经验,能够根据实际工作情况设计出高效的模型;通过借助人工智能和机器学习完成优化设计,有效提高了优化成功率;有利于提高管道泵设计水平,进一步提升管道泵的工作效率及稳定性。
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为本发明实施例的具有进口导流叶片的管道泵结构示意图;
其中,1-进口流道;2-诱导叶片;3-叶轮;4-蜗壳;
图2为本发明实施例的导流叶片厚度变化示意图;
图3(a)为本发明实施例的优化前内流场图;
图3(b)为本发明实施例的优化后内流场图。
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。
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所示,本发明提供了一种管道泵进口导流叶片的自动建模及优化设计方法,包括以下步骤:
(1)采用准均匀B样条(Quasi-Uniform Rational B Spline,QURBS)描述导流叶片的型线及厚度信息,视叶片复杂度适量增加控制点,默认4阶曲线,5个控制点,如图1、图2所示。
(2)使用试验设计方法生成m个数据样本,对应m种不同的导流叶片设计。
(3)使用NX Open嵌入式开发的插件,导入步骤2中生成的数据样本,并通过该插件实现具有导流叶片的管道泵进口弯管的自动三维建模。
(4)将步骤3中生成的m个三维模型导入ANSYS WorkBench平台,基于ANSYSMeshing完成网格划分,并使用ANSYS CFX完成对模型的数值分析,获取对应模型的外部特性。
(5)使用近似模型拟合步骤2及步骤4中获取的数据,要求精度R2>0.98。
(6)使用智能算法求解步骤5中所得的近似模型,获得最优解。
(7)将最优解按照步骤3和步骤4所描述自动建模及数值分析方法验证其性能,若性能满足设计要求,则结束,否则重复步骤2至步骤7。
进一步的,步骤1中所使用的QURBS所对应的各节点权重均为1,其表达式如式(1)所示,通过MATLAB APP Designer开发的插件实现可视化设计。
式中,Pi为控制点,wi为对应的权重,Ni,p(u)为基本函数,定义如式(2),p为曲线阶数。
进一步的,步骤2中使用的试验设计方法可选拉丁超立方方法,响应面方法,正交设计法等。
生成数据样本首先需要确定设计方法、设计参数以及决策域,考虑各个变量对于内场流动的影响大小,选择的设计参数与边界如表1所示。
表1
注:表中xi,yi分别为控制点i的横纵坐标。
以采用拉丁超立方采样方法为例,在决策域内生成200个设计样本,并利用自动建模与数值模拟方法对200个样本进行计算分析。经过计算验证,其中188个为有效设计,12个为无效设计(指参数有误,无法建模或无法计算的设计)。
进一步的,步骤3中所使用的NX Open嵌入式插件使用C++开发,基于UG NX平台,用于实现具有导流叶片的管道泵进口弯管的自动三维建模;具体地,在获得步骤2中所得的进口弯管的设计参数后,由所开发的插件生成弯管及导流叶片的特征型线,并自动调用NX平台的扫略等特征生成手段完成三维建模,最后转换为标准三维模型格式(Parasolid)输出。
进一步的,步骤4中ANSYS WorkBench内的自动流处理操作基于ANSYS APDL命令流。
进一步的,步骤4中所述的数值分析方法基于商业CFD软件ANSYS CFX,对RANS耦合SST k-ω模型求解;具体地,收敛精度目标为10-4,最大迭代数为500,并使用CEL脚本针对计算中的流量做出调整,以实现多工况计算。
进一步的,步骤4中使用ANSYS Meshing对进口弯管的自动网格划分过程是使用Python开发的部件识别及参数设定插件,完成进口弯管各个面的识别命名和网格划分。
进一步的,步骤5中所使用的近似模型可选Kriging模型,人工神经网络模型等。
进一步的,步骤6中所使用的智能算法为改进的粒子群算法,利用粒子分组策略实现精确地粒子行为监视与操控,以实现更高速的求解过程。具体地,粒子位置及速度更新公式如式所示,迭代过程会根据粒子适应度将粒子分为三组,其中适应度前10%的粒子称为精英粒子,赋予其较小的惯性因子与收缩因子,提高其学习因子,使其具备更高效的局部探索能力;适应度10%~95%的粒子被称为普通粒子,其各个参数的确定取决于迭代数与粒子自身与最优粒子的距离;后5%的粒子称为突变粒子,其速度限制被解除,主要用于扰动求解过程与防止局部收敛。
式中,x为粒子位置,v为粒子速度,r为[0,1]上的随机数,w为速度惯性因子,如式(4),c为学习因子如式(5),X为收缩因子如式(6),下标iter为迭代数。
式中,dis为粒子距离最优粒子的距离,下标max表示最大值,min表示最小值;其中wmax=0.9,wmin=0.4。
式中,c1,max=3.0,c2,max=3.1,c2,min=0.6。
式中,χmax=1.0,χmin=0.72。
本发明通过多层前馈性人工神经网络对样本的设计参数和计算效率进行了拟合,并利用粒子群算法对上述模型进行了寻优,最终得到的优化结果相较于原始设计,效率提升了1.5%,优化前后的流场对比如图3(a)、(b)所示,可见改进后进口弯管内的流动情况得到显著改善。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,包括:
S1.通过准均匀样条采集导流叶片的型线信息和厚度信息;
S2.基于所述型线信息和所述厚度信息生成进口弯管的设计参数;基于所述设计参数,构建所述导流叶片的管道泵进口弯管的三维建模模型;
S3.对所述三维建模模型进行网格划分,得到三维模型数据;对所述三维模型数据进行分析,获得所述三维建模模型的外部特性;
S4.通过近似模型对所述数据样本和所述三维模型数据进行拟合后,通过智能算法求解拟合后的近似模型,获得最优解;
S5.验证所述最优解的性能,若性能满足设计要求,则结束,否则重复步骤S2-S4。
2.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
所述S1中,还包括基于所述导流叶片的复杂度增加控制点,所述准均匀样条对应的所述控制点的权重均为1,实现所述导流叶片的可视化。
3.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
所述设计参数通过拉丁超立方方法、响应面方法、正交设计法生成。
4.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
获得所述三维建模模型包括基于所述进口弯管的设计参数,获得弯管及导流叶片的特征型线,根据所述特征型线完成三维建模,对所述三维建模进行转换获得所述三维建模模型。
5.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
对所述三维模型数据进行分析包括,对RANS耦合SST模型求解,设置收敛精度目标和最大迭代数,通过CEL脚本对所述三维模型数据进行数值计算。
6.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
所述近似模型至少包括Kriging模型、人工神经网络模型。
7.根据权利要求1所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
所述智能算法为改进的粒子群算法;
获得所述最优解包括通过所述粒子群算法对所述拟合后的近似模型进行粒子行为监视与操控,迭代更新粒子位置及速度,获得最优解。
8.根据权利要求7所述的管道泵进口导流叶片的自动建模及优化设计方法,其特征在于,
所述迭代更新粒子位置及速度包括根据粒子适应度将所述粒子划分为精英粒子、普通粒子、突变粒子;
