CN114386342B - 一种基于组合优化算法的水下集矿机结构优化设计方法 - Google Patents
一种基于组合优化算法的水下集矿机结构优化设计方法 Download PDFInfo
- Publication number
- CN114386342B CN114386342B CN202210060354.XA CN202210060354A CN114386342B CN 114386342 B CN114386342 B CN 114386342B CN 202210060354 A CN202210060354 A CN 202210060354A CN 114386342 B CN114386342 B CN 114386342B
- Authority
- CN
- China
- Prior art keywords
- file
- underwater
- design
- optimization
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 29
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 22
- 239000011707 mineral Substances 0.000 claims description 22
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 4
- 208000011597 CGF1 Diseases 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004039 social cognition Effects 0.000 description 2
- 230000009326 social learning Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水下集矿机结构优化设计方法，该方法包括以下步骤：一、构建水下集矿机的三维参数化模型；二、将参数化模型文件导入到ICEM软件进行网格划分，再将生成的网格文件导入到CFD软件中；三、在CFD软件中对水下集矿机进行流场模拟，计算水下集矿机阻力；四、确定结构优化设计变量、约束条件并选取优化目标函数作为评价指标；五、根据设计变量范围，通过多学科优化软件Isight进行抽样；六、把抽取的样本点在CFD软件中仿真，计算出样本点阻力值；七、通过Isight响应面模型对样本数据与仿真结果进行拟合；八、通过ASA+PSO组合优化算法进行结构优化。本发明的结构优化设计方法能够降低水下集矿机的水下航行阻力，增大有效体积。
Description
技术领域
本发明属于水下机器人领域，具体的说是一种能够降低水下集矿机航行阻力，增大有效体积的结构优化设计方法。
技术背景
深海矿产资源丰富，能够满足人们日益增长的需求，因此人们开始对水下矿物进行开采。水下集矿机因具有能够在水下自主收集矿物、安全可靠、收集效率高、工作效果好等优点，而广泛应用于深海矿物开采。因此，开展对水下集矿机的研究对矿物采集具有重要意义。虽然水下集矿机优点众多，但其工作中仍存在一些问题，如：航行阻力大、航行效率低、续航时间短等问题。所以对水下集矿机进行结构优化设计，设计一款能够降低航行阻力，提高续航时间的水下集矿机结构是很有必要的。
发明内容
本发明的目的是针对水下集矿机在工作过程航行阻力大，续航时间短等问题，提供一种能够降低航行阻力且增大有效体积的结构优化设计方法。
本发明的目的是通过以下技术方案解决的：
一种水下集矿机结构优化设计方法，其特征在于：该方法包括以下步骤：
步骤一、利用建模软件构建简化后的水下集矿机的三维参数化模型，所属三维模型包括机身、螺旋桨推进器和尾舵三个部分；
步骤二、把参数化模型的参数关系导出到外部文件，在建模软件中录制更新模型的宏操作，生成自动更新模型的批处理文件；
步骤三、将三维模型生成的文件导入到ICEM软件，录制网格划分宏操作，生成自动划分网格的批处理文件，再将网格文件导入到CFD软件中；
步骤四、在CFD软件中对水下集矿机进行流场模拟，录制流场模拟的宏文件，再生成流场自动模拟的批处理文件。其中流场模拟需要对进行边界条件的设定，湍流模型的选择，离散方式的设定以及收敛迭代的设置；
步骤五、确定结构优化设计的设计变量、优化约束条件并选取优化目标函数作为评价指标，该评价指标为水下集矿机的水下航行阻力，在Isight中读取生成的参数关系文件，并选择输入设计变量及输出目标；
步骤六、根据设计变量取值范围，通过Isight试验设计组件对结构优化设计变量的参数点进行抽样；
