CN113987947A - 一种高压燃油过滤器及其仿真设计优化方法 - Google Patents
一种高压燃油过滤器及其仿真设计优化方法 Download PDFInfo
- Publication number
- CN113987947A CN113987947A CN202111290871.8A CN202111290871A CN113987947A CN 113987947 A CN113987947 A CN 113987947A CN 202111290871 A CN202111290871 A CN 202111290871A CN 113987947 A CN113987947 A CN 113987947A
- Authority
- CN
- China
- Prior art keywords
- filter
- flow
- optimization
- pressure fuel
- particles
- 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 67
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 239000000446 fuel Substances 0.000 title claims abstract description 53
- 238000004088 simulation Methods 0.000 title claims abstract description 48
- 238000013461 design Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 116
- 239000012530 fluid Substances 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000000737 periodic effect Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 239000012071 phase Substances 0.000 claims description 32
- 230000035772 mutation Effects 0.000 claims description 18
- 239000007787 solid Substances 0.000 claims description 15
- 239000007791 liquid phase Substances 0.000 claims description 13
- 239000000295 fuel oil Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 239000012535 impurity Substances 0.000 claims description 10
- 239000011148 porous material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000005514 two-phase flow Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 8
- 239000002923 metal particle Substances 0.000 claims description 7
- 239000007790 solid phase Substances 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 25
- 239000007788 liquid Substances 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static 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
- 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
- G06N3/02—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高压燃油过滤器及其仿真设计优化方法,方法具体包括:将过滤孔的尺寸、分布方式及数量作为优化变量,将过滤效果及流动压降作为优化指标,采用计算流体力学方法对周期性过滤单元内连续相和外掺颗粒两相运动进行了流体动力学仿真计算,利用人工神经网络预测优化函数,建立多目标优化模型,采用NSGA‑Ⅱ多目标遗传算法对多目标进行优化,获得Pareto前沿解集。最后选取优化解,优化解参数包括滤孔的尺寸、分布方式及数量,将这些参数作为过滤器设计参数,完成新型高压燃油过滤器的制造。这种设计优化方法可以有效地提高过滤器的过滤效率,同时保证过滤器进出口压降损失较小,提高了过滤器的性能。
Description
技术领域
本发明属于燃油机燃油预处理领域,具体涉及一种高压燃油过滤器及其仿真设计优化方法。
背景技术