所述精英粒子为适应度前10%的粒子,用于局部探索;
所述普通粒子为适应度10%~95%的粒子,根据迭代数、粒子自身与最优粒子的距离确定参数;
所述突变粒子为适应度后5%的粒子,所述突变粒子解除速度限制,用于扰动求解过程与防止局部收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111018770.5A CN113722856B (zh) | 2021-09-01 | 2021-09-01 | 一种管道泵进口导流叶片的自动建模及优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111018770.5A CN113722856B (zh) | 2021-09-01 | 2021-09-01 | 一种管道泵进口导流叶片的自动建模及优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722856A true CN113722856A (zh) | 2021-11-30 |
CN113722856B CN113722856B (zh) | 2022-06-07 |
Family
ID=78680372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111018770.5A Active CN113722856B (zh) | 2021-09-01 | 2021-09-01 | 一种管道泵进口导流叶片的自动建模及优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722856B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131953A1 (en) * | 2016-01-25 | 2017-08-03 | Siemens Corporation | Design optimization for a wind turbine tower |
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 |
CN109408861A (zh) * | 2018-09-10 | 2019-03-01 | 江苏大学 | 一种管道泵进口弯管多目标智能优化方法 |
CN111967172A (zh) * | 2020-07-06 | 2020-11-20 | 华南理工大学 | 基于kriging模型的内高压成形工艺优化设计方法 |
-
2021
- 2021-09-01 CN CN202111018770.5A patent/CN113722856B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131953A1 (en) * | 2016-01-25 | 2017-08-03 | Siemens Corporation | Design optimization for a wind turbine tower |
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 |
CN109408861A (zh) * | 2018-09-10 | 2019-03-01 | 江苏大学 | 一种管道泵进口弯管多目标智能优化方法 |
CN111967172A (zh) * | 2020-07-06 | 2020-11-20 | 华南理工大学 | 基于kriging模型的内高压成形工艺优化设计方法 |
Non-Patent Citations (1)
Title |
---|
甘星城: ""基于改进粒子群算法的管道泵多目标优化设计研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722856B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109460566A (zh) | 一种风力机叶片内侧厚翼型的气动稳健优化设计方法 | |
Wang et al. | Multiobjective optimization design and performance prediction of centrifugal pump based on orthogonal test | |
CN112597710B (zh) | 一种可压缩空化流动中旋转湍流的数值模拟方法 | |
WO2024113835A1 (zh) | 一种风扇模型的生成方法和装置 | |
CN110617238B (zh) | 一种离心泵叶轮的优化设计方法 | |
CN110750855B (zh) | 一种外形定尺寸限制下的蜗壳型线设计方法 | |
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 | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
CN112949165A (zh) | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 | |
Derakhshan et al. | Optimization of GAMM Francis turbine runner | |
CN110196987B (zh) | 基于代理模型的风道结构尺寸优化方法 | |
CN115375851A (zh) | 一种核电汽轮机叶片参数自动优化方法 | |
CN113722856B (zh) | 一种管道泵进口导流叶片的自动建模及优化设计方法 | |
Ji et al. | Computer 3D vision-aided full-3D optimization of a centrifugal impeller | |
CN112231836B (zh) | 一种基于遗传算法和数值仿真的翼型优化方法 | |
CN112464478A (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
Malanichev et al. | Pressure loss reduction in ventilation ducts by shape optimization of the removable profiled components | |
CN114611214B (zh) | 基于螺旋桨高效建模的敞水性能仿真方法 | |
CN111079367B (zh) | 适用于不同进水锥管的轴流泵辐条优化设计方法 | |
CN112163288B (zh) | 基于大涡模拟的流体机械叶片优化设计方法 | |
CN115081100A (zh) | 短舱设计模型的训练方法、短舱的制造方法及系统 | |
Lai et al. | An Approach to automatically optimize the Hydraulic performance of Blade System for Hydraulic Machines using Multi-objective Genetic Algorithm | |
CN105987023B (zh) | 低稠度叶片扩压器的设计方法 | |
Ajib | Data-driven building thermal modeling using system identification for hybrid systems |
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 |