步骤七、将抽取的样本点的参数模型在三维建模软件中自动更新后，在Simcode组件中执行ICEM的自动划分网格操作，以及CFD软件中自动进行流场模拟，计算阻力值，流场模拟的设置同步骤四；
步骤八、通过Isight中近似模型组件对设计变量与流场模拟结果进行拟合，拟合标准为R2>0.9时进行下一步，否则回到步骤六重新进行抽样；
步骤九、拟合结果符合标准后通过ASA+PSO组合优化算法进行结构优化，获得水下集矿机阻力小，有效体积大的结构。
所述步骤一中所使用的三维建模软件为Solidworks。
所述步骤二的更新模型宏文件为swp文件，批处理文件为bat文件。
所述步骤三中生成的文件为SLDPRT文件，网格划分宏文件为rpl文件，批处理文件为bat文件，网格文件为*.mesh文件；所述步骤三中的网格划分方式为非结构化网格，所述步骤三中CFD软件为Fluent。
所述步骤四中流场模拟的宏文件为jou文件，批处理文件为bat文件。所述步骤四中湍流模型的选择为Realizablek-ε模型，空间离散形式为二阶迎风格式，压力与速度耦合求解算法选择SIMPLE算法，残差设置为10-5，迭代次数设置5000次。
所述步骤五中的结构优化设计设计变量根据设计变量和设计常量获得，设计常量有：水下集矿机航行速度2m/s、海水密度1030kg/m3，设计变量有艏部长度sd9，平行舯段长度sd4，艉部长度sd10，平行舯段半径sd7，艉部半径sd8，艏部到轴线距离sd5，则建立结构优化设计变量为X＝[x1，x2，x3，x4，x5，x6]T＝[sd10，sd4，sd8，sd7，sd0，sd5]T，T为结构优化设计变量的表达形式。
所述步骤五优化约束条件，优化约束条件根据水下集矿机外形结构尺寸确定，其优化约束条件为：
其中sd10，sd4，sd8，sd7，sd0，sd5分别为艏部长度、平行舯段长度、艉部长度、平行舯段半径、艉部半径和艏部到轴线距离。
所述步骤五简化约束条件为
所述步骤五优化目标函数通过航行阻力f和有效体积V来评判，阻力值越小，有效体积越大说明优化结果越好。
所述步骤七的所使用的抽样方法为最优拉丁超立方抽样法，取样点数为5n，n为参数的维度。
所述步骤八中所使用的拟合方法为多项式响应面模型。其按阶数可以分为一阶、二阶、三阶和四阶响应面模型，响应面模型所需求的样本点数量与设计变量间的数目呈正相关，二阶响应面模型所需样本点数为M+1，其表达式为：
式中，xi表示输入变量；M为变量的数量；β0为常数项系数；(β1、β2…βM)，(βM+1、βM+2…β2M)为线形、二次项系数，βij为交叉项系数。
所述步骤九的组合优化算法，粒子群算法的寻优过程通过粒子在搜索空间的飞行完成，其表达式为
vi(k+1)＝ωvi(k)+c1r1(Pbest.i(k)-xi(k))+c2r2(Gbest-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
其中，ω为惯性权重系数；c1、c2分别表示自身认知因子和社会认知因子，是控制粒子群算法的迭代最重要的参数；xi(k)和vi(k)分别代表第i个粒子第k次迭代时的位置和速度；r1和r2为随机数；Pbest.i为第i个粒子个体最优位置；Gbest为种群最佳位置。
每次粒子飞行前，先判断vi(k)是否越过设置的速度范围。若越过，则取速度边界值替代当前速度。飞行后再判断xi(k)是否超出最大搜索空间。若超出，同样取边界值替代当前值。根据相应的适应度值的变化来更新粒子群中Pbest.i和Gbest，更新方程为：
模拟退火算法在迭代初始阶段需要根据种群的初始状态设置一个初始温度。每次迭代对模拟固体内部粒子在温度下降情况下的移动，根据米特罗波利斯准则判断是否由干扰产生的新解替代全局最优解，其表达式如下：
其中，Ei(k)表示第i个粒子在第k次迭代时的内能，即当前粒子的适应度值；Eg表示当前种群最优点的内能；Ti表示当前温度。温度每次迭代会以一定程度线性衰减，寻优过程是不断寻找新解和缓慢降温的交替过程。Ei(k)完全决定了其下一次产生的新状态Ei(k+1)，与之前的Ei(0)至Ei(k+1)无关，这个过程是一个马尔可夫过程。使用马尔可夫过程分析模拟退火步骤，经过有限次的转换在温度Ti下的平衡态的分布如下：
其中，Smin是最优值的搜索空间集合。当温度降到0时，pi的分布见式如下。温度下降的同时伴随着大量的状态转移，达到热平衡的状态，则找到全局最优的概率为1。模拟退火算法最大的优点是跳出局部最优点的能力突出。
