CN114386188A - 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 - Google Patents
一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 Download PDFInfo
- Publication number
- CN114386188A CN114386188A CN202111594187.9A CN202111594187A CN114386188A CN 114386188 A CN114386188 A CN 114386188A CN 202111594187 A CN202111594187 A CN 202111594187A CN 114386188 A CN114386188 A CN 114386188A
- Authority
- CN
- China
- Prior art keywords
- valve
- valve clack
- model
- safety valve
- sealing
- 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
- 238000013461 design Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007789 sealing Methods 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000011160 research Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000565 sealant Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002076 thermal analysis 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]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Safety Valves (AREA)
Abstract
一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,属于核电安全阀阀瓣的优化设计领域,以核电安全阀的阀瓣为研究对象。优化设计方法为:首先,通过有限元仿真分析,计算安全阀正常工作状态下密封面的平均接触压力、接触宽度及阀瓣的最大等效应力;然后,选定阀瓣密封唇处的五个结构参数作为设计变量,选取样本点并获得响应值,构建克里金代理模型。以阀瓣的密封性能最好为优化目标,以阀瓣的最大等效应力作为约束条件,对阀瓣结构进行优化设计;最后,对优化后的阀瓣模型进行有限元仿真分析,对优化方法的精度进行验证并分析优化效果。本发明计算结果准确性高,能够实现阀瓣的密封性能的提升,密封接触强度提高36.30%,等效应力幅值减小37.60%。
Description
技术领域
本发明属于核电安全阀阀瓣的结构优化设计领域,涉及到一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法。
技术背景
安全阀作为压力系统的最后一道被动保护措施,被广泛应用于化工、核电等领域。阀瓣作为安全阀的启闭件,是安全阀最重要的部件之一,其结构对安全阀的安全性能有重要影响。通常情况下,核电安全阀的安全性能比普通安全阀的性能要求还要高,未来的核电安全阀研究方向和发展趋势将主要围绕“安全”二字展开。因此,核电蒸汽安全阀阀瓣的结构优化设计对安全阀设计具有重要意义。
现有的核电蒸汽安全阀阀瓣结构主要来源于国外一些安全阀公司,结构优化设计主要依靠书上的理论公式和设计师的经验。这样的设计方法存在诸多缺陷,例如设计成本高,优化效果不明显,效率低等,同时最后优化的结构很大概率不是最优的结构。
核电蒸汽安全阀的正常工作环境是高温高压,对于高温高压蒸汽安全阀来说,严重影响其安全性能的是它的密封性能,密封性能差可能会导致安全阀内的高温介质泄露伤人。故本发明针对核电蒸汽安全阀的密封性能进行结构优化,通过有限元仿真分析,提取密封面的接触信息,确定密封评价指标,并使用试验设计和克里金代理模型技术,得到安全阀密封响应的代理模型,从而得到最优的阀瓣密封结构。
发明内容
本发明要解决的技术问题:改善现有技术的优化计算效率低,无法快速、精确寻找到最优解的不足,提出一种计算时间段,能够快速准确寻优的基于克里金代理模型的核电蒸汽安全阀阀瓣的结构优化设计方法,该方法适用于各种安全阀阀瓣的结构优化设计。
为达到上述目的,本发明采用的技术方案是:
