CN113836840A - 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 - Google Patents
一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 Download PDFInfo
- Publication number
- CN113836840A CN113836840A CN202111167017.2A CN202111167017A CN113836840A CN 113836840 A CN113836840 A CN 113836840A CN 202111167017 A CN202111167017 A CN 202111167017A CN 113836840 A CN113836840 A CN 113836840A
- Authority
- CN
- China
- Prior art keywords
- tube bundle
- bottle
- time
- type tube
- 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
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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
Abstract
本发明公开了一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法。该方法在Ⅳ型管束瓶服役温度范围内选取一系列试验温度,然后在各试验温度下对组成Ⅳ型管束瓶的材料实施力学和热力学性能测试;基于测试数据,利用数据驱动方法建立考虑温度影响的管束瓶材料的力学和热力学性能预测模型;进一步地,基于该模型,构建管束瓶材料的力学和热力学性能数据库;同时,采用计算流体力学方法模拟管束瓶充氢过程,获取充氢过程中管束瓶内壁面所受的瞬态温度场和压力场载荷;最后,将构建的材料性能数据库作为材料参数、管束瓶内壁面所受载荷作为边界条件输入Ⅳ型管束瓶有限元模型,采用瞬态热固耦合技术,实现充氢过程中Ⅳ型管束瓶膨胀量的预测。
Description
技术领域
本发明涉及常温压缩氢气储运装备领域,尤其涉及一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法。
背景技术
目前,国内占主导地位的氢气运输技术是高压气态输氢,具体包括输氢管道、长管拖车、管束集装箱等。对于运输距离短、分散性强、用量不稳定、尚未规模化的氢气用户,管束集装箱相比于其他方式更具优势。因此,它也是目前国内从制氢工厂运输氢气至加氢站的主流技术方案。根据管束集装箱所用储氢瓶的类别,可以将其分为Ⅰ型、Ⅱ型、Ⅲ型和Ⅳ型。其中,Ⅳ型储氢管束集装箱具有更强的氢气储运能力、更低的氢气运输成本和更长的管束瓶使用寿命,是国内储氢管束集装箱的重要发展方向。
Ⅳ型储氢管束集装箱是将一定数目的大容量Ⅳ型储氢瓶按照特定排列方式组成管束并固定于集装箱内部的氢气储运装备。相邻管束瓶的间距越小、排列越紧密,就能够在集装箱的有限空间内放置越多数目或者越大容积的Ⅳ型瓶,从而获得更大的氢气储运量。但是,Ⅳ型管束瓶在充氢过程中会发生明显膨胀,过小的瓶间距可能导致相邻管束瓶发生碰撞,使其纤维层损伤、承载能力下降,甚至引发安全事故。因此,准确预测Ⅳ型管束瓶在充氢过程中的膨胀量,对Ⅳ型储氢管束集装箱中瓶间距的设计具有重要指导意义。
众所周知,复合材料的力学性能会随温度的升高而显著劣化,特别是弹性模量和剪切模量。由于氢气的压缩效应、负焦-汤效应、动能-热能转化等因素作用,充氢过程将导致氢气发生显著的温升,同时传导到管束瓶瓶体,使其温度也明显上升,进而减弱Ⅳ型管束瓶的抗变形能力。值得注意的是,Ⅳ型瓶的导热性能很差,充氢过程产生的热量将在很长的时间留存在瓶体内部,而且其分布是不均匀的。这导致Ⅳ型管束瓶瓶身不同位置的材料软化程度不一致,使得其变形也不均匀。
目前,国内的储氢管束集装箱仍以Ⅰ型和Ⅱ型为绝对主导,业界尚没有提出一套系统地预测Ⅳ型管束瓶在充氢过程中膨胀变形的方法。现存的Ⅳ型瓶膨胀变形预测方法大多数是针对小容量车载储氢瓶开发的,对Ⅳ型管束瓶的借鉴意义较小。相比于车载瓶,Ⅳ型管束瓶的容量更大,绝对变形量也更大,充氢过程的不均匀温升现象更显著,变形不均匀性也更明显。因此,在预测Ⅳ型管束瓶充氢膨胀量时,有必要将不均匀温升的影响考虑在内。
发明内容
本发明的目的是克服现有技术的不足,提供一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,解决现有方法因为未考虑Ⅳ型管束瓶在充氢过程中的不均匀温升现象而导致预测结果不准确、不能用于指导Ⅳ型管束集装箱优化设计的缺陷。