以往应用经典的粒子群算法设置ω、c1和c2的值时，大多依赖经验的判断，或者根据大量的仿真实验来确定一个固定的值。但通过上述的分析知，如果这3个参数能够随着优化的进行不断变化的话，粒子群算法将会有更加优秀的效果。ω值的选取与算法收敛速度和全局搜索能力成正比，与局部搜索能力成反比。惯性权重函数如下:
ω＝(ωmax+ωmin)/2+tanh(-4+8×(kmax-k)/kmax)(ωmax-ωmin)/2
其中，ωmax，ωmin是惯性权重系数的最大值和最小值，k是当前迭代次数，kmax是最大迭代次数。
当c1＞c2时，粒子的运动更偏向个体最优的方向；反之，则更偏向群体最优方向。
c1＝c1max-k(c1max-c1min)/kmax
c2＝c2max-k(c2max-c2min)/kmax
其中，c1max，c1min分别是自我学习因子的最大值和最小值；c2max，c2min分别是社会学习因子的最大值和最小值。
将模拟退火算法中的米特罗波利斯准则引入迭代中。根据最初的粒子最优值设置初始温度，并且每次迭代后以一定的降温系数μ衰减。具体操作如下：
其中，T为初始温度。每次迭代后，计算更新后位置的内能(适应度)与种群最优点内能的差距，根据式(5)计算得出的概率与rand()进行对比，判断是否接受较差的解。取降温系数μ＝0.95。
本发明相对于现有发明，有以下优点：
本发明通过参数化模型，试验设计方法以及近似模型技术，结合CFD数值模拟和Isight软件，利用ASA+PSO组合优化算法，以水下航行阻力最小和有效体积最大为目标函数，实现了水下集矿机结构自动优化。提出了一种水下集矿机的结构优化设计方法，得到了水下集矿机最优结构，为水下集矿机的设计与工作提供了一种新思路。
附图说明
图1为本发明的水下集矿机结构优化设计的流程图；
图2为本发明的水下集矿机的参数化模型示意图；
图3为本发明的水下集矿机的三维模型示意图；
图4为本发明的水下集矿机结构优化设计在ICEM软件中网格划分示意图；
图5为为本发明的结构优化设计方法中ASA算法的阻力优化效果图；
图6为为本发明的结构优化设计方法中ASA+PSO算法优化阻力优化效果图。
具体实施方式
为了更加清楚地理解本发明的目的、技术方案和优点，下面将结合附图和实施例来进行更清楚的描述。
如图1所示：一种水下集矿机结构优化设计方法，该方法包括以下步骤：
步骤一、利用Solidworks软件构建简化后的水下集矿机的三维参数化模型，参数化模型如图2所示，该三维模型至少包括机身、螺旋桨推进器、尾舵三个部分，其三维示意图如图3所示；
步骤二、把参数化模型的参数关系导出到外部文件，在建模软件中录制更新模型的宏操作，生成自动更新模型的批处理文件，其中更新模型的宏文件为swp文件，批处理文件为bat文件；
步骤三、将三维模型的生成文件导入到ICEM软件中，采用非结构化网格对模型进行网格划分，再把生成的网格文件导入到Fluent软件中，其中生成文件格式为SLDPRT格式，网格文件格式为*.mesh文件，网格划分如图4所示；
步骤四、在Fluent软件中进行水下集矿机的流场模拟，并录制流场模拟的脚本文件，生成批处理文件。进行流场模拟需要进行边界条件设置，湍流模型选择，离散方式的设定以及收敛迭代的设置。其中流场模拟的宏文件为jou文件，批处理文件为bat文件，湍流模型的选择为Realizablek-ε模型，空间离散形式为二阶迎风格式，压力与速度耦合求解算法选择SIMPLE算法，残差设置为10-5，迭代次数设置5000次；
步骤五、结构优化设计设计变量根据设计变量和设计常量获得，设计常量有：水下集矿机航行速度2m/s、海水密度1030kg/m3，设计变量有艏部长度sd9，平行舯段长度sd4，艉部长度sd10，舯部半径sd7和艉部半径sd8，艏部到轴线距离sd5，其具体参数如图2所示。则建立结构优化设计变量为X＝[x1，x2，x3，x4，x5，x6]T＝[sd9，sd4，sd10，sd7，sd8，sd5]T，T为结构优化设计变量的表达形式。
优化约束条件，优化约束条件根据水下集矿机外形结构尺寸来确定，其优化约束条件为：
其中sd9，sd4，sd10，sd7，sd8，sd5分别为艏部长度、平行舯段长度、艉部长度、舯部半径、艉部半径和艏部到轴线距离。
进一步的说，查阅文献知，水下集矿机外形结构尺寸中，艉部长度和半径对阻力的影响不大，同时为减少计算量，忽略其对阻力的影响。优化条件可简化为：
步骤六、根据设计变量的取值范围，通过Isight试验设计组件对结构优化设计变量进行抽样，抽样方法选择最优拉丁超立方抽样，抽取样本点的点数为5n且，n为参数的维度，n为4，则抽样为20，各个参数点的坐标如下表所示：
表1抽样获取的样本点
