CN114781085B - 一种实时动态迭代优化的叶轮设计方法 - Google Patents

一种实时动态迭代优化的叶轮设计方法 Download PDF

Info

Publication number
CN114781085B
CN114781085B CN202210415800.4A CN202210415800A CN114781085B CN 114781085 B CN114781085 B CN 114781085B CN 202210415800 A CN202210415800 A CN 202210415800A CN 114781085 B CN114781085 B CN 114781085B
Authority
CN
China
Prior art keywords
optimizing
design
boundary
optimization
optimal solution
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
Application number
CN202210415800.4A
Other languages
English (en)
Other versions
CN114781085A (zh
Inventor
王文杰
韩振华
裴吉
陈佳
尹庭赟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Zhenjiang Fluid Engineering Equipment Technology Research Institute of Jiangsu University
Original Assignee
Jiangsu University
Zhenjiang Fluid Engineering Equipment Technology Research Institute of Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University, Zhenjiang Fluid Engineering Equipment Technology Research Institute of Jiangsu University filed Critical Jiangsu University
Priority to CN202210415800.4A priority Critical patent/CN114781085B/zh
Publication of CN114781085A publication Critical patent/CN114781085A/zh
Application granted granted Critical
Publication of CN114781085B publication Critical patent/CN114781085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/004—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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Computer Graphics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明提供一种实时动态迭代的叶轮设计方法，在常用代理模型优化流程的基础上加入对寻优结果的即时评价，并叠加额外两次模型训练及算法寻优过程，且在叠加的流程中不断缩小设计变量边界范围，缩减样本点抽样个数。本发明中的三次模型训练及算法寻优过程能有效避免结果陷入局部最优，动态的设计变量边界能摆脱设计经验对原始设计变量空间的束缚，样本点抽样个数的逐次缩减能有效加快优化进程，合适的缩减比例也适当增加了设计空间的样本点密度，进一步增加了获得全局最优解的能力。