本发明的目的是通过以下技术方案来实现的:一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,该方法包括以下步骤:
步骤1:在Ⅳ型管束瓶服役温度范围[Tlower-limit,Tupper-limit]内选取n个试验温度T1、T2…Tn,然后在各试验温度下对组成Ⅳ型管束瓶的所有材料M1、M2…Mk实施力学和热力学性能测试,获取不同试验温度下各材料的力学和热力学性能数据;
步骤2:基于步骤1的测试数据,利用数据驱动方法建立Ⅳ型管束瓶材料M1、M2…Mk在服役温度范围[Tlower-limit,Tupper-limit]内的力学和热力学性能预测模型:
式中:T表示Ⅳ型管束瓶服役温度范围[Tlower-limit,Tupper-limit]内的任意值;Mi表示Ⅳ型管束瓶材料M1、M2…Mk中的任意一个;表示材料Mi在温度T下的力学性能;表示材料Mi在温度T下的热力学性能;F1(·)和F2(·)表示数据驱动方法建立的关系函数;
步骤3:利用步骤2中建立的预测模型,对Ⅳ型管束瓶中不同材料在不同温度下的性能进行预测,构建计及温度影响的Ⅳ型管束瓶材料的力学和热力学性能数据库;
步骤4:采用计算流体力学方法模拟Ⅳ型管束瓶充氢过程,获取充氢过程中管束瓶内壁面所受的瞬态温度场载荷和瞬态压力场载荷:
式中:ti表示充氢过程中的第i个离散时刻,其值取决于计算流体力学方法所采用的时间步长Δt,即ti=i×Δt;表示Ⅳ型管束瓶内壁面在ti时刻所受的温度场载荷;表示Ⅳ型管束瓶内壁面在ti时刻所受的压力场载荷;表示计算流体力学方法得到的在ti时刻的温度分布函数;表示计算流体力学方法得到的在ti时刻的压力分布函数;(θ,r,z)为柱坐标系下Ⅳ型管束瓶内壁面任意点的空间位置;
步骤5:建立Ⅳ型管束瓶的有限元模型,将步骤3中构建的材料性能数据库和步骤4中得到的载荷数据分别作为材料参数和边界条件输入该模型,然后利用瞬态热固耦合技术进行迭代计算直至收敛,从而实现充氢过程中Ⅳ型管束瓶膨胀量的预测。
进一步地,所述步骤1中,获取的力学性能数据包括强度、弹性模量和剪切模量,获取的热力学性能数据包括导热系数、比热容和热膨胀系数。
进一步地,所述步骤2中,所述数据驱动方法的数据驱动模型采用神经网络、支持向量机或随机森林,其实施具体包括以下子步骤:
步骤201:将步骤1中得到的材料性能数据整理成模型输入变量+模型输出变量的形式,从而作为数据驱动模型的数据集,其中模型输入变量为材料种类、材料方向和试验温度,模型输出变量为力学和热力学性能;
步骤202:基于步骤201中的数据集,从每种材料的性能数据中随机抽取80%作为训练集提供给数据驱动模型,剩余20%则作为测试集;
步骤203:在训练集上利用网格搜索和交叉验证对数据驱动模型进行超参数优化,以获得求解Ⅳ型管束瓶材料性能-温度的关系的最佳参数组合;
步骤204:先将步骤203中求得的最佳参数组合赋予数据驱动模型,再在训练集上训练该模型,使其预测误差最小;
步骤205:利用测试集评估完成训练的模型的泛化性能,若其泛化性能是可接受的,则获得可用的材料性能预测模型,反之,则重新进行步骤203~步骤205。
进一步地,所述步骤4中,计算流体力学方法的实施具体包括以下子步骤:
步骤401:将Ⅳ型管束瓶内部流场空间离散,建立氢气的流场模型;
步骤402:依据实际充氢工况,设置流场模型的边界条件,包括入口边界条件和流-固界面(即管束瓶内壁面)边界条件,其中入口边界条件包括入射氢气的温度和速率,流-固界面边界条件包括管束瓶瓶身平均导热系数、管束瓶外壁面-外界环境之间的对流换热系数和外界环境温度;
步骤403:依据实际充氢工况,设置流场模型的初始状态参数,包括氢气在充氢过程初始时刻的温度场和压力场:
式中:t0表示充氢过程的初始时刻;表示氢气在t0时刻的温度场;表示氢气在t0时刻的压力场;表示氢气在t0时刻的温度分布函数;表示氢气在t0时刻的压力分布函数;(θ*,r*,z*)为柱坐标系下流场模型任意点的空间位置;
步骤404:选用气体状态方程描述氢气在充装过程中的物理状态;
步骤405:选用湍流模型描述氢气在充装过程中的流动行为;
步骤406:设置流场模型的初始流动状态;
步骤407:将整个充氢过程在时间上离散,设置时间步长,记为Δt;
步骤408:利用基于压力的求解方法,在每个时间步长Δt内对流场模型进行迭代计算直至收敛,获得氢气在充装过程中所有离散时刻的温度场和压力场:
式中:tm表示充氢过程的结束时刻;
步骤409:提取步骤408中流-固界面处的数据,作为充氢过程中管束瓶内壁面所受的温度场载荷和压力场载荷。
进一步地,所述步骤5中,瞬态热固耦合技术的迭代计算具体包括以下子步骤:
步骤501:将整个充氢过程在时间上离散,设置瞬态热固耦合迭代计算的时间步长与步骤4中计算流体力学方法模拟充氢过程所用的时间步长一致,同样记为Δt;
步骤503:依据步骤502中设置的初始温度分布,从步骤3中构建的材料性能数据库中查找各材料在初始温度下的力学和热力学性能值,从而获得Ⅳ型管束瓶在t0时刻的力学和热力学性能分布:
式中:表示Ⅳ型管束瓶瓶身在t0时刻的力学性能分布;表示Ⅳ型管束瓶瓶身在t0时刻的热力学性能分布;表示t0时刻的力学性能分布函数;表示t0时刻的热力学性能分布函数;(θ',r',z')为柱坐标系下Ⅳ型管束瓶瓶身任意点的空间位置;
步骤513:对下一时刻t1+Δt(记为t2)重新实施步骤507~步骤512,其中各步骤的变量更新规则如下:
步骤507中所有t0时刻变量更新为t1时刻变量,具体为
t0→t1
步骤508中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t0→t1
t1→t2
步骤509中所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤510中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
步骤511中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤512中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤514:对之后所有离散时刻,以步骤513中的更新规则类推,直至充氢过程结束,最终可以获得整个充氢过程中Ⅳ型管束瓶膨胀变形过程:
式中:tm表示充氢过程的结束时刻;
步骤515:根据步骤514中得到的绘制Ⅳ型管束瓶有限元模型外壁面各节点在整个充氢过程中的膨胀位移-时间曲线,提取各曲线上的最大值,将这些最大值与管束瓶外壁面各位置一一对应,从而获得充氢过程中Ⅳ型管束瓶的最大膨胀变形量。
本发明具有以下优点:
(1)基于少量的力学和热力学试验数据,本发明利用数据驱动方法揭示Ⅳ型管束瓶内各材料的性能-温度关系,使构建的性能预测模型能够适用于Ⅳ型管束瓶在实际服役中遇到的各种复杂充氢工况及其温度分布;
(2)目前,业界尚未针对管束集装箱用大容量Ⅳ型瓶提出一套系统的考虑温升不均匀影响的充氢膨胀变形预测方法,本发明采用了试验+数据驱动+数值模拟的解决思路,为准确预测充氢过程中Ⅳ型管束瓶的膨胀量提供可行方法;
(3)本发明能够为Ⅳ型管束集装箱内相邻管束瓶的间距设计及优化提供科学指导。
附图说明
图1为本发明的实施流程图;
图2为本发明某一具体实例的外观照片;
图3为图2所示实例的基本结构;
图4(a)和(b)分别为本发明的步骤1中获得的CFRP纤维方向和垂直纤维方向的导热系数;
图5为本发明的步骤2中采用的神经网络的结构示意图;
图6为图5所示神经网络针对导热系数的超参数优化结果(仅展示RMSE<0.025的结果);
图7为本实例构建的CFRP导热系数数据库;
图8为图2所示实例的内部流场离散模型及其主要尺寸。
具体实施方式
以下参照附图,以图2所示的实例为实施对象,按照图1所示流程,对本发明作进一步说明。
图2所示的实例是一个管束集装箱用大容量Ⅳ型储氢瓶(以下简称Ⅳ型管束瓶),其技术参数为:工作压力50MPa(15℃),服役温度-40℃~+60℃,水容积1700L,储氢密度可达6.0wt%。该Ⅳ型管束瓶的基本结构如图3所示,共由四个部分组成,包括玻璃纤维层、碳纤维层、塑料内胆和boss结构。其详细尺寸参数列于表1。从长度方向而言,管束瓶总长5600mm,包括筒体长度4842.4mm、肩部长度233.8mm和颈部长度145mm。从厚度方向而言,管束瓶内径660mm,外径738mm,总壁厚39mm,包括内胆厚度8mm、碳纤维层厚度30mm和玻璃纤维层厚度1mm。管束瓶的boss结构内伸50mm,瓶口内径为82mm(螺纹规格为3.25”),瓶口外径为140mm(螺纹规格为5.5”)。需要说明的是,表1中的封头长径比是指塑料内胆封头外表面椭圆形的长短轴之比。
表1Ⅳ型管束瓶的尺寸参数
该Ⅳ型管束瓶在充氢过程中会发生明显膨胀变形,利用本发明能够预测该管束瓶的最大膨胀量,从而指导其在管束集装箱内排列间距的设计。
本发明方法的实现过程如下:
步骤1:在该Ⅳ型管束瓶的服役温度范围-40℃~+60℃内选取6个试验温度(具体为-40℃、-20℃、0℃、20℃、40℃和60℃),然后在各试验温度下对组成Ⅳ型管束瓶的所有材料(详见表2)实施力学和热力学性能测试,获取不同试验温度下各材料的力学和热力学性能数据。其中,力学性能数据包括强度、弹性模量和剪切模量;热力学性能数据包括导热系数、比热容和热膨胀系数。值得注意的是,玻璃纤维/碳纤维增强树脂基复合材料(以下分别简称GFRP和CFRP)的力学和热力学性能需要考虑其各向异性。此处以CFRP的导热系数为例,给出了其纤维方向和垂直纤维方向的数据,如图4所示。
表2Ⅳ型管束瓶内各结构的材料
步骤2:基于步骤1的测试数据,利用数据驱动方法建立Ⅳ型管束瓶各材料在服役温度范围内的力学和热力学性能预测模型。本实例采用的数据驱动模型为神经网络,其具体结构如图5所示,包含三个输入和一个输出。需要注意的是,材料的各类性能数据数值差异很大,比如CFRP的热膨胀系数的数量级为10-6,而其强度数据的数量级为103,不利于神经网络的权重参数调整。为获得准确的预测结果,本实例依次对涉及的六种性能单独训练图5所示的神经网络。此处以导热系数为例,说明步骤2的详细实施过程。