高压泵中的动静件间的摩擦会产生金属微粒进入燃油,此外燃油以高速流过金属管道时,会对金属表面上的粗糙微细颗粒起到剪切作用,这些都导致高压油中会含有几微米到几十微米的金属微细颗粒。这些杂质如果不能有效地过滤,会严重影响喷油器的工作。这些金属微粒的大小为几微米到几十微米,它们随着高压粘性流体运动,形成特殊的液固两相流动。如果不能给予基本过滤掉而进入到喷油器中,会大大影响喷油器的寿命。
现有的燃油机高压共轨燃油喷射系统内的燃油喷头内设置有缝隙式滤芯,只能用于粗略地过滤遗漏杂质,并不能实现对燃油的精细过滤,颗粒杂质的过滤问题严重影响着各个部件的效率和寿命。采用新型高压燃油过滤器(CN205868583U)可有效地过滤燃油的杂质颗粒,同时保证过滤器进出口压降损失较小,但是过滤效率较高和压降损失较小这两个目标存在着矛盾。所以新型高压燃油过滤器的设计的参数需要进一步确定并优化,以提高过滤器的性能。
发明内容
为了解决现有技术中存在的问题,本发明提供种一种高压燃油过滤器及其仿真设计优化方法,所述设计方法不但可满足对燃油的精细过滤,还可保证过滤器进出口压降损失较小,适用但不限于燃油机高压共轨燃油喷射系统。
为了实现上述目的,本发明采用的技术方案是:一种高压燃油过滤器的仿真设计优化方法,以下几个步骤:
S100,定义过滤器的优化变量:滤孔分布区域x1、过滤孔数量x2和过滤孔的孔径x3;
S200,对过滤器模型进行周期化单元划分,将一个环形的周期性的过滤单元计算域作为滤元,对周期性滤元计算域进行网格划分,得到滤元模型;
S300,根据过滤器的优化变量的范围,确定计算域边界条件;
S400,采用抽样方法选取变量滤孔分布区域x1和过滤孔数量x2的组合样本点,并分别与符合工业实际参数的孔径x3进行组合,建立仿真实验模型;
S500,根据实验数据采用Rosin-Rammler分布函数拟合过滤器入口处进入的颗粒粒径分布;
S600,根据S300得到的计算域边界条件和S500得到颗粒粒径分布,将S200建立的滤元模型作为计算域,采用欧拉-拉格朗日方法进行流体动力学仿真,计算样本数量与S400所建立的仿真实验模型一致,将得到的仿真计算的过滤器压降因子P、颗粒滤出因子f作为优化目标;
S700,采用BP人工神经网络模型对样本仿真结果数据集的学习,建立输入变量滤孔分布区域x1、过滤孔数量x2、孔径x3与输出变量过滤器压降因子P、颗粒滤出因子f的非线性预测模型;
S800,采用带有精英策略的非支配排序遗传算法寻找非线性预测模型的全局最优解,通过遗传变异保证全局搜索过程中种群多样性和种群水平的提升,最终得到帕累托前沿解集;
S900,在帕累托前沿解集中选取最优值,综合考量流动压降和过滤效率两个指标的重要性,将最优值取在曲线的拐点处,得到此点处的优化变量滤孔分布区域x1、过滤孔数量x2以及孔径x3的数值,最终高压燃油过滤器的设计参数。
S100中,滤孔分布区域x1根据雷诺数的大小分为高雷诺数区域和低雷诺数区域,其中雷诺数大于20000为高雷诺数区域,小于20000为低雷诺数区域。
S200中,将整个过滤器进行周期化单元划分,简化为过滤器内表面附近的滤元模型进行仿真计算;其中包括压力入口、过滤器内部的质量流量出口、过滤器外部的质量流量出口和旋转周期性边界条件,滤元所对应的圆心角为12°,掺杂金属颗粒的高压燃油在过滤器内部由压力入口流入计算流域,经具有壁厚的过滤孔过滤后,液相燃油以及未被过滤掉的杂质颗粒到达过滤器外部,在出口处流出;被过滤掉的杂质颗粒随剩余的液相燃油由出口流入下一个滤元。
S300中,滤器内壁面处的流场速度在轴向方向变化较大,所以单个过滤孔所在的位置决定过滤器内近壁面处的轴向流量,即过滤器内部出口的质量流量,根据内部出口质量流量的大小,将单个过滤孔所在的位置依据流速划分为低雷诺数区域和高雷诺数区域,流经过滤器总流量确定,并且每个过滤孔流量基本相同,所以过滤孔的数量可以决定单个过滤孔流量的大小,即过滤器外部出口质量流量的大小。
所述步骤S600中,采用欧拉-拉格朗日方法进行液固两相流计算,具体方法为将液相流体作为连续相,将固相颗粒作为离散相,结合连续相的控制方程、流体的应力-应变张量以及每个流体网格中粒子作用于网格的平均力,得到流体压力和流速的分布;
离散相模型采用拉格朗日方法进行颗粒示踪,将颗粒以质量点的方式进行近似,根据离散相控制方程,考虑连续相和离散型两相间的相互作用求解颗粒分布,通过两相交替迭代计算,同时采用球形固体颗粒曳力控制方程求解出曳力系数Cd:
其中a1、α2和a3可近似为常数。
所述步骤S600中,过滤器压降因子P、颗粒滤出因子f分别由过滤器进出口压降ΔP和颗粒滤出率fh归一化处理后得到,同时优化变量x1、x2和x3需要进行归一化处理,归一化处理公式为:
颗粒滤出率fh为:
其中,α0为进入滤元的颗粒总数,α1为从出口Γ3流出的颗粒数目。
所述步骤S700中,采用误差反向传播算法作为神经网络的训练方法,对高压过滤器的压降和过滤特性进行了预测,该预测模型具有2层隐藏层,神经元之间全连接,隐藏层神经网络的激活函数为sigmoid函数,采用2×5×5×2的神经网络拓扑结构,使用平均绝对误差作为神经网络的损失函数,使用随机梯度下降优化器,动量因子设置为0.9,学习率设置为0.05。
所述步骤S800中,设置选择优化算法中的参数为:算子二元锦标赛,种群规模为100个,最大迭代代数为200代,交叉算子为模拟二进制交叉,交叉概率为0.8,变异算子为多项式变异,变异概率为0.1。