Description

一种实时动态迭代优化的叶轮设计方法
技术领域
本发明属于泵叶轮优化设计领域，特别是涉及一种实时迭代优化的叶轮设计方法。
背景技术
泵作为日常生产生活中应用最为广泛的机械之一，由于内流复杂，水力模型设计方法严重依赖于设计人员的经验。随着现代优化设计手段的不断丰富，泵水力模型的优化设计也已成为现代泵水力模型开发过程中不可或缺的一环。
目前，泵水力模型优化设计主要有三种方式，应用单一试验设计方法、试验设计与代理模型结合、应用智能优化算法。单一试验设计方法中多采用正交试验法，配合对设计变量的极差分析，其优化结果取决于设计变量数值的事先选取，较难找到最优解。应用智能优化算法的方式可容纳较多的设计参数，但需要消耗较大的计算资源，优化周期长。
试验设计与代理模型结合的方式能利用少量的样本点训练出设计变量与优化变量间的高精度非线性数学模型，可在相对较少的时间内利用较少计算资源获得最优解。泵叶轮优化设计中，常用的代理模型有神经网络、克里金模型及响应面模型，常用的寻优算法有遗传算法、粒子群算法及引力搜索算法。限于优化算法的性能，该方式也容易陷入只能找到局部最优、错过全局最优解的困境。为进一步完善泵叶轮优化程序，提升优化效果，有必要开发一种实时动态迭代的叶轮设计方法。
发明内容
本发明提供一种实时动态迭代的叶轮设计方法，旨在在对泵叶轮应用代理模型方式进行优化设计时，避免最终寻优结果陷入局部最优，提高优化效率。
本发明主要应用在泵水力模型设计初步完成后，以进一步提升水力模型性能，其主要流程如下。
第一步，根据设计经验或相关性分析结果，找出对水力模型性能影响较大的变量作为设计变量，同时明确设计变量上、下边界u1、d1及优化目标；
第二步，采用均匀设计方法，在变量边界内完成抽样，初步形成样本库；
第三步，利用脚本程序自动调用三维造型、网格划分及数值计算程序，计算得到与所抽取设计变量值相对应的优化变量值，完善样本库；
第四步，利用上述样本库训练代理模型；
第五步，利用优化算法对模型寻优，得到本次寻优的最优解；
第六步，首次寻优完成后，以最优解对应值为中心缩小设计变量上、下边界为u2、d2，缩减第二次寻优样本点抽样数量为N2，再重复第二到五步，开始第二次寻优；
第七步，第二次寻优完成后，判断本次寻优所得最优值是否优于上次寻优，若是，则继续以最优解对应值为中心缩小设计变量上、下边界为u3、d3，缩减第三次寻优样本点抽样数量为N3，再重复第二到五步，若否，则维持变量边界、样本点抽样数量不变，直接重复第二到五步，开始第三次寻优；
第八步，第三次寻优完成后，判断本次寻优所得最优值是否为三次寻优中的最优值，若是，则输出最优解，若否，则选择三次寻优中的最优解输出。
进一步的，第三步中，所述脚本程序可由MATLAB、Python、LabVIEW等编写。
进一步的，第三步中，所述三维造型可由NX UG、Creo、BladeGen等软件完成，所述网格划分可由ICEM、TurboGrid等软件完成，所述数值计算可由ANSYS CFX、Fluent等软件完成。
进一步的，第四步中，所述代理模型在神经网络、克里金模型及响应面模型中随机选择一种，且三次寻优中不重复。
进一步的，第五步中，所述寻优算法在遗传算法、粒子群算法及引力搜索算法中随机选择一种，且三次寻优中不重复。
进一步的，第六、七步中，所述以最优解对应值为中心缩小设计变量上、下边界的具体方法为，将新边界长度缩短为原始边界的一半，新边界中心为所寻得的最优解对应值，即：
Figure BDA0003605892850000021
Figure BDA0003605892850000022
式中，n＝1,2，为寻优次数，
Figure BDA0003605892850000031
为第n次寻优中所得最优解对应值。
进一步的，第六、七步中，缩小边界后，样本点抽样数量缩小至原数量的75％，向上取整，即：
Figure BDA0003605892850000032
式中，n＝1,2，为寻优次数。
本发明的技术效果为：
本发明利用泵优化设计中常见的几种代理模型及优化算法，通过随机组合的方式多次寻优，在寻优过程中对寻优结果即时评价并缩小设计变量的边界范围，压缩设计空间，能有效避免陷入局部最优，弥补寻优算法的缺陷。同时，动态的设计变量边界能摆脱设计经验对原始设计变量空间的束缚，样本点数量逐次缩减能有效加快优化进程，75％的缩减比例也适当增加了设计空间的样本点密度，有利于找到全局最优解。
附图说明
图1为本发明所述方法的工作流程图。图中“①”、“②”、“③”分别代表第一、二、三次寻优；“M1”、“M2”、“M3”分别代表第一、二、三次寻优所得到的最优解，“M2＞M1？”代表第二次寻优结果是否优于第一次。
具体实施方式
下面结合实施例及附图对本方法作出进一步说明。
本实施例中，模型泵为一立式带导叶离心泵，设计工况下初步水力模型的计算效率为η0＝80％。利用本发明所述设计方法进行优化的具体过程如下。
(1)根据设计经验，在叶片设计软件BladeGen中，用贝塞尔曲线拟合叶轮叶片安放角曲线，选择其5个控制点的纵坐标值作为设计变量，横坐标均布；选择效率作为优化目标。确定设计变量的上、下边界u1、d1，具体数值如下表所示。
Figure BDA0003605892850000033
(2)采用均匀设计方法，在变量边界内抽取N1＝30个样本，初步形成样本库；
(3)利用Python编写脚本程序，自动调用叶片设计软件BladeGen进行三维造型，TurboGrid进行网格划分，ANSYS CFX进行定常数值计算。计算得到与所抽取设计变量值相对应的优化变量值，完善样本库。
(4)利用上述完善的样本库训练代理模型。
(5)利用优化算法对模型寻优，得到本次寻优的最优解η1＝83.2％。
(6)以最优解对应值为中心缩小变量边界，缩小后的上、下边界u2、d2如下表所示，缩减第二次寻优样本点抽样数量为N2＝23，重复(2)到(5)，开始第二次寻优。
Figure BDA0003605892850000041
(7)第二次寻优完成后，经判断，本次寻优所得最优值优于上次寻优，为η2＝84.1％，则继续以最优解对应值为中心缩小变量边界，缩小后的上、下边界u3、d3如下表所示，缩减第三次寻优样本点抽样数量为N3＝18，再重复(2)到(5)，开始第三次寻优；
Figure BDA0003605892850000042
(8)第三次寻优完成后，判断本次寻优所得最优值为三次寻优中的最优值，输出最优解。最终优化效率为ηm＝η3＝85％。
上述过程中，三次寻优中的代理模型与优化算法的组合依次为：神经网络结合遗传算法、克里金模型结合粒子群算法、响应面模型结合引力搜索算法。
上述过程(6)、(7)中，所述以最优解对应值为中心缩小变量边界的具体方法为，将新边界长度缩短为原始边界的一半，新边界中心为所寻得的最优解对应值，即：
Figure BDA0003605892850000043
Figure BDA0003605892850000044
式中，n＝1,2，为寻优次数，
Figure BDA0003605892850000051
为第n次寻优中所得最优解对应值。
上述过程(6)、(7)中，所述缩小边界后，样本点抽样数量N缩小至原数量的75％，向上取整，即：
Figure BDA0003605892850000052
式中，n＝1,2，为寻优次数。
上述过程(7)中，若判断本次寻优所得最优值未能优于上次寻优，则维持变量边界、样本点抽样数量不变，直接重复(2)到(5)，开始第三次寻优；
上述过程(8)中，若判断本次寻优所得最优值不是三次寻优中的最优值，则选择三次寻优中的最优解作为结果输出。