步骤201:将步骤1中得到的四种材料的导热系数数据整理成模型输入变量+模型输出变量的形式,从而作为数据驱动模型的数据集,其中模型输入变量为材料种类、材料方向和试验温度,模型输出变量为对应的导热系数数据。其中,GFRP/CFRP考虑其性能三向正交异性,高密度聚乙烯和316L不锈钢考虑为各向同性。
步骤202:基于步骤201中的数据集,从中随机抽取80%作为训练集提供给数据驱动模型,剩余20%则作为测试集。
步骤203:在训练集上利用网格搜索和交叉验证对神经网络进行超参数优化。在本实例的导热系数神经网络预测模型中,参与优化的超参数为隐层节点数和学习率,其优化范围分别为1~100和0.001~10,评价指标为均方根误差(RMSE),其值越小,则神经网络的预测能力越强。其优化结果如图6所示(仅展示RMSE<0.025的结果)。由图6可知,针对Ⅳ型管束瓶中各材料导热系数-温度的关系拟合,神经网络的最佳超参数组合为:26个隐层节点和0.01的学习率。
步骤204:先将步骤203中求得的最佳参数组合赋予神经网络,再在训练集上训练该模型,使其预测能力最大化。
步骤205:利用测试集评估完成训练的神经网络的泛化性能,结果如表3所示。步骤204中完成训练的神经网络在训练集和测试集上的RMSE较为接近,而且两者的值都很低,所以认为其泛化性能是可接受的,能够用于预测Ⅳ型管束瓶中各材料的导热系数随温度的变化规律。
表3步骤204中完成训练的神经网络的泛化性能
步骤3:利用步骤2中建立的预测模型,对Ⅳ型管束瓶中不同材料在不同温度下的性能进行预测,构建计及温度影响的Ⅳ型管束瓶材料的力学和热力学性能数据库。图7展示了本实例构建的CFRP导热系数数据库。
步骤4:采用计算流体力学方法模拟Ⅳ型管束瓶充氢过程,获取充氢过程中管束瓶内壁面所受的瞬态温度场载荷和瞬态压力场载荷。步骤4的详细实施过程如下所述。
步骤401:将Ⅳ型管束瓶内部流场空间离散,建立氢气的流场模型,如图8所示。
步骤402:依据实际充氢工况,合理设置流场模型的边界条件,详见表4。
表4流场模型的边界条件
步骤403:依据实际充氢工况,设置流场模型的初始状态是均匀的,其中氢气温度设为20℃,氢气压力设为3MPa。
步骤404:选用NIST Real Gas模型描述氢气在充装过程中的物理状态。
步骤405:选用k-ε湍流模型描述氢气在充装过程中的流动行为。
步骤406:设置流场模型的初始流动状态为基本静止的。
步骤407:将整个充氢过程在时间上离散,设置时间步长为10-3秒,记为Δt。
步骤408:利用基于压力的求解方法,在每个时间步长Δt内对流场模型进行迭代计算直至收敛,获得氢气在充装过程中所有离散时刻的温度场和压力场。
步骤409:提取步骤408中流-固界面处的数据,作为充氢过程中管束瓶内壁面所受的温度场载荷和压力场载荷。
步骤5:建立Ⅳ型管束瓶的有限元模型,将步骤3中构建的材料性能数据库和步骤4中得到的载荷数据分别作为材料参数和边界条件输入该模型,然后利用瞬态热固耦合技术进行迭代计算直至收敛,从而实现充氢过程中Ⅳ型管束瓶膨胀量的预测。步骤5的详细实施过程如下所述。
步骤501:将整个充氢过程在时间上离散,设置瞬态热固耦合迭代计算的时间步长为10-3秒,与步骤4中计算流体力学方法模拟充氢过程所用的时间步长一致,同样记为Δt;
步骤503:依据步骤502中设置的初始温度分布,从步骤3中构建的材料性能数据库中查找各材料在初始温度下的力学和热力学性能值,从而获得Ⅳ型管束瓶在t0时刻的力学和热力学性能分布:
式中:表示Ⅳ型管束瓶瓶身在t0时刻的力学性能分布;表示Ⅳ型管束瓶瓶身在t0时刻的热力学性能分布;表示t0时刻的力学性能分布函数;表示t0时刻的热力学性能分布函数;(θ',r',z')为柱坐标系下Ⅳ型管束瓶瓶身任意点的空间位置;
步骤513:对下一时刻t1+Δt(记为t2)重新实施步骤507~步骤512,其中各步骤的变量更新规则如下:
步骤507中所有t0时刻变量更新为t1时刻变量,具体为
t0→t1
步骤508中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t0→t1
t1→t2
步骤509中所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤510中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
步骤511中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤512中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤514:对之后所有离散时刻,以步骤513中的更新规则类推,直至充氢过程结束,最终可以获得整个充氢过程中Ⅳ型管束瓶膨胀变形过程:
式中:tm表示充氢过程的结束时刻;
步骤515:根据步骤514中得到的绘制Ⅳ型管束瓶有限元模型外壁面各节点在整个充氢过程中的膨胀位移-时间曲线,提取各曲线上的最大值,将这些最大值与管束瓶外壁面各位置一一对应,从而获得充氢过程中Ⅳ型管束瓶的最大膨胀变形量。
本实例获得的Ⅳ型管束瓶的最大径向膨胀变形位于管束瓶筒体段中部,其与管束瓶中轴线的距离从充氢前的369mm变化为374.2mm,膨胀量为5.2mm。因此,在设计装配该款Ⅳ型瓶的管束集装箱时,相邻瓶的间距不应低于10.4mm。
由上述实例可见,本发明公开的方法可以实现考虑不均匀温升影响的Ⅳ型管束瓶充氢膨胀量预测。
应该指出,数据驱动方法、计算流体力学方法、有限元过程及瞬态热固耦合技术的实现,不包含在本发明内;上述实施方法只是示意性的,任何不超过本发明权利要求的发明创造,均在本发明保护之内。
Claims (5)
1.一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,其特征在于,该方法包括以下步骤:
步骤1:在Ⅳ型管束瓶服役温度范围[Tlower-limit,Tupper-limit]内选取n个试验温度T1、T2…Tn,然后在各试验温度下对组成Ⅳ型管束瓶的所有材料M1、M2…Mk实施力学和热力学性能测试,获取不同试验温度下各材料的力学和热力学性能数据;
步骤2:基于步骤1的测试数据,利用数据驱动方法建立Ⅳ型管束瓶材料M1、M2…Mk在服役温度范围[Tlower-limit,Tupper-limit]内的力学和热力学性能预测模型:
式中:T表示Ⅳ型管束瓶服役温度范围[Tlower-limit,Tupper-limit]内的任意值;Mi表示Ⅳ型管束瓶材料M1、M2…Mk中的任意一个;表示材料Mi在温度T下的力学性能;表示材料Mi在温度T下的热力学性能;F1(·)和F2(·)表示数据驱动方法建立的关系函数;
步骤3:利用步骤2中建立的预测模型,对Ⅳ型管束瓶中不同材料在不同温度下的性能进行预测,构建计及温度影响的Ⅳ型管束瓶材料的力学和热力学性能数据库;
步骤4:采用计算流体力学方法模拟Ⅳ型管束瓶充氢过程,获取充氢过程中管束瓶内壁面所受的瞬态温度场载荷和瞬态压力场载荷:
式中:ti表示充氢过程中的第i个离散时刻,其值取决于计算流体力学方法所采用的时间步长Δt,即ti=i×Δt;表示Ⅳ型管束瓶内壁面在ti时刻所受的温度场载荷;表示Ⅳ型管束瓶内壁面在ti时刻所受的压力场载荷;表示计算流体力学方法得到的在ti时刻的温度分布函数;表示计算流体力学方法得到的在ti时刻的压力分布函数;(θ,r,z)为柱坐标系下Ⅳ型管束瓶内壁面任意点的空间位置;
步骤5:建立Ⅳ型管束瓶的有限元模型,将步骤3中构建的材料性能数据库和步骤4中得到的载荷数据分别作为材料参数和边界条件输入该模型,然后利用瞬态热固耦合技术进行迭代计算直至收敛,从而实现充氢过程中Ⅳ型管束瓶膨胀量的预测。
2.根据权利要求1所述的一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,其特征在于,所述步骤1中,获取的力学性能数据包括强度、弹性模量和剪切模量,获取的热力学性能数据包括导热系数、比热容和热膨胀系数。
3.根据权利要求1所述的一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,其特征在于,所述步骤2中,所述数据驱动方法的数据驱动模型采用神经网络、支持向量机或随机森林,其实施具体包括以下子步骤:
步骤201:将步骤1中得到的材料性能数据整理成模型输入变量+模型输出变量的形式,从而作为数据驱动模型的数据集,其中模型输入变量为材料种类、材料方向和试验温度,模型输出变量为力学和热力学性能;
步骤202:基于步骤201中的数据集,从每种材料的性能数据中随机抽取80%作为训练集提供给数据驱动模型,剩余20%则作为测试集;
步骤203:在训练集上利用网格搜索和交叉验证对数据驱动模型进行超参数优化,以获得求解Ⅳ型管束瓶材料性能-温度的关系的最佳参数组合;
步骤204:先将步骤203中求得的最佳参数组合赋予数据驱动模型,再在训练集上训练该模型,使其预测误差最小;
步骤205:利用测试集评估完成训练的模型的泛化性能,若其泛化性能是可接受的,则获得可用的材料性能预测模型,反之,则重新进行步骤203~步骤205。
4.根据权利要求1所述的一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,其特征在于,所述步骤4中,计算流体力学方法的实施具体包括以下子步骤:
步骤401:将Ⅳ型管束瓶内部流场空间离散,建立氢气的流场模型;
步骤402:依据实际充氢工况,设置流场模型的边界条件,包括入口边界条件和流-固界面边界条件,其中入口边界条件包括入射氢气的温度和速率,流-固界面边界条件包括管束瓶瓶身平均导热系数、管束瓶外壁面-外界环境之间的对流换热系数和外界环境温度;