一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,该方法以核电蒸汽安全阀的阀瓣为研究对象,针对安全阀实际工况,通过有限元仿真分析,得到阀瓣正常工作状态下密封面上的平均接触压力、接触宽度及阀瓣的最大等效应力,根据其结构特点确定五个结构参数作为优化的设计变量,通过最优拉丁超立方试验设计方法选取足够多的样本点,以阀瓣密封性能最好为优化目标,以阀瓣最大等效应力为约束条件,建立阀瓣密封响应的克里金代理模型,结合遗传优化算法(GA),寻找最优解,在保证阀瓣结构强度的前提下得到密封性能最好的阀瓣结构,最后对优化后的阀瓣进行有限元仿真分析,评价优化结果的精度,验证该优化方法的准确性。
该优化设计方法具体步骤如下:
第一步,确定研究对象及其载荷和约束条件,建立有限元模型,进行有限元仿真计算,并分析其计算结果。
1.1)研究对象为核电蒸汽安全阀的阀瓣,在安全阀正常工作状态下,作用在阀瓣上的力有:介质压力、阀座的支撑力、弹簧力及弹簧、阀杆和钢球等部件的重力。确定安全阀内高温介质的温度、介质压力及压在阀瓣上的弹簧力,同时确定安全阀整体所受约束:进口和出口处均受到径向和轴向约束。
1.2)根据所研究安全阀的实际结构关系和尺寸大小,初步建立安全阀三维模型,保留对分析结果产生重要影响的部件:阀座、阀瓣、衬套及导套1。然后对模型进行简化处理,对不影响分析的微小结构特征予以忽略,例如倒角、圆角、小孔和槽等结构,明确重点分析的对象。由于是轴对称结构,故采用八分之一模型进行计算,在不影响计算结构的前提下尽量节约计算时间。
1.3)对简化后的安全阀三维模型进行网格划分,阀瓣结构复杂且为轴对称模型,故采用三角形扫掠网格;其他部件比较规则,采用六面体网格划分。根据步骤1.1)确定的载荷及约束,对安全阀进行热力耦合分析,得到有限元分析结果,结果包括安全阀的温度分布、阀瓣所受最大等效应力、阀瓣密封面的平均接触压力及接触面的接触宽度等结果。观察安全阀的温度分布云图、等效应力分布云图及等效位移云图,高温主要分布在与蒸汽介质接触的部件,距离蒸汽介质越远的部件,温度越低;阀瓣的最大应力出现在阀瓣主要受力和最薄弱的密封唇处,阀瓣密封唇处由于高温和受力向内变形最大;接触压力分布在密封面的外径上,接触压力由外径向内径逐渐降低。
第二步,确定设计变量及其尺寸范围,并进行参数化建模。
2.1)根据所得有限元分析的结果可知,影响密封面的平均接触压力、密封面的接触宽度及阀瓣的最大等效应力的结构参数主要是密封唇及密封面附近的几个结构参数,因此选定密封唇厚度x1、密封面宽度x2、密封唇倾角x3、密封唇内侧距离x4和密封唇关键半径x5,这五个结构参数作为优化的设计变量,保持阀瓣的整体尺寸不变,同时根据设计要求,保持密封中径大小不变。然后根据阀瓣加工的工艺要求和结构尺寸间的相互关系,初步确定设计变量的尺寸范围,根据初步确定的尺寸范围,选取尺寸的边界值进行仿真计算,分析计算结果并判断尺寸范围是否合理,出现结构强度不满足的情况时再缩小尺寸范围,重新确定五个设计变量的尺寸范围,保证其合理性。
2.2)然后采用最优拉丁超立方试验设计方法,在设计变量的尺寸范围内随机均匀抽样,得到均匀且足够多的样本点,通常情况下,优化问题的样本点数量应超过10n,其中n为设计变量的数量。利用Solidworks软件中参数化建模的功能,建立阀瓣三维模型,对五个结构尺寸进行参数化,并得到样本点对应的所有模型。将Solidworks与ANSYS进行关联,实现在ANSYS中修改模型参数,即可改变模型的功能。在完成参数化建模之后,根据第一步确定的仿真方法,对所有样本点进行仿真计算,获取样本点的响应值:密封面的接触宽度y1、密封面的平均接触压力y2和阀瓣最大等效应力y3。至此,每一组x1,x2,x3,x4,x5都对应一组y1,y2,y3,目标函数y=y1*(y2)1.2,约束函数为阀瓣的最大等效应力y3。
第三步,建立克里金代理模型,评价模型精度。
3.1)根据上一步获得的样本点x1,x2,x3,x4,x5及其响应值y1,y2,y3,分别建立y1,y2和y3的三个克里金代理模型,所构建的三个代理模型的表达式为其中x为设计变量,为常数β的估计值,R-1为相关矩阵R的逆,r为相关向量,y为样本点的响应值,q为样本点的单位向量,n为设计变量的数量。
3.2)然后利用留出法评估代理模型精度,采用决定系数R2来评价所构建代理模型的精度。采用最优拉丁超立方取样方法,随机抽取测试点,对比每个测试点相对于代理模型的精度,然后得到所有点精度的R2平均值,作为评价模型精度的R2,分别计算所构建的三个代理模型的拟合精度。R2值越接近1,说明代理模型的精度越高,所构建的代理模型精度评价标准决定系数R2的计算表达式为:其中,n为测试点的个数,为第i个输出值的预测值,yi为第i个输出值的仿真值,为n个测试点的输出值的均值。经过计算,构建的三个克里金代理模型R2值均超过0.9,表明了克里金代理模型和仿真计算具有良好的重合性,从而证明了所构建代理模型的准确性。