所述步骤S800中,具体流程为:创建初始父代总体Q0,进行快速非支配排序得到所有不同等级的非支配解集Z1、Z2、Z3…;根据适应度得到前N个解P0,由P0和Q0组成新的种群R0;新的父代群体Q1通过R0的交叉与变异得到;重复以上步骤直到迭代结束。
基于本发明所述仿真设计优化方法得到的高压燃油过滤器,过滤器参数分别为为高速区,为27000,为35μm;为低速区,为27000,为30μm;在过滤器低流速区域采用直径30μm过滤孔,在过滤器高流速区域采用35μm过滤孔,过滤孔总数量为27000。
与现有技术相比,本发明至少具有以下有益效果:本发明所述方法能够代替实物实验,为高压燃油过滤器的设计研发提供一种系统性的仿真优化设计方法;同时由于过滤器特征较为复杂,本发明通过简化全流域仿真,采用人工神经网络预测的多目标优化方法得到最优参数集,可以根据实际需求在最优参数集中选取所需的设计参数,大大缩短了高压燃油过滤器的设计研发时间,填补了高压燃油过滤器系统性优化设计方法的空白;
本发明基于液固两相流仿真、人工神经网络预测的多目标优化模型提供一种优化设计方法;本方法以简化后的过滤器流域边界条件变量代表过滤器结构的结构参数优化变量,采用欧拉-拉格朗日计算流体动力学方法准确地模拟不同结构参数过滤器的压降和过滤情况,并以此作为优化指标得到优化变量所对应的优化指标数据集,通过人工神经网络预测的多目标优化模型得到最优解集,根据实际情况和要求选择所需要的优化参数,所得到的优化参数可以有效地提高高压燃油过滤器的过滤效率,同时保证过滤器进出口压降损失较小,提高了过滤器的性能,具有很好的科学意义与工程应用前景。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施例,并与文字描述一起来阐释本发明的原理。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为本发明实施例提供的高压燃油过滤器的仿真设计优化方法流程示意图。
图2为新型高压燃油过滤器的全剖示意图。
图3为过滤器周期性滤元的模型示意图。
图4为本发明实施例中的优化算法流程示意图。
图5为本发明实施例中的帕累托(Pareto)前沿解集示意图。
图6为本发明实施例中验证优化结果的速度分布和颗粒轨迹的仿真云图。
具体实施方式
下面将结合附图对本发明的具体实施例进行详细说明。在下面的描述中,出于解释而非限制性的目的,阐述了具体细节,以帮助全面地理解本发明。然而,对本领域技术人员来说显而易见的是,也可以在脱离了这些具体细节的其它实施例中实践本发明。
在此需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示
出了与根据本发明的方案密切相关的设备结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明提供了一种新型高压燃油过滤器的设计优化方法,这种设计优化方法可以有效地提高过滤器的过滤效率,同时保证过滤器进出口压降损失较小,提高了过滤器的性能。具体的如图1所示,该方法包括以下步骤:
S100,定义过滤器的优化变量:滤孔分布区域x1、过滤孔数量x2和过滤孔的孔径x3。
其中滤孔分布区域x1根据雷诺数的大小分为高雷诺数区域和低雷诺数区域,其中雷诺数大于20000为高雷诺数区域101,小于20000为低雷诺数区域102。
S200,为了研究过滤器内表面附近连续相中的流体和外掺颗粒运动的流体动力学,对过滤器模型进行周期化单元划分,将一个环形的周期性的过滤单元计算域简称为滤元,对周期性滤元计算域进行网格划分。
将整个过滤器进行周期化单元划分,简化为过滤器内表面附近的滤元模型进行仿真计算。其中包括压力入口201、过滤器内部207的质量流量出口202、过滤器外部206的质量流量出口203、第一旋转周期性边界条件204、第二旋转周期性边界条件205和滤元所对应的圆心角209。参杂金属颗粒的高压燃油在过滤器内部由压力入口201流入计算流域,经具有壁厚的过滤孔208过滤后,液相燃油以及未被过滤掉的杂质颗粒到达过滤器外部206,在出口处203流出;被过滤掉的杂质颗粒随剩余的液相燃油由出口203流入下一个滤元。
S300,根据过滤器的优化变量的范围,确定计算域边界条件的范围。
滤器内壁面处的流场速度在轴向方向变化较大,所以单个过滤孔所在的位置可以决定过滤器内近壁面处的轴向流量,即过滤器内部出口202的质量流量。根据内部出口202质量流量的大小,可以将单个过滤孔所在的位置依据流速划分为低雷诺数区域102和高雷诺数区域101。流经过滤器总流量确定,并且每个过滤孔流量基本相同,所以过滤孔的数量可以决定单个过滤孔流量的大小,即过滤器外部出口203质量流量的大小。
S400,采用拉丁超立方抽样方法选取变量滤孔分布区域x1和过滤孔数量x2的组合样本点,并分别与符合工业实际参数的孔径x3进行组合,建立仿真实验方案。
S500,根据实验数据采用Rosin-Rammler分布函数拟合过滤器入口处进入的颗粒粒径分布。
实际中颗粒的粒径并不是统一的,其中Rosin-Rammler分布函数尤其适合对于颗粒粉体的粒径分布情况,Rosin-Rammler分布函数为:
其中,R(DP)为颗粒粒径的累积分布;Dp为实际直径,De为特征直径,反映颗粒的粗细程度;n为均匀性指数,表示粒度分布范围的宽窄程度。
根据实验数据拟合得到:De=10.036,n=0.368。