步骤403:依据实际充氢工况,设置流场模型的初始状态参数,包括氢气在充氢过程初始时刻的温度场和压力场:
式中:t0表示充氢过程的初始时刻;表示氢气在t0时刻的温度场;表示氢气在t0时刻的压力场;表示氢气在t0时刻的温度分布函数;表示氢气在t0时刻的压力分布函数;(θ*,r*,z*)为柱坐标系下流场模型任意点的空间位置;
步骤404:选用气体状态方程描述氢气在充装过程中的物理状态;
步骤405:选用湍流模型描述氢气在充装过程中的流动行为;
步骤406:设置流场模型的初始流动状态;
步骤407:将整个充氢过程在时间上离散,设置时间步长,记为Δt;
步骤408:利用基于压力的求解方法,在每个时间步长Δt内对流场模型进行迭代计算直至收敛,获得氢气在充装过程中所有离散时刻的温度场和压力场:
式中:tm表示充氢过程的结束时刻;
步骤409:提取步骤408中流-固界面处的数据,作为充氢过程中管束瓶内壁面所受的温度场载荷和压力场载荷。
5.根据权利要求1所述的一种考虑不均匀温升的Ⅳ型管束瓶充氢膨胀量预测方法,其特征在于,所述步骤5中,瞬态热固耦合技术的迭代计算具体包括以下子步骤:
步骤501:将整个充氢过程在时间上离散,设置瞬态热固耦合迭代计算的时间步长与步骤4中计算流体力学方法模拟充氢过程所用的时间步长一致,同样记为Δt;
步骤503:依据步骤502中设置的初始温度分布,从步骤3中构建的材料性能数据库中查找各材料在初始温度下的力学和热力学性能值,从而获得Ⅳ型管束瓶在t0时刻的力学和热力学性能分布:
式中:表示Ⅳ型管束瓶瓶身在t0时刻的力学性能分布;表示Ⅳ型管束瓶瓶身在t0时刻的热力学性能分布;表示t0时刻的力学性能分布函数;表示t0时刻的热力学性能分布函数;(θ',r',z')为柱坐标系下Ⅳ型管束瓶瓶身任意点的空间位置;
步骤513:对下一时刻t2=t1+Δt重新实施步骤507~步骤512,其中各步骤的变量更新规则如下:
步骤507中所有t0时刻变量更新为t1时刻变量,具体为
t0→t1
步骤508中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t0→t1
t1→t2
步骤509中所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤510中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
步骤511中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤512中所有t0时刻变量更新为t1时刻变量,所有t1时刻变量更新为t2时刻变量,具体为
t1→t2
步骤514:对之后所有离散时刻,以步骤513中的更新规则类推,直至充氢过程结束,最终获得整个充氢过程中Ⅳ型管束瓶膨胀变形过程:
式中:tm表示充氢过程的结束时刻;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111167017.2A CN113836840B (zh) | 2021-10-01 | 2021-10-01 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111167017.2A CN113836840B (zh) | 2021-10-01 | 2021-10-01 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836840A true CN113836840A (zh) | 2021-12-24 |
CN113836840B CN113836840B (zh) | 2023-10-20 |
Family
ID=78968172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111167017.2A Active CN113836840B (zh) | 2021-10-01 | 2021-10-01 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836840B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509951A (zh) * | 2022-04-21 | 2022-05-17 | 浙江浙能航天氢能技术有限公司 | 一种基于神经网络的加氢自适应控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105527400A (zh) * | 2015-12-31 | 2016-04-27 | 中国计量学院 | 一种检测储氢合金粉末吸氢过程体积变化的装置 |
KR101671694B1 (ko) * | 2015-08-19 | 2016-11-02 | 광주과학기술원 | 수소 센서의 제조방법 및 이에 의해 제조된 수소 센서 |