步骤七、将抽取的样本点的参数模型在三维建模软件中自动更新后，在Simcode组件中执行ICEM的自动划分网格操作，以及Fluent软件中自动进行流场模拟，计算阻力值，流场模拟的设置同步骤四；样本点主要是改变水下集矿机的外形，将抽样得到的样本点参数再网格划分后进行流程模拟，得到每一组样本点的阻力值和体积；
步骤八、通过Isight中近似模型组件对设计变量与流场模拟结果阻力值进行拟合，使用二阶多项式响应面模型来进行拟合，当可决系数为R2>0.9时认为拟合效果较好，如果可决系数小于0.9，则需要回到步骤六重新进行取样，直到可决系数大于0.9，说明拟合效果达到要求，可进行下一步；
步骤八中所使用的拟合方法为多项式响应面模型。其按阶数可以分为一阶、二阶、三阶和四阶响应面模型，响应面模型所需求的样本点数量与设计变量间的数目呈正相关，二阶响应面模型所需样本点数为M+1，其表达式为：
式中，xi表示输入变量；M为变量的数量；β0为常数项系数；(β1、β2…βM)，(βM+1、βM+2…β2M)为线形、二次项系数，βij为交叉项系数。
步骤九、拟合结果符合标准后通过优化算法进行结构优化。分别使用ASA和ASA+PSO进行优化。
粒子群算法的寻优过程通过粒子在搜索空间的飞行完成，其表达式为：
vi(k+1)＝ωvi(k)+c1r1(Pbest.i(k)-xi(k))+c2r2(Gbest-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
其中，ω为惯性权重系数；c1、c2分别表示自身认知因子和社会认知因子，是控制粒子群算法的迭代最重要的参数；xi(k)和vi(k)分别代表第i个粒子第k次迭代时的位置和速度；r1和r2为随机数；Pbest.i为第i个粒子个体最优位置；Gbest为种群最佳位置。
每次粒子飞行前，先判断vi(k)是否越过设置的速度范围。若越过，则取速度边界值替代当前速度。飞行后再判断xi(k)是否超出最大搜索空间。若超出，同样取边界值替代当前值。根据相应的适应度值的变化来更新粒子群中Pbest.i和Gbest，更新方程为
模拟退火算法在迭代初始阶段需要根据种群的初始状态设置一个初始温度。每次迭代对模拟固体内部粒子在温度下降情况下的移动，根据米特罗波利斯准则判断是否由干扰产生的新解替代全局最优解，其表达式如下：
其中，Ei(k)表示第i个粒子在第k次迭代时的内能，即当前粒子的适应度值；Eg表示当前种群最优点的内能；Ti表示当前温度。温度每次迭代会以一定程度线性衰减，寻优过程是不断寻找新解和缓慢降温的交替过程。Ei(k)完全决定了其下一次产生的新状态Ei(k+1)，与之前的Ei(0)至Ei(k+1)无关，这个过程是一个马尔可夫过程。使用马尔可夫过程分析模拟退火步骤，经过有限次的转换在温度Ti下的平衡态的分布如下：
其中，Smin是最优值的搜索空间集合。当温度降到0时，pi的分布见式如上。温度下降的同时伴随着大量的状态转移，达到热平衡的状态，则找到全局最优的概率为1。模拟退火算法最大的优点是跳出局部最优点的能力突出。
以往应用经典的粒子群算法设置ω、c1和c2的值时，大多依赖经验的判断，或者根据大量的仿真实验来确定一个固定的值。但通过上述的分析知，如果这3个参数能够随着优化的进行不断变化的话，粒子群算法将会有更加优秀的效果。ω值的选取与算法收敛速度和全局搜索能力成正比，与局部搜索能力成反比。惯性权重函数如下：
ω＝(ωmax+ωmin)/2+tanh(-4+8×(kmax-k)/kmax)(ωmax-ωmin)/2
其中，ωmax，ωmin是惯性权重系数的最大值和最小值，k是当前迭代次数，kmax是最大迭代次数。
当c1＞c2时，粒子的运动更偏向个体最优的方向；反之，则更偏向群体最优方向。
c1＝c1max-k(c1max-c1min)/kmax
c2＝c2max-k(c2max-c2min)/kmax
其中，c1max，c1min分别是自我学习因子的最大值和最小值；c2max，c2min分别是社会学习因子的最大值和最小值。
将模拟退火算法中的米特罗波利斯准则引入迭代中。根据最初的粒子最优值设置初始温度，并且每次迭代后以一定的降温系数μ衰减。具体操作如下：
其中，T为初始温度。每次迭代后，计算更新后位置的内能(适应度)与种群最优点内能的差距，根据公式计算得出的概率与rand()进行对比，判断是否接受较差的解。取降温系数μ＝0.95。
分别使用了ASA优化算法和ASA+PSO优化算法对水下集矿机进行结构化，其中ASA算法阻力优化效果如图5所示，ASA+PSO算法阻力优化效果如图6所示。可以看出ASA+PSO优化算法较ASA优化算法效率高，可降低了ASA陷入局部最优解的概率。实现了水下集矿机的结构优化设计。
以上所示仅为本发明实施例，而非用于限制此发明，任何按照本发明思想和技术路线的基础上所做的修改和变化，都在本发明保护范围之内。