S600,根据S300得到的边界条件和S500得到颗粒粒径分布,将S200建立的滤元模型作为计算域,采用欧拉-拉格朗日方法进行流体动力学仿真,计算样本数量与S400所得到的实验方案一致;将得到的仿真计算结果过滤器压降因子P、颗粒滤出因子f作为优化目标。
采用欧拉-拉格朗日方法进行液固两相流计算,具体方法为将液相流体作为连续相,将固相颗粒作为离散相。
连续相的控制方程描述为:
离散相模型是采用拉格朗日方法进行颗粒示踪,当固体颗粒的体积分数小于10%时,该方法被认为是合适的。忽略颗粒间的碰撞,将颗粒以质量点的方式进行近似,控制方程为式如下:
固相颗粒在固液两相流场中运动时Fd主要为曳力,G为重力、Fx为其他附加力,包括附加质量力、压力梯度引起的附加力,Saffman升力、Magnus升力和Basset力等。
充分考虑两相间的相互作用求解颗粒分布,通过两相交替迭代计算,同时采用球形固体颗粒曳力,控制方程为:
其中a1、a2和a3可近似为常数。
颗粒滤出率fh为:
其中,α0为进入滤元的颗粒总数,α1为从出口Γ3流出的颗粒数目。
过滤器压降因子P、颗粒滤出因子f分别由过滤器进出口压降ΔP和颗粒滤出率fh归一化处理后得到。同时优化变量x1、x2和x3也进行归一化处理。归一化处理公式为:
S700,采用BP人工神经网络模型对样本仿真结果数据集的学习,建立输入变量x1、x2、x3与输出变量过滤器压降因子P、颗粒滤出因子f的非线性预测模型。
采用2×5×5×2的神经网络拓扑结构,使用平均绝对误差(MSE)作为神经网络的损失函数,使用随机梯度下降(SGD)优化器,动量因子设置为0.9,学习率设置为0.05。
S800,采用带有精英策略的非支配排序遗传算法(NGSA-Ⅱ)对人工神经网络的全局最优解进行寻找,通过遗传变异保证全局搜索过程中种群多样性和种群水平的提升,最终得到帕累托(Pareto)前沿解集。
具体流程为:创建初始父代总体Q0,进行快速非支配排序得到所有不同等级的非支配解集Z1、Z2、Z3…;根据适应度得到前N个解P0,由P0和Q0组成新的种群R0;新的父代群体Q1通过R0的交叉与变异得到;重复以上步骤直到迭代结束。设置选择优化算法中的参数为:算子二元锦标赛,种群规模为100个,最大迭代代数为200代,交叉算子为模拟二进制交叉(SBX),交叉概率为0.8,变异算子为多项式变异(polynomial mutation),变异概率为0.1。
模拟二进制交叉(SBX):
x1j(t)=0.5×[(1+γj)x1j(t)+(1-γj)x2j(t)]
x2j(t)=0.5×[(1+γj)x1j(t)+(1-γj)x2j(t)]
其中
多项式变异(polynomial mutation):
x1j(t)=x1j(t)+Δj
其中
其中x(t)表示一个父类,η是分布指数,u是介于0和1之间的随机数。
S900,在帕累托(Pareto)前沿解集中选取最优值,综合考量2个指标的重要性,将最优值取在曲线的拐点处,得到此点处的优化变量x1、x2和x3的数值,作为新型高压燃油过滤器的设计参数。
为了便于理解上述技术方案,本发明实施例提供上述一种新型高压燃油过滤器的仿真设计优化的应用实例,具体的,通过以下步骤实现:
步骤一:确定优化参数的取值范围及样本参数范围。
步骤1.1确定优化参数的取值范围。
在本实例中,过滤器形状如图2所示,滤器内壁面处的流场速度在轴向方向变化较大,所以单个过滤孔所在的位置可以决定过滤器内近壁面处的轴向流量,即过滤器内部出口(202)的质量流量。根据内部出口202质量流量的大小,可以将单个过滤孔所在的位置依据流速划分为低雷诺数区域102和高雷诺数区域101。流经过滤器总流量确定,并且每个过滤孔流量基本相同,所以过滤孔的数量可以决定单个过滤孔流量的大小,即过滤器外部出口203质量流量的大小。
定义优化变量:轴向流速(滤孔分布区域)、过滤孔数量和过滤孔的孔径为x1、x2和x3。根据计算,内部出口202的质量流量范围为3.33×10-3kg/m3-1.667×10-2kg/m3,所对应的优化变量x1为x1∈(5000,100000);外部出口(203)的质量流量取值范围为2×10-4kg/m3-3.33×10-5kg/m3,所对应的优化变量x2范围为x2∈(5000,30000);优化变量x3取值为范围为x3∈(20μm,50μm)。
步骤1.2确定样本参数范围
为了获得优化变量与优化指标之间的映射关系,需要进行试验设计,其目的在于尽可能获得能够代表优化变量空间的抽样样本。对于含有3个优化变量的优化问题,拉丁超立方抽样方法具有较好的代表性。用拉丁超立方抽样方法选取变量x1和x2的组合样本点20个,并分别与符合工业实际参数的4组x3进行组合,共80个样本点。
步骤二:对单个滤元计算域进行固液两相流仿真,得到样本条件对应优化目标的数据集。
步骤2.1对单个滤元计算域进行划分和网格建立。
为了研究过滤器内表面附近连续相中的流体和外掺颗粒运动的流体动力学,对环形的周期性过滤单元计算域进行了模拟(将一个周期性的过滤单元计算域简称为滤元,如图3所示),以获得不同优化变量条件下的流动参数。一个过滤单元的流域模型包括压力入口201、过滤器内部207的质量流量出口202、过滤器外部206的质量流量出口203、旋转周期性边界条件204和205和滤元所对应的圆心角209,则一个周期性滤元模型包含两列共20个过滤孔。参杂金属颗粒的高压燃油在过滤器内部由压力入口201流入计算流域,经具有壁厚的过滤孔208过滤后,液相燃油以及未被过滤掉的杂质颗粒到达过滤器外部206,在出口203流出;被过滤掉的杂质颗粒随剩余的液相燃油由出口203流入下一个滤元。