US20210118530A1 (en) * | 2019-05-27 | 2021-04-22 | Beijing University Of Technology | Multi-scale method for simulating mechanical behaviors of multiphase composite materials |
CN113378385A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种预测回火对加钒钢制筒节极限载荷影响的方法 |
-
2021
- 2021-10-01 CN CN202111167017.2A patent/CN113836840B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101671694B1 (ko) * | 2015-08-19 | 2016-11-02 | 광주과학기술원 | 수소 센서의 제조방법 및 이에 의해 제조된 수소 센서 |
CN105527400A (zh) * | 2015-12-31 | 2016-04-27 | 中国计量学院 | 一种检测储氢合金粉末吸氢过程体积变化的装置 |
US20210118530A1 (en) * | 2019-05-27 | 2021-04-22 | Beijing University Of Technology | Multi-scale method for simulating mechanical behaviors of multiphase composite materials |
CN113378385A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种预测回火对加钒钢制筒节极限载荷影响的方法 |
Non-Patent Citations (2)
Title |
---|
沈海仁;安刚;郑传祥;王亮;: "复合材料高压储氢气瓶快速充放氢过程中的温度效应研究", 化工装备技术, no. 04 * |
黄淞;陈志平;李尤;: "热-机载荷作用下随动强化管道安定性分析的改进数值方法", 机械强度, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509951A (zh) * | 2022-04-21 | 2022-05-17 | 浙江浙能航天氢能技术有限公司 | 一种基于神经网络的加氢自适应控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113836840B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramirez et al. | 700 bar type IV high pressure hydrogen storage vessel burst–Simulation and experimental validation | |
Suryan et al. | Three dimensional numerical computations on the fast filling of a hydrogen tank under different conditions | |
Alam et al. | Design and development of a filament wound composite overwrapped pressure vessel | |
Garrison et al. | Optimization of internal heat exchangers for hydrogen storage tanks utilizing metal hydrides | |
CN108090963A (zh) | 一种纤维增强复合材料在低温下热残余应力的数值计算方法 | |
Nachtane et al. | An overview of the recent advances in composite materials and artificial intelligence for hydrogen storage vessels design | |
CN113836840B (zh) | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 | |
Kisioglu | Burst pressure determination of vehicle toroidal oval cross-section LPG fuel tanks | |