Claims (7)

1.一种实时动态迭代优化的叶轮设计方法，其特征在于，包括以下步骤：
(1)根据设计经验或相关性分析结果选择水力模型的几何参数作为设计变量，同时明确设计变量上、下边界u1、d1及优化目标；
(2)采用均匀设计方法，在变量边界内完成抽样，初步形成样本库；
(3)利用脚本程序自动调用三维造型、网格划分及数值计算程序，计算得到与所抽取设计变量值相对应的优化变量值，完善样本库；
(4)利用上述样本库训练代理模型；
(5)利用寻优算法对模型寻优，得到本次寻优的最优解；
(6)首次寻优完成后，以最优解对应值为中心缩小设计变量上、下边界为u2、d2，缩减第二次寻优样本点抽样数量为N2，再重复(2)到(5)，开始第二次寻优；
(7)第二次寻优完成后，判断本次寻优所得最优值是否优于上次寻优，若是，则继续以最优解对应值为中心缩小设计变量上、下边界为u3、d3，缩减第三次寻优样本点抽样数量为N3，再重复(2)到(5)，若否，则维持变量边界、样本点抽样数量不变，直接重复(2)到(5)，开始第三次寻优；
(8)第三次寻优完成后，判断本次寻优所得最优值是否为三次寻优中的最优值，若是，则输出最优解，若否，则选择三次寻优中的最优解输出。
2.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(3)中所述脚本程序可由MATLAB、Python、LabVIEW编写。
3.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(3)中所述三维造型可由NX UG、Creo、BladeGen等软件完成，所述网格划分可由ICEM、TurboGrid等软件完成，所述数值计算可由ANSYS CFX、Fluent软件完成。
4.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(4)中所述代理模型在神经网络、克里金模型及响应面模型中随机选择一种，且三次寻优中不重复。
5.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(5)中所述寻优算法在遗传算法、粒子群算法及引力搜索算法中随机选择一种，且三次寻优中不重复。
6.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(6)、(7)中所述以最优解对应值为中心缩小设计变量边界的具体方法为，将新边界长度缩短为原边界的一半，新边界中心为所寻得的最优解对应值，即：
Figure FDA0004241990030000021
Figure FDA0004241990030000022
式中，n＝1,2，为寻优次数，
Figure FDA0004241990030000023
为第n次寻优中所得最优解对应值。
7.根据权利要求1所述的一种实时动态迭代优化的叶轮设计方法，其特征在于，(6)、(7)中所述以最优解对应值为中心缩小设计变量边界后，样本点抽样数量缩小至原数量的75％，向上取整，即：
Figure FDA0004241990030000024
式中，n＝1,2，为寻优次数。
CN202210415800.4A 2022-04-20 2022-04-20 一种实时动态迭代优化的叶轮设计方法 Active CN114781085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210415800.4A CN114781085B (zh) 2022-04-20 2022-04-20 一种实时动态迭代优化的叶轮设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210415800.4A CN114781085B (zh) 2022-04-20 2022-04-20 一种实时动态迭代优化的叶轮设计方法