第四步,建立优化的问题模型,得出最优解
4.1)优化的最终目标是:在阀瓣满足强度要求的前提下,密封性能最好。因此,密封性能的评价指标成为了问题模型的关键,密封性能的评价指标即为最终的目标函数。现有的密封性能研究所采用密封评价指标多数为密封面的平均接触压力、密封面的最大接触压力和接触宽度中的一个,但密封面的接触压力和接触宽度都会对密封性能产生较大影响。因此,引入了一个密封评价指标:密封接触强度W。其计算公式为:W=L*Pn。其中L为密封面的接触宽度,P为密封面的平均接触压力,n为相关系数。这里以密封面存在密封剂为例,取n=1.2进行后续的计算。该指标能够兼顾密封面的接触压力和接触宽度对密封性能的影响。最终的优化问题模型建立如下:
其中,max(y(x))表示优化的目标为密封接触强度,即目标函数最大化,σs为阀瓣材料的屈服强度,x=[x1,...,x5]T为设计变量,i=1,2,…,5,xL、xU为设计变量取值的下限和上限。
4.2)根据遗传优化算法(GA),在设计变量的尺寸范围内选择初始种群:[x10,x20,x30,x40,x50]、[x11,x21,x31,x41,x51]……,得到第一代种群并计算适应度:[y10,y20,y30]、[y11,y21,y31]……,然后模拟遗传学中的生物进化过程,通过选择、交叉和变异得到第二代种群:[x12,x22,x32,x42,x52]、[x13,x23,x33,x43,x53]……,并计算第二代适应度:[y12,y22,y32]、[y13,y23,y33]……,如此循环迭代,直至初始的群体个数达到规定的规模,最后输出最优解即最优阀瓣结构。
第五步,验证优化精度,对比优化前后的阀瓣结构
通过上一步的寻优得到了最优的阀瓣模型,根据第一步确定的仿真方法,对优化后的阀瓣三维模型进行有限元仿真分析,提取计算结果:密封面的接触宽度y1和密封面的平均接触压力y2,通过公式y=y1*(y2)1.2,计算得到目标函数y值,对比通过代理模型计算得到的y的预测值,计算两者的误差,验证此优化方法的精度。
本发明取得有益效果:
本发明通过克里金代理模型方法,建立了阀瓣密封响应及阀瓣等效应力幅值的数学模型,利用遗传优化算法(GA),实现了阀瓣密封性能和阀瓣强度的提升。优化后的阀瓣结构最大等效应力降低38.16%,密封接触强度提升12.13%。通过该方法构建的三个代理模型决定系数R2分别达到:0.9598、0.9887和0.9554,可以较为准确的通过所构建的代理模型代替真实模型进行预测和分析,大大缩短了优化时间,提升了优化效率。
附图说明
图1为本发明的设计方法流程图;
图2为研究对象安全阀及阀瓣三维模型图;
图3为简化后的安全阀三维模型图;
图4为安全阀热分析温度分布云图;
图5为安全阀热力耦合分析阀瓣的等效应力分布云图;
图6为安全阀热力耦合分析阀瓣的等效位移分布云图;
图7为安全阀热力耦合分析阀瓣和喷嘴接触面的接触压力云图;
图8为阀瓣参数化建模的五个设计变量示意图;
图9为优化后阀瓣结构三维图。
具体实施方法
下面结合附图和具体方案对本发明作进一步的说明,所描述的实例是为本发明进行说明阐述,本发明不应仅局限于本案例。
图1为一种基于克里金代理模型的核电蒸汽安全阀阀瓣3的优化设计方法流程图,其具体步骤为:
第一步,以核电蒸汽安全阀的阀瓣3为研究对象,如图2所示,其中图2(a)是核电蒸汽安全阀三维模型,图2(b)是安全阀阀瓣3的三维模型,1为导套,2为衬套,3为阀瓣,4为阀座,5为调节圈,6为阀体,7为阀杆,8为弹簧。导套1和喷嘴固定在阀体6上,阀体6在出口端用法兰同外界连接,衬套2套在阀瓣3的外侧,随阀瓣3一起运动,衬套2和导套1之间存在间隙,安全阀开启时,两者发生相对运动。喷嘴下端与压力系统内的管道相连,当压力系统内的压力超过预定值时,阀瓣3及衬套2向上运动,压力介质从喷嘴喷出,安全阀开启泄压,直至系统压力降低至预定值以下,阀瓣3回座,安全阀重新关闭。上、下两个调节圈5分别固定在导套1和阀座4上,改变其位置可以调节流场的流动状态,控制阀瓣3的回座速度。弹簧8力通过阀杆7和钢球压在阀瓣3上,在安全阀正常工作状态下,作用在阀瓣3上的力主要有:介质压力、阀座4的支撑力、弹簧8力及弹簧8、阀杆7和钢球等部件的重力。确定安全阀内的温度、介质压力及压在阀瓣3上的弹簧8力,同时确定安全阀整体所受约束:进口和出口处均受到径向和轴向约束。
根据所研究安全阀的实际结构关系和尺寸大小,初步建立安全阀三维模型,保留对分析结果产生重要影响的部件:阀座4、阀瓣3、衬套2及导套1。然后对模型进行简化处理,对不影响分析的微小结构特征予以忽略,例如倒角、圆角、小孔和槽等结构,明确重点分析的对象。由于此部分结构是轴对称结构,故采用八分之一模型进行计算,在不影响计算结构的前提下尽量节约计算时间。简化后的三维模型如图3所示,图中9为导套1,10为衬套2,11为阀瓣3,12为阀座4。