Alam et al. | A study of residual burst strength of composite over wrapped pressure vessel due to low velocity impact | |
Lv et al. | Study on the methodology for evaluating the filling quality of type III hydrogen storage cylinders | |
Gąsior et al. | Validation of selected optical methods for assessing polyethylene (PE) liners used in high pressure vessels for hydrogen storage | |
Ma et al. | Modeling and verification of a RANCF fluid element based on cubic rational bezier volume | |
Regassa et al. | Composite overwrapped pressure vessel design optimization using numerical method | |
Li et al. | Towards fast and safe hydrogen filling for the fuel vehicle: A variable mass flow filling strategy based on a real-time thermodynamic model | |
Shibahara et al. | Approach to automation of line heating by combination of reinforcement learning and finite element method simulation | |
Nebe et al. | In situ characterization methodology for the design and analysis of composite pressure vessels | |
Li et al. | Research on Temperature Rise of Type IV Composite Hydrogen Storage Cylinders in Hydrogen Fast-Filling Process | |
Fang et al. | Response surface method based on uniform design and weighted least squares for non‐probabilistic reliability analysis | |
Li et al. | Optimal design of thin-layered composites for type IV vessels: Finite element analysis enhanced by ANN | |
Yong et al. | The influence of fast filling on the residual stress of composite overwrapped pressure vessel for hydrogen | |
Teng et al. | Structural performance optimization and verification of an improved thin-walled storage tank for a Pico-satellite | |
Iwasaki et al. | Methodology to analyse carbon fibre/epoxy composite pressure vessel based on finite element modelling and classical laminated theory | |
CN115408948B (zh) | 一种氢气加注的最优策略确定方法、系统及电子设备 | |
Shi et al. | Analysis and optimization of M‐shaped boom based on response surface method | |
Sakata et al. | Development of fast fabrication method for cylindrical-shaped grids and mechanical properties of CFRP pressure vessel reinforced with cylindrical-shaped grids |
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 |