步骤2.2采用欧拉-拉格朗日方法在计算域内进行固液两相流仿真计算。
采用欧拉-拉格朗日方法进行液固两相流,入口201的压力为1800bar。具体方法为将液相流体作为连续相,将固相颗粒作为离散相进行模拟。忽略颗粒间的碰撞,将颗粒以质量点的方式进行近似,充分考虑两相间的相互作用求解颗粒分布,通过两相交替迭代计算。在CFD-DPM方法中对液体介质采用欧拉方法,将连续相的控制方程描述为:
离散相模型是采用拉格朗日方法进行颗粒示踪,当固体颗粒的体积分数小于10%时,该方法被认为是合适的。忽略颗粒间的碰撞,将颗粒以质量点的方式进行近似,控制方程为
固相颗粒在固液两相流场中运动时Fd主要为曳力,G为重力、Fx为其他附加力,包括附加质量力、压力梯度引起的附加力,Saffman升力、Magnus升力和Basset力。
本文中过滤器内速度梯度和压力梯度较大,所以考虑压力梯度引起的附加力,Saffman升力的影响。同时采用最常用的球形固体颗粒曳力,控制方程为:
其中a1、a2和a3可近似为常数。
过滤器内速度梯度和压力梯度较大,所以考虑压力梯度引起的附加力,Saffman升力的影响。
其中,压力梯度引起的附加力为:
Saffman升力为:
采用Rosin-Rammler分布函数拟合过滤器入口处进入的颗粒粒径分布。
其中,R(DP)为颗粒粒径的累积分布;Dp为实际直径,De为特征直径,反映颗粒的粗细程度;n为均匀性指数,表示粒度分布范围的宽窄程度。根据实验数据拟合得到:De=10.036,n=0.368,粒径范围为5μm-50μm。
计算80个样本的压降及颗粒运动轨迹。将得到的仿真计算结果过滤器压降因子P、颗粒滤出因子f作为优化目标。
步骤2.3对仿真结果参数数据集进行处理归纳。
颗粒滤出率fh为:
其中,α0为进入滤元的颗粒总数,α1为从出口Γ3流出的颗粒数目。
过滤器压降因子P、颗粒滤出因子f分别由过滤器进出口压降ΔP和颗粒滤出率fh归一化处理后得到。同时优化变量x1、x2和x3也需要进行归一化处理。归一化处理公式为:
步骤三:采用人工神经网络预测的多目标优化模型对优化参数进行优化处理。
3.1采用人工神经网络对样本仿真结果数据集学习,建立优化变量与优化目标的非线性预测模型。
获得实验数据,分别将80%、20%的数据作为神经网络的训练集、测试集,进行监督学习。
本此采用误差反向传播算法(BPNN)作为神经网络的训练方法,对高压过滤器的压降和过滤特性进行了预测。该预测模型具有2层隐藏层,神经元之间全连接。隐藏层神经网络的激活函数为sigmoid函数:
式中,s(x)为神经元的输出值;x为输出变量。
采用2×5×5×2的神经网络拓扑结构,使用平均绝对误差(MSE)作为神经网络的损失函数,使用随机梯度下降(SGD)优化器,动量因子为0.9,学习率为0.05。预测值与实验值吻合良好,均方误差小于5%。
3.2采用遗传算法(NGSA-Ⅱ)对人工神经网络的全局最优解进行寻找,得到帕累托(Pareto)前沿解集。
由于人工神经网络的预测模型不具备梯度信息,采用遗传算法对人工神经网络的全局最优解进行寻找。以人工神经网络的预测作为个体适应度值,当种群进行进化时,最优个体不断地进行进化和迭代,最终获得最优解。
算法流程如图4所示,具体流程为:创建初始父代总体Q0,进行快速非支配排序得到所有不同等级的非支配解集Z1、Z2、Z3…;根据适应度得到前N个解P0,由P0和Q0组成新的种群R0;新的父代群体Q1通过R0的交叉与变异得到;重复以上步骤直到迭代结束。设置选择优化算法中的参数为:算子二元锦标赛,种群规模为100个,最大迭代代数为200代,交叉算子为模拟二进制交叉(SBX),交叉概率为0.8,变异算子为多项式变异(polynomialmutation),变异概率为0.1。
模拟二进制交叉(SBX):
x1j(t)=0.5×[(1+γj)x1j(t)+(1-γj)x2j(t)]
x2j(t)=0.5×[(1+γj)x1j(t)+(1-γj)x2j(t)]
其中
多项式变异(polynomial mutation):
x1j(t)=x1j(t)+Δj
其中
其中x(t)表示一个父类,η是分布指数,u是介于0和1之间的随机数。
步骤四:选取优化参数,并进行流体动力学仿真验证。
4.1优化参数及其范围的选取。
采用NGSA-Ⅱ多目标遗传算法,求解过滤器器的人工神经网络模型,可以获得最优的Pareto前沿解集,将Pareto前沿解集投影到图中,如图5所示,可以比较直观地观察最优解集的规律。
参考图5,当过滤效果增加时,压降也相应增加。在选取最优值时,需要综合考量2个指标的重要性。本文认为2个指标的重要性相同,因此可将最优值取在曲线的拐点处。人工选取Pareto解的时候需要考虑工业实际生产和应用,所以选取点A-301和点B-302作为最优解,此时过滤器参数分别为为高速区,为27000,为35μm;为低速区,为27000,为30μm。所以在过滤器低流速区域采用直径30μm过滤孔,在过滤器高流速区域采用35μm过滤孔,过滤孔总数量为27000。
4.2采用仿真计算验证优化结果。