对简化后的安全阀三维模型进行网格划分,阀瓣3结构复杂且为轴对称模型,故采用三角形扫掠网格;其他部件比较规则,采用六面体网格划分。根据上一步确定的载荷及约束,对正常工作状态下的安全阀进行热力耦合分析,得到有限元分析结果,结果包括安全阀的温度分布、阀瓣3所受最大等效应力、阀瓣3密封面的平均接触压力及接触面的接触宽度等结果。安全阀的温度分布云图如图4所示,高温主要分布在与蒸汽介质接触的部件,距离蒸汽介质越远的部件,温度越低;等效应力分布云图如图5所示,阀瓣3的最大等效应力出现在阀瓣3主要受力和最薄弱的密封唇处;等效位移云图如图6所示,阀瓣3密封唇处由于高温和受力向内变形;接触面的接触压力云图如图7所示,最大接触压力分布在密封面的外径上,接触压力由外径向内径逐渐降低。
第二步,根据所得有限元分析结果可知,如图5、图7所示,影响密封面的平均接触压力、密封面的接触宽度及阀瓣3的最大等效应力的结构参数主要是密封唇及密封面附近的几个结构参数,因此选定密封唇厚度x1、密封面宽度x2、密封唇倾角x3、密封唇内侧距离x4和密封唇关键半径x5,这五个结构参数作为优化的设计变量,保持阀瓣3的整体尺寸不变,同时根据设计要求,保持密封中径大小不变,参数化后的模型如图8所示。然后根据阀瓣3加工的工艺要求、结构尺寸间的相互关系初步确定设计变量的尺寸范围,根据初步确定的尺寸范围,选取一些尺寸的边界值进行仿真计算,分析计算结果并判断尺寸范围是否合理,出现结构强度不满足的情况时再缩小尺寸范围,重新确定五个设计变量的尺寸范围,保证其合理性。
然后采用最优拉丁超立方试验设计方法,在设计变量的尺寸范围内随机均匀抽样,得到95组样本点。利用Solidworks软件中参数化建模的功能,建立阀瓣3三维模型,对五个结构尺寸进行参数化,并得到样本点对应的所有模型。将Solidworks与ANSYS进行关联,实现在ANSYS中修改模型参数,即可改变模型的功能。在完成参数化建模之后,根据第一步确定的仿真方法,对所有样本点进行仿真计算,获取样本点的响应值:密封面的接触宽度y1、密封面的平均接触压力y2和阀瓣3最大等效应力y3。至此,每一组x1,x2,x3,x4,x5都对应一组y1,y2,y3,目标函数y=y1*(y2)1.2,约束函数为阀瓣3的最大等效应力y3,共计95组样本点数据。
第三步,根据上一步获得的样本点x1,x2,x3,x4,x5及其响应值y1,y2,y3,分别建立y1,y2和y3的三个克里金代理模型,所构建的三个代理模型的表达式为其中x为设计变量,为常数β的估计值,R-1为相关矩阵R的逆,r为相关向量,y为样本点的响应值,q为样本点的单位向量,n为设计变量的数量。
然后利用留出法评估代理模型精度,采用决定系数R2来评价所构建代理模型的精度。采用最优拉丁超立方取样方法,随机均匀抽取65组测试点,该65组测试点是与此前95组样本点互斥的,在使用95组样本点训练出代理模型之后,使用该65组测试点测试其误差,对比每个测试点相对于代理模型的精度,然后得到所有点精度的R2平均值,作为评价模型精度的R2,分别计算所构建的三个代理模型的拟合精度。R2值越接近1,说明代理模型的精度越高,所构建的代理模型精度评价标准决定系数R2的计算表达式为:其中,n为测试点的个数,为第i个输出值的预测值,yi为第i个输出值的仿真值,为n个测试点的输出值的均值。经过计算,构建的三个克里金代理模型R2值均超过0.9,表明了克里金代理模型和仿真计算具有良好的重合性,从而证明了所构建代理模型的准确性。
第四步,确定优化的最终目标是:在阀瓣3满足强度要求的前提下,密封性能最好。因此,密封性能的评价指标成为了问题模型的关键,密封性能的评价指标即为最终的目标函数。现有的密封性能研究所采用密封评价指标多数为密封面的平均接触压力、密封面的最大接触压力和接触宽度中的一个,但密封面的接触压力和接触宽度都会对密封性能产生较大影响。因此,引入了一个密封评价指标:密封接触强度W。其计算公式为:W=L*Pn。其中L为密封面的接触宽度,P为密封面的平均接触压力,n为相关系数。这里以密封面存在密封剂为例,取n=1.2进行后续的计算。该指标能够兼顾密封面的接触压力和接触宽度对密封性能的影响。最终的优化问题模型建立如下:
其中,max(y(x))表示优化的目标为密封接触强度,即目标函数最大化,σs为阀瓣3材料的屈服强度,x=[x1,...,x5]T为设计变量,i=1,2,…,5,xL、xU为设计变量取值的下限和上限。计算得到优化前的原始模型的y(x)的值为283.75,并根据所构建的代理模型依次求出尺寸范围内的目标函数y的值,每一组设计变量对应一组目标函数y(x),阀瓣3材料的屈服极限σs为558MPa,接着根据遗传算法(GA)进行寻优。