Claims (10)
1.一种水下集矿机结构优化设计方法，其特征在于：该方法包括以下步骤：
步骤一、利用建模软件构建简化后的水下集矿机的三维参数化模型，所属三维模型包括机身、螺旋桨推进器和尾舵三个部分；
步骤二、把参数化模型的参数关系导出到外部文件，在建模软件中录制更新模型的宏操作，生成自动更新模型的批处理文件；
步骤三、将三维模型生成的文件导入到ICEM软件，录制网格划分宏操作，生成自动划分网格的批处理文件，再将网格文件导入到CFD软件中；
步骤四、在CFD软件中对水下集矿机进行流场模拟，录制流场模拟的宏文件，再生成流场自动模拟的批处理文件；其中流场模拟需要对进行边界条件的设定，湍流模型的选择，离散方式的设定以及收敛迭代的设置；
步骤五、确定结构优化设计的设计变量、优化约束条件并选取优化目标函数作为评价指标，该评价指标为水下集矿机的水下航行阻力和有效体积，在Isight中读取生成的参数关系文件，并选择输入设计变量及输出目标；
步骤六、根据设计变量取值范围，通过Isight试验设计组件对结构优化设计变量的参数点进行抽样；
步骤七、将抽取的样本点的参数模型在三维建模软件中自动更新后，在Simcode组件中执行ICEM的自动划分网格操作，以及CFD软件中自动进行流场模拟，计算阻力值，流场模拟的设置同步骤四；
步骤八、通过Isight中近似模型组件对设计变量与流场模拟结果进行拟合，拟合标准为R2＞0.9时进行下一步，否则回到步骤六重新进行取样；
步骤九、拟合结果符合标准后通过ASA(自适应模拟退火算法)+PSO(粒子群算法)组合优化算法进行结构优化，获得水下集矿机阻力小，有效体积大的结构；将模拟退火算法中的米特罗波利斯准则引入迭代中；根据最初的粒子最优值设置初始温度，并且每次迭代后以一定的降温系数μ衰减；具体操作如下：
其中，T为初始温度；每次迭代后，计算更新后位置的内能(适应度)与种群最优点内能的差距，根据公式计算得出的概率与rand()进行对比，判断是否接受较差的解；取降温系数μ＝0.95。
2.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤一中的三维参数化建模软件为Solidworks软件，所述步骤二的宏文件为swp文件，批处理文件为bat文件。
3.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤三中生成的文件为SLDPRT文件，网格划分宏文件为rpl文件，批处理文件为bat文件，网格文件为*.mesh文件；所述CFD软件为Fluent；所述步骤三中的网格划分方式为非结构化网格。
4.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤四中流场模拟的宏文件为jou文件，批处理文件为bat文件；所述步骤四中湍流模型的选择为Realizable k-ε模型，空间离散形式为二阶迎风格式，压力与速度耦合求解算法选择SIMPLE算法，残差设置为10-5，迭代次数设置5000次。
5.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤五中的结构优化设计设计变量根据设计变量和设计常量获得，设计常量有：水下集矿机航行速度2m/s、海水密度1030kg/m3，设计变量有艏部长度sd9，平行舯段长度sd4，艉部长度sd10，平行舯段半径sd7，艉部半径sd8，艏部到轴线距离sd5，则建立结构优化设计变量为X＝[x1，x2，x3，x4，x5，x6]T＝[sd9，sd4，sd10，sd7，sd8，sd5]T，T为结构优化设计变量的表达形式。
6.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述的步骤五中的结构优化约束条件根据外形结构尺寸确定，优化约束条件为：
其中，sd9，sd4，sd10，sd7，sd8，sd5分别为艏部长度、平行舯段长度、艉部长度、平行舯段半径、艉部半径和艏部到轴线距离。
7.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤五中结构优化设计约束条件简化条件为：
8.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤五中优化目标函数通过航行阻力f和有效体积V来判断，阻力越小，有效体积越大优化结果越好。
9.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤六中所使用的抽样方法为最优拉丁超立方抽样法，取样点数为5n，n为参数的维度。