为了验证优化参数,采用过滤器整体的流动模型对采用优化参数的过滤器进行数值模拟。选取过滤器内外流域的四分之一作为旋转周期计算域,采用压力入口1800bar,质量流量出口0.0125kg/m3,液相燃油和固相颗粒的参数沿用上文的设定。采用计算流体力学方法对使用优化参数的过滤器整体流域内连续相和外掺颗粒两相运动进行计算,得到过滤器流域内的速度场和颗粒流动轨迹,如图6所示。通过过滤器整体仿真计算得到:过滤器出口流动压降小于10bar,5μm以上的颗粒过滤效率达到70%以上,25μm以上的颗粒过滤效率达到80%以上。验证了在选取优化参数下,过滤器的优化目标达到性能要求,可以在高达1800bar的高压工况下高效过滤燃油中的颗粒杂质,并同时保证流动压降没有较大的损失,燃油在流经过滤器后可以继续稳定地流动,保证了喷油器正常运行。
这些实施例的许多特征和优点根据该详细描述是清楚的,因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施例限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本发明未详细说明部分为本领域技术人员公知技术。
Claims (10)
1.一种高压燃油过滤器的仿真设计优化方法,其特征在于,以下几个步骤:
S100,定义过滤器的优化变量:滤孔分布区域x1、过滤孔数量x2和过滤孔的孔径x3;
S200,对过滤器模型进行周期化单元划分,将一个环形的周期性的过滤单元计算域作为滤元,对周期性滤元计算域进行网格划分,得到滤元模型;
S300,根据过滤器的优化变量的范围,确定计算域边界条件;
S400,采用抽样方法选取变量滤孔分布区域x1和过滤孔数量x2的组合样本点,并分别与符合工业实际参数的孔径x3进行组合,建立仿真实验模型;
S500,根据实验数据采用Rosin-Rammler分布函数拟合过滤器入口处进入的颗粒粒径分布;
S600,根据S300得到的计算域边界条件和S500得到颗粒粒径分布,将S200建立的滤元模型作为计算域,采用欧拉-拉格朗日方法进行流体动力学仿真,计算样本数量与S400所建立的仿真实验模型一致,将得到的仿真计算的过滤器压降因子P、颗粒滤出因子f作为优化目标;
S700,采用BP人工神经网络模型对样本仿真结果数据集的学习,建立输入变量滤孔分布区域x1、过滤孔数量x2、孔径x3与输出变量过滤器压降因子P、颗粒滤出因子f的非线性预测模型;
S800,采用带有精英策略的非支配排序遗传算法寻找非线性预测模型的全局最优解,通过遗传变异保证全局搜索过程中种群多样性和种群水平的提升,最终得到帕累托前沿解集;
S900,在帕累托前沿解集中选取最优值,综合考量流动压降和过滤效率两个指标的重要性,将最优值取在曲线的拐点处,得到此点处的优化变量滤孔分布区域x1、过滤孔数量x2以及孔径x3的数值,最终高压燃油过滤器的设计参数。
2.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,S100中,滤孔分布区域x1根据雷诺数的大小分为高雷诺数区域和低雷诺数区域,其中雷诺数大于20000为高雷诺数区域(101),小于20000为低雷诺数区域(102)。
3.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,S200中,将整个过滤器进行周期化单元划分,简化为过滤器内表面附近的滤元模型进行仿真计算;其中包括压力入口(201)、过滤器内部(207)的质量流量出口(202)、过滤器外部(206)的质量流量出口(203)和旋转周期性边界条件,滤元所对应的圆心角(209)为12°,掺杂金属颗粒的高压燃油在过滤器内部由压力入口(201)流入计算流域,经具有壁厚的过滤孔(208)过滤后,液相燃油以及未被过滤掉的杂质颗粒到达过滤器外部(206),在出口处(203)流出;被过滤掉的杂质颗粒随剩余的液相燃油由出口(203)流入下一个滤元。
4.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,S300中,滤器内壁面处的流场速度在轴向方向变化较大,所以单个过滤孔所在的位置决定过滤器内近壁面处的轴向流量,即过滤器内部出口(202)的质量流量,根据内部出口(202)质量流量的大小,将单个过滤孔所在的位置依据流速划分为低雷诺数区域(102)和高雷诺数区域(101),流经过滤器总流量确定,并且每个过滤孔流量基本相同,所以过滤孔的数量可以决定单个过滤孔流量的大小,即过滤器外部出口(203)质量流量的大小。
7.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,所述步骤S700中,采用误差反向传播算法作为神经网络的训练方法,对高压过滤器的压降和过滤特性进行了预测,该预测模型具有2层隐藏层,神经元之间全连接,隐藏层神经网络的激活函数为sigmoid函数,采用2×5×5×2的神经网络拓扑结构,使用平均绝对误差作为神经网络的损失函数,使用随机梯度下降优化器,动量因子设置为0.9,学习率设置为0.05。
8.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,所述步骤S800中,设置选择优化算法中的参数为:算子二元锦标赛,种群规模为100个,最大迭代代数为200代,交叉算子为模拟二进制交叉,交叉概率为0.8,变异算子为多项式变异,变异概率为0.1。