Publications (2)

Publication Number Publication Date
CN114781085A CN114781085A (zh) 2022-07-22
CN114781085B true CN114781085B (zh) 2023-07-04

Family

ID=82430725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210415800.4A Active CN114781085B (zh) 2022-04-20 2022-04-20 一种实时动态迭代优化的叶轮设计方法

Country Status (1)

Country Link
CN (1) CN114781085B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580228A (zh) * 2019-09-29 2021-03-30 中国航发商用航空发动机有限责任公司 一种涡扇发动机混合结构风扇叶片结构设计优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0923412A2 (pt) * 2008-12-16 2016-05-24 Exxonmobil Upstream Res Co método, e, produto de programa de computador.
US10087721B2 (en) * 2010-07-29 2018-10-02 Exxonmobil Upstream Research Company Methods and systems for machine—learning based simulation of flow
US9069725B2 (en) * 2011-08-19 2015-06-30 Hartford Steam Boiler Inspection & Insurance Company Dynamic outlier bias reduction system and method
WO2019210330A1 (en) * 2018-04-28 2019-10-31 The Research Foundation For The State University Of New York Flexible wind turbine blade with actively variable twist distribution
CN109325264B (zh) * 2018-08-28 2022-04-19 江苏大学 一种高效高空化性能双吸泵水力设计方法
CN109783918B (zh) * 2019-01-04 2023-01-20 上海交通大学 基于切换序贯采样模式的减速器优化设计实现方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580228A (zh) * 2019-09-29 2021-03-30 中国航发商用航空发动机有限责任公司 一种涡扇发动机混合结构风扇叶片结构设计优化方法

Also Published As

Publication number Publication date
CN114781085A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN113343545B (zh) 结构自适应优化设计方法、装置、设备和介质
CN111783209B (zh) 一种学习函数与kriging模型结合的自适应结构可靠性分析方法
CN106951610B (zh) 一种基于近似模型的插秧机秧箱结构优化方法
CN112069610B (zh) 一种透明复杂多腔塑件的注塑工艺参数优化方法
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
CN111898212A (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN114676522B (zh) 融合gan和迁移学习的气动形状优化设计方法及系统及设备
CN114781085B (zh) 一种实时动态迭代优化的叶轮设计方法
CN113592064B (zh) 环抛机工艺参数预测方法、系统、应用、终端及介质
CN114595577A (zh) 基于克里金代理模型的分阶段高效约束优化方法和装置
CN114925578B (zh) 基于粒子群算法和abaqus的圆钢管混凝土短柱自动优化方法
CN117272868A (zh) 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质
Zhang et al. Aerodynamic shape optimization based on the MIRA reference car model
CN115758918A (zh) 一种多级离心泵空间导叶优化方法
CN114996880A (zh) 一种基于ansys二次开发的复合装甲结构优化方法
CN111080008B (zh) 基于gis、ca模拟的城市生态脆弱性空间预测方法
CN112633516B (zh) 性能预测和机器学习编译优化方法及装置
CN114169100A (zh) 一种超大变量叶轮机械高效设计优化方法及系统及应用
Dittmer et al. Mesh optimization using a genetic algorithm to control mesh creation parameters
CN108256271B (zh) 一种led灯具的轻量化设计方法
CN115859768B (zh) 一种动态装配作业车间工件完工时间预测方法及装置
CN115238613B (zh) 一种风机叶片形状优化方法、系统、存储介质及设备
CN110942149B (zh) 一种基于信息变化率及条件互信息的特征变量选择方法
CN118552338B (zh) 一种基于多阶段历史经验迁移的快速更新历史拟合范式
CN113705034B (zh) 一种仿真结果处理方法和装置

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