10.根据权利要求1所述的水下集矿机结构优化设计方法，其特征在于：所述步骤八中近似模型所使用的拟合方法为二阶多项式响应面模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060354.XA CN114386342B (zh) | 2022-01-19 | 2022-01-19 | 一种基于组合优化算法的水下集矿机结构优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060354.XA CN114386342B (zh) | 2022-01-19 | 2022-01-19 | 一种基于组合优化算法的水下集矿机结构优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114386342A CN114386342A (zh) | 2022-04-22 |
| CN114386342B true CN114386342B (zh) | 2024-03-29 |
Family
ID=81204068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210060354.XA Active CN114386342B (zh) | 2022-01-19 | 2022-01-19 | 一种基于组合优化算法的水下集矿机结构优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386342B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150016422A (ko) * | 2013-08-01 | 2015-02-12 | 대우조선해양 주식회사 | 컨테이너선의 워터 브레이커 형상 최적화 장치 및 그 방법 |
| CN108647370A (zh) * | 2018-03-16 | 2018-10-12 | 北京航空航天大学 | 基于双环迭代的无人直升机气动外形优化设计方法 |
| CN110550226A (zh) * | 2019-09-17 | 2019-12-10 | 南京林业大学 | 一种小型多旋翼植保无人机结构优化设计方法 |
| CN112231839A (zh) * | 2020-10-23 | 2021-01-15 | 北京理工大学 | 针对高耗时约束的飞行器追峰采样智能探索方法 |
| CN112464366A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 基于数据挖掘的自主水下航行器多保真度外形优化方法 |
| WO2021129408A1 (zh) * | 2019-12-25 | 2021-07-01 | 江苏大学 | 一种降低轮胎风阻的轮胎外轮廓结构的设计方法 |
-
2022
- 2022-01-19 CN CN202210060354.XA patent/CN114386342B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150016422A (ko) * | 2013-08-01 | 2015-02-12 | 대우조선해양 주식회사 | 컨테이너선의 워터 브레이커 형상 최적화 장치 및 그 방법 |
| CN108647370A (zh) * | 2018-03-16 | 2018-10-12 | 北京航空航天大学 | 基于双环迭代的无人直升机气动外形优化设计方法 |
| CN110550226A (zh) * | 2019-09-17 | 2019-12-10 | 南京林业大学 | 一种小型多旋翼植保无人机结构优化设计方法 |
| WO2021129408A1 (zh) * | 2019-12-25 | 2021-07-01 | 江苏大学 | 一种降低轮胎风阻的轮胎外轮廓结构的设计方法 |
| CN112231839A (zh) * | 2020-10-23 | 2021-01-15 | 北京理工大学 | 针对高耗时约束的飞行器追峰采样智能探索方法 |
| CN112464366A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 基于数据挖掘的自主水下航行器多保真度外形优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于Isight平台的房车空调送风参数优化;曹凡;李迪;李耀民;冯晓志;王鹏;冷杨松;;液压与气动;20190415(第04期);全文 * |