9.如权利要求1所述的高压燃油过滤器的仿真设计优化方法,其特征在于,所述步骤S800中,具体流程为:创建初始父代总体Q0,进行快速非支配排序得到所有不同等级的非支配解集Z1、Z2、Z3…;根据适应度得到前N个解P0,由P0和Q0组成新的种群R0;新的父代群体Q1通过R0的交叉与变异得到;重复以上步骤直到迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290871.8A CN113987947B (zh) | 2021-11-02 | 2021-11-02 | 一种高压燃油过滤器及其仿真设计优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290871.8A CN113987947B (zh) | 2021-11-02 | 2021-11-02 | 一种高压燃油过滤器及其仿真设计优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987947A true CN113987947A (zh) | 2022-01-28 |
CN113987947B CN113987947B (zh) | 2023-12-19 |
Family
ID=79745931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290871.8A Active CN113987947B (zh) | 2021-11-02 | 2021-11-02 | 一种高压燃油过滤器及其仿真设计优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987947B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925481A (zh) * | 2022-06-30 | 2022-08-19 | 江苏大学 | 一种基于能效指标的水力模型库离心泵性能提升方法 |
CN115434802A (zh) * | 2022-09-15 | 2022-12-06 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN116681268A (zh) * | 2023-08-03 | 2023-09-01 | 新仟意能源科技(成都)集团有限责任公司 | 过滤器生产线运行管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018169703A1 (en) * | 2017-03-16 | 2018-09-20 | Parker-Hannifin Corporation | Smart wireless fuel system monitor integrated into a fuel filter assembly t-handle |
CN108763638A (zh) * | 2018-04-20 | 2018-11-06 | 中国农业大学 | 一种面向调控内部流动的离心式过滤器结构优化方法 |
CN112446128A (zh) * | 2019-08-29 | 2021-03-05 | 卡尔·弗罗伊登伯格公司 | 用于预测过滤器的使用寿命的方法 |
-
2021
- 2021-11-02 CN CN202111290871.8A patent/CN113987947B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018169703A1 (en) * | 2017-03-16 | 2018-09-20 | Parker-Hannifin Corporation | Smart wireless fuel system monitor integrated into a fuel filter assembly t-handle |
CN108763638A (zh) * | 2018-04-20 | 2018-11-06 | 中国农业大学 | 一种面向调控内部流动的离心式过滤器结构优化方法 |
CN112446128A (zh) * | 2019-08-29 | 2021-03-05 | 卡尔·弗罗伊登伯格公司 | 用于预测过滤器的使用寿命的方法 |
Non-Patent Citations (1)
Title |
---|
张博琦;: "基于GT-Power的柴油颗粒过滤器性能的模拟研究", 汽车实用技术, no. 21 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925481A (zh) * | 2022-06-30 | 2022-08-19 | 江苏大学 | 一种基于能效指标的水力模型库离心泵性能提升方法 |
CN115434802A (zh) * | 2022-09-15 | 2022-12-06 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN115434802B (zh) * | 2022-09-15 | 2024-05-07 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN116681268A (zh) * | 2023-08-03 | 2023-09-01 | 新仟意能源科技(成都)集团有限责任公司 | 过滤器生产线运行管理方法及系统 |