根据遗传优化算法(GA),在设计变量的尺寸范围内选择初始种群:[x10,x20,x30,x40,x50]、[x11,x21,x31,x41,x51]……,得到第一代种群并计算适应度:[y10,y20,y30]、[y11,y21,y31]……,然后模拟遗传学中的生物进化过程,通过选择、交叉和变异得到第二代种群:[x12,x22,x32,x42,x52]、[x13,x23,x33,x43,x53]……,并计算第二代适应度:[y12,y22,y32]、[y13,y23,y33]……,如此循环迭代,直至初始的群体个数达到规定的规模,在群体中找到最大的y值及对应的x,最后输出最优解即最优阀瓣3结构。
第五步,通过上一步的寻优得到了最优的阀瓣3模型,根据第一步确定的仿真方法,对优化后的阀瓣3三维模型进行有限元仿真分析,提取计算结果:密封面的接触宽度y1和密封面的平均接触压力y2,通过公式y=y1*(y2)1.2,计算得到目标函数y值为386.73,对比通过代理模型计算得到的y的预测值为397.79,计算两者的误差为2.86%,由此可知,该优化方法的准确度较高。优化前模型的y值为283.73,优化后密封接触强度提升36.30%,密封性能得到较大提升,阀瓣的最大应力为523.52MPa,满足阀瓣的强度要求。优化后的阀瓣结构如图9所示,优化后的阀瓣密封面宽度增加约50%,同时阀瓣密封唇最薄弱部分的厚度约增加了一倍。
以上所述实施例仅表达本发明的实施方法,但并不能因此理解为对本发明专利的范围限制,应当指出对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (6)
1.一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,其特征在于,所述的优化设计方法包括以下步骤:
第一步,确定研究对象及载荷和约束条件,建立有限元模型,进行有限元仿真计算,分析仿真结果;
1.1)研究对象为核电蒸汽安全阀的阀瓣,在安全阀正常工作状态下,作用在阀瓣上的力有:介质压力、阀座的支撑力、弹簧力及弹簧、阀杆和钢球部件的重力;确定安全阀内高温介质的温度、介质压力及压在阀瓣上的弹簧力,同时确定安全阀整体所受约束;
1.2)根据所研究安全阀的实际结构关系和尺寸大小,初步建立安全阀的三维模型,保留对分析结果产生重要影响的部件:阀座、阀瓣、衬套及导套;对安全阀三维模型进行简化处理;
1.3)对简化后的安全阀三维模型进行网格划分,阀瓣结构复杂且为轴对称模型,采用三角形扫掠网格;其他部件比较规则,采用六面体网格划分;根据步骤1.1)确定的载荷及约束,对安全阀进行热力耦合分析,得到有限元分析结果,结果包括安全阀的温度分布、阀瓣所受最大等效应力、阀瓣密封面的平均接触压力及接触面的接触宽度;
第二步,确定设计变量及其尺寸范围,进行参数化建模,获取样本点的响应值;
2.1)根据所得有限元分析的结果可知,影响密封面平均接触压力、密封面接触宽度及阀瓣最大等效应力的结构参数主要是密封唇及密封面附近的几个结构参数,因此选定密封唇厚度x1、密封面宽度x2、密封唇倾角x3、密封唇内侧距离x4和密封唇关键半径x5,这五个结构参数作为优化的设计变量,保持阀瓣的整体尺寸不变,同时保持密封中径大小不变;然后根据阀瓣加工的工艺要求和结构尺寸间的相互关系,初步确定设计变量的尺寸范围,根据初步确定的尺寸范围,选取尺寸的边界值进行仿真计算,分析计算结果并判断尺寸范围是否合理,出现结构强度不满足的情况时再缩小尺寸范围,重新确定五个设计变量的尺寸范围,保证其合理性;
2.2)采用最优拉丁超立方试验设计方法,在设计变量的尺寸范围内随机抽样,得到均匀且足够多的的样本点;建立阀瓣三维模型,对五个结构尺寸进行参数化,并得到样本点对应的所有模型;在完成参数化建模之后,根据第一步确定的仿真方法,对所有样本点进行仿真计算,获取样本点的仿真响应值:密封面的接触宽度y1、密封面的平均接触压力y2和阀瓣最大等效应力y3;至此,每一组x1,x2,x3,x4,x5都对应一组y1,y2,y3,目标函数y=y1*(y2)1.2,约束函数为阀瓣的最大等效应力y3;
第三步,构建克里金代理模型,评价模型精度;
3.1)根据上一步获得的样本点x1,x2,x3,x4,x5及其响应值y1,y2,y3,分别建立y1,y2和y3的三个克里金代理模型;
3.2)利用留出法评估代理模型精度,采用决定系数R2评价所构建代理模型的精度;随机抽取测试点,对比每个测试点相对于代理模型的精度,得到所有点精度的R2平均值,作为评价模型精度的R2,分别计算所构建的三个克里金代理模型的拟合精度;
第四步,建立优化问题模型,求出最优解;