| 基于SVR近似模型的潜水器外形优化;谢云飞;孙建飞;;舰船科学技术;20161208(第23期);全文 * |
| 汽车CFD流场仿真集成高效优化技术研究;潘正宇;谷正气;张勇;宋亚豪;;湖南工业大学学报;20180315(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114386342A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kasprzak et al. | Pareto analysis in multiobjective optimization using the collinearity theorem and scaling method | |
| CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
| CN106934074B (zh) | 全局最优涡扇发动机进气道减噪设计方法 | |
| CN104750948B (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
| Tian et al. | Layout optimization of two autonomous underwater vehicles for drag reduction with a combined CFD and neural network method | |
| CN106503365B (zh) | 一种用于sph算法的分区搜索方法 | |
| CN113359849A (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
| CN113537609A (zh) | 一种基于文本智能挖掘的政策热点预测方法 | |
| Skarka | Model-based design and optimization of electric vehicles | |
| CN103903072A (zh) | 一种基于决策者偏好的高维多目标集合进化优化方法 | |
| CN115329459A (zh) | 基于数字孪生的水下航行器建模方法及系统 | |
| CN108459993B (zh) | 基于快速追峰采样的复杂高维系统优化方法 | |
| CN106485030B (zh) | 一种用于sph算法的对称边界处理方法 | |
| CN114386342B (zh) | 一种基于组合优化算法的水下集矿机结构优化设计方法 | |
| CN108664562B (zh) | 粒子群优化的文本特征选择方法 | |
| Craig et al. | Using CFD and mathematical optimization to investigate air pollution due to stacks | |
| Wilkinson et al. | Inductive aerodynamics | |
| CN114841091B (zh) | 一种基于代理模型技术的离心通风机的气动优化设计方法 | |
| CN112163284B (zh) | 一种水下航行器操稳性因果分析方法 | |
| CN114818203A (zh) | 一种基于swa算法的减速器设计方法 | |
| CN112464367A (zh) | 一种自主水下航行器的外形和结构两层设计优化方法 | |
| Zhu et al. | Research on Novel Fuzzy Control Strategy of Hybrid Electric Vehicles Based on Feature Selection Genetic Algorithm. | |
| CN114239363A (zh) | 一种基于ABAQUS二次开发Python语言的变密度拓扑优化的方法 | |
| Chung | Multidisciplinary design optimization of supersonic business jets using approximation model-based genetic algorithms | |
| CN118013648B (zh) | 一种基于船舶仿真模型的设计方案优化方法及系统 |
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 |