CN116681268B (zh) * | 2023-08-03 | 2023-10-13 | 新仟意能源科技(成都)集团有限责任公司 | 过滤器生产线运行管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113987947B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113987947B (zh) | 一种高压燃油过滤器及其仿真设计优化方法 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
Alizadeh et al. | Ensemble of surrogates and cross-validation for rapid and accurate predictions using small data sets | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
CN107491840A (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN104881707A (zh) | 一种基于集成模型的烧结能耗预测方法 | |
Johanyák | Fuzzy modeling of thermoplastic composites' melt volume rate | |
Su et al. | Sparse scattered high performance computing data driven artificial neural networks for multi-dimensional optimization of buoyancy driven heat and mass transfer in porous structures | |
CN115238581A (zh) | 基于hml预测hvof涂层性能优化喷涂参数的方法 | |
CN113361047B (zh) | 面向多层感知结构的叶轮高维优化及选型方法 | |
Ma et al. | Rolling-optimized model predictive vibration controller for offshore platforms subjected to random waves and winds under uncertain sensing delay | |
Sánchez-Moreno et al. | Robustness of optimisation algorithms for transonic aerodynamic design | |
CN109597006B (zh) | 一种磁性纳米粒子测量位置的优化设计方法 | |
Zhu et al. | Developing robust nonlinear models through bootstrap aggregated deep belief networks | |
CN115017808A (zh) | 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法 | |
Marton et al. | Using predictive model for strategic control of multi-reservoir system storage capacity | |
Ramli et al. | Comparison of swarm adaptive neural network control of a coupled tank liquid level system | |
Lin et al. | The design of TSK‐type fuzzy controllers using a new hybrid learning approach | |
CN114444012A (zh) | 一种基于神经网络架构搜索的偏微分方程数值求解方法 | |
Virdi et al. | Feature selection with LASSO and VSURF to model mechanical properties for investment casting | |
CN111625962B (zh) | 基于排序预测的纳米光子学结构的群体优化方法及系统 | |
Safikhani et al. | Pareto optimization of two-element wing models with morphing flap using computational fluid dynamics, grouped method of data handling artificial neural networks and genetic algorithms | |
Namazian et al. | Numerical simulation of particle-gas flow through a fixed pipe, using one-way and two-way coupling methods |
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 |