4.1)优化的最终目标是:在阀瓣满足强度要求的前提下,密封性能最好;因此,引入一个密封评价指标:密封接触强度W;则最终的优化问题模型建立如下:
其中,max(y(x))表示优化的目标为密封接触强度,即目标函数最大化,σs为阀瓣材料的屈服强度,x=[x1,...,x5]T为设计变量,i=1,2,…,5,xL、xU为设计变量取值的下限和上限;
4.2)根据遗传优化算法GA,在设计变量的尺寸范围内选择初始种群:[x10,x20,x30,x40,x50]、[x11,x21,x31,x41,x51]……,得到第一代种群并计算适应度:[y10,y20,y30]、[y11,y21,y31]……;然后模拟遗传学中的生物进化过程,通过选择、交叉和变异得到第二代种群:[x12,x22,x32,x42,x52]、[x13,x23,x33,x43,x53]……,并计算第二代适应度:[y12,y22,y32]、[y13,y23,y33]……;如此循环迭代,直至初始的群体个数达到规定的规模,最后输出最优解即最优阀瓣结构;
第五步,验证优化精度,对比优化前后的阀瓣结构
通过上一步的寻优得到最优的阀瓣模型,根据第一步确定的仿真方法,对优化后的阀瓣三维模型进行有限元仿真分析,提取计算结果:密封面的接触宽度y1和密封面的平均接触压力y2,通过公式y=y1*(y2)1.2,计算得到目标函数y值,对比通过代理模型计算得到的y的预测值,计算两者的误差,验证此优化方法的精度。
2.根据权利要求1所述的一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,其特征在于,步骤2.2)中,优化问题的样本点数量应超过10n,其中n为设计变量的数量。
5.根据权利要求1所述的一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,其特征在于,步骤4.1)中,密封接触强度W的计算公式为:W=L*Pn;其中L为密封面的接触宽度,P为密封面的平均接触压力,n为相关系数。
6.根据权利要求1所述的一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法,其特征在于,步骤4.1)中,密封接触强度W的计算公式为:W=L*Pn;其中L为密封面的接触宽度,P为密封面的平均接触压力,n为相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594187.9A CN114386188A (zh) | 2021-12-24 | 2021-12-24 | 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594187.9A CN114386188A (zh) | 2021-12-24 | 2021-12-24 | 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386188A true CN114386188A (zh) | 2022-04-22 |
Family
ID=81197374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111594187.9A Pending CN114386188A (zh) | 2021-12-24 | 2021-12-24 | 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386188A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541975A (zh) * | 2023-04-11 | 2023-08-04 | 哈尔滨工业大学 | 一种基于代理模型的核电用塔机结构系统动态优化设计方法 |
-
2021
- 2021-12-24 CN CN202111594187.9A patent/CN114386188A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541975A (zh) * | 2023-04-11 | 2023-08-04 | 哈尔滨工业大学 | 一种基于代理模型的核电用塔机结构系统动态优化设计方法 |
CN116541975B (zh) * | 2023-04-11 | 2024-01-30 | 哈尔滨工业大学 | 一种基于代理模型的核电用塔机结构系统动态优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor | |
CN113673030B (zh) | 一种金属材料韧性断裂耦合失效仿真分析方法 | |
CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN114386188A (zh) | 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法 | |
CN111081400A (zh) | 一种基于机器学习的棒束子通道热工水力特性预测方法 | |
CN111967172A (zh) | 基于kriging模型的内高压成形工艺优化设计方法 | |
Wang et al. | Flow resistance optimization of link lever butterfly valve based on combined surrogate model | |
Kianpour et al. | Optimal design of a VVER-1000 nuclear reactor core with dual cooled annular fuel based on the reactivity temperature coefficients using thermal hydraulic and neutronic analysis by implementing the genetic algorithms | |
CN111339718A (zh) | 一种管件冲蚀速率计算方法、装置及服务器 | |
CN109840335A (zh) | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 | |
CN116484762B (zh) | 超临界水中事故容错燃料的传热研究方法、装置及设备 | |
Peng et al. | Predicting solid-particle erosion rate of pipelines using support vector machine with improved sparrow search algorithm | |
KR102457539B1 (ko) | 구조물 성능기반 재료의 역설계 방법 | |
CN110728072B (zh) | 一种确定数字反应堆计算流体力学分析网格尺寸的方法 | |
Wang et al. | Dynamic meta-modeling method to assess stochastic flutter behavior in turbomachinery | |
CN114462336B (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
CN114417743A (zh) | 一种基于peeq值评估排气歧管的cae分析方法 | |
Bao et al. | Parameters identification of a cannon counter-recoil mechanism based on PSO and interval analysis theory | |
Sanli et al. | Development of artificial neural network based design tool for aircraft engine bolted flange connection subject to combined axial and moment load | |
Swiler et al. | Sensitivity Analysis of OECD Benchmark Tests in BISON | |
Wan et al. | Research and Application of a Multi-Field Co-Simulation Data Extraction Method Based on Adaptive Infinitesimal Element. | |
Pałys et al. | Using metamodeling and fluid-structure interaction analysis in multi-objective optimization of a butterfly valve | |
CN113836760B (zh) | 一种涡轮盘蠕变疲劳寿命可靠性评估方法 | |
CN113111472B (zh) | 一种高压爆破阀流阻模拟件设计分析方法 | |
Xu et al. | Fluid Analysis and Structure Optimization of Impeller Based on Surrogate Model. |
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 |