CN114997073A - 冲击式水轮机喷嘴结构参数优化方法及系统 - Google Patents

冲击式水轮机喷嘴结构参数优化方法及系统 Download PDF

Info

Publication number
CN114997073A
CN114997073A CN202210903519.5A CN202210903519A CN114997073A CN 114997073 A CN114997073 A CN 114997073A CN 202210903519 A CN202210903519 A CN 202210903519A CN 114997073 A CN114997073 A CN 114997073A
Authority
CN
China
Prior art keywords
nozzle
impulse turbine
neural network
optimized
fluid
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
Application number
CN202210903519.5A
Other languages
English (en)
Other versions
CN114997073B (zh
Inventor
童哲铭
唐安琪
童水光
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210903519.5A priority Critical patent/CN114997073B/zh
Publication of CN114997073A publication Critical patent/CN114997073A/zh
Application granted granted Critical
Publication of CN114997073B publication Critical patent/CN114997073B/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]
    • G06F30/20—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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Hydraulic Turbines (AREA)
  • Control Of Water Turbines (AREA)

Abstract

本发明公开了一种冲击式水轮机喷嘴结构参数优化方法及系统，属于深度学习预测领域。本发明结合CFD仿真、BP神经网络和多目标优化方法，以CFD仿真获得的冲击式水轮机喷嘴在不同结构参数下的射流速度分布以及水相比例分布为基础，训练BP神经网络模型来拟合CFD仿真中输入和输出之间的非线性映射关系，进而可得到基于BP神经网络模型的数据驱动预测模型。基于该数据驱动预测模型，即可在多目标优化过程中快速预测冲击式水轮机喷嘴在不同结构参数下的能量效率，从而在参数空间中找到最优解。本发明可用于对冲击式水轮机的喷嘴结构参数进行优化分析，提高冲击式水轮机的设计效率，以实现对水轮机工作效率的优化，因此具有重要工程应用价值。

Description

冲击式水轮机喷嘴结构参数优化方法及系统
技术领域
本发明属于深度学习预测领域，具体涉及一种冲击式水轮机喷嘴结构参数优化方法及系统。
背景技术
水力资源作为一种可再生、清洁能源，是能源发展中重要的一环。冲击式水轮机作为高效的水力发电设备， 将水体的动能、势能等转换成电能，广泛适用于难以修筑水坝、下游尾水管的高落差复杂流域，能在较小环境影响下提供稳定的电压。在冲击式水轮机中，喷嘴作为水轮机内部的独立组成部分，将压力管道的水转换为高速射流后冲击水斗，推动转轮旋转，其设计优劣直接影响了水轮机效率。喷嘴结构复杂的流固耦合关系无法直接推导出射流速度分布、能量损失效率与射流结构的关系，需要对结构进行反复的仿真与验算，存在难以提高水轮机喷嘴效率的问题。
以神经网络为代表的人工智能可以将复杂的流体运动情况转化为数值模型，完成输入与输出的映射，省略对相似结构的重复性仿真，从而能有效提高冲击式水轮机的设计效率。但如何应用神经网络，并高效完成喷嘴结构优化设计，是亟需解决的技术问题。
发明内容
本发明的目的在于解决现有技术中冲击式水轮机喷嘴结构参数优化效率较低的缺陷，并提供一种冲击式水轮机喷嘴结构参数优化方法及系统。
本发明所采用的具体技术方案如下：
第一方面，本发明提供了一种冲击式水轮机喷嘴结构参数优化方法，其包括：
S1、获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到；
S2、以最大化经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解；且多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值；
S3、通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练；
S4、利用重新训练后的BP神经网络，重新执行S2步骤并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
作为上述第一方面的优选，所述的待优化结构参数由喷嘴开口直径、喷嘴开口角度、喷针直径、喷针开口角度组成。
作为上述第一方面的优选，所述训练数据集的获取方法为：
在待优化结构参数和喷嘴入流速度的设计范围内，通过正交试验设计若干组不同的待优化结构参数和喷嘴入流速度的参数组合，然后对每一组参数组合构建对应的冲击式水轮机喷嘴模型，并通过计算流体力学仿真软件对构建的冲击式水轮机喷嘴模型进行气液两相流瞬态数值模拟，通过均匀分布在冲击式水轮机喷嘴模型出口下游射流断面上的观测点获取各观测点处的射流速度和水相比例，从而得到每一组参数组合对应的射流速度分布以及水相比例分布。
作为上述第一方面的优选，所述的能量效率为经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值；其中，经过喷嘴后的流体能量为冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元中水相流体的动能之和，且计算单个第一体积单元中水相流体质量时需要根据水气两相各自的密度以及这个第一体积单元中的水相比例进行换算；而经过喷嘴前的流体能量是冲击式水轮机喷嘴入口截面处所有第二体积单元中水相流体的动能之和，每个第二体积单元中全部为单一的水相流体。
作为上述第一方面的优选，所述的多目标优化采用RMSProp算法。
第二方面，本发明提供了一种冲击式水轮机喷嘴结构参数优化系统，其包括：
预测网络模块，用于获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到；
多目标优化模块，用于以最大化经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解；且多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值；
网络重训练模块，用于通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练；
最优参数输出模块，用于利用重新训练后的BP神经网络，重新执行所述多目标优化模块并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
作为上述第二方面的优选，所述的待优化结构参数由喷嘴开口直径、喷嘴开口角度、喷针直径、喷针开口角度组成。
作为上述第二方面的优选，所述训练数据集的获取方法为：
在待优化结构参数和喷嘴入流速度的设计范围内，通过正交试验设计若干组不同的待优化结构参数和喷嘴入流速度的参数组合，然后对每一组参数组合构建对应的冲击式水轮机喷嘴模型，并通过计算流体力学仿真软件对构建的冲击式水轮机喷嘴模型进行气液两相流瞬态数值模拟，通过均匀分布在冲击式水轮机喷嘴模型出口下游射流断面上的观测点获取各观测点处的射流速度和水相比例，从而得到每一组参数组合对应的射流速度分布以及水相比例分布。
作为上述第二方面的优选，所述的能量效率为经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值；其中，经过喷嘴后的流体能量为冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元中水相流体的动能之和，且计算单个第一体积单元中水相流体质量时需要根据水气两相各自的密度以及这个第一体积单元中的水相比例进行换算；而经过喷嘴前的流体能量是冲击式水轮机喷嘴入口截面处所有第二体积单元中水相流体的动能之和，每个第二体积单元中全部为单一的水相流体。
作为上述第二方面的优选，所述的多目标优化采用RMSProp算法。
本发明相对于现有技术而言，具有以下有益效果：
本发明结合CFD仿真、BP神经网络和多目标优化方法，以CFD仿真获得的冲击式水轮机喷嘴在不同结构参数下的射流速度分布以及水相比例分布为基础，训练BP神经网络模型来拟合CFD仿真中输入和输出之间的非线性映射关系，进而可得到基于BP神经网络模型的数据驱动预测模型。基于该数据驱动预测模型，即可在多目标优化过程中快速预测冲击式水轮机喷嘴在不同结构参数下的能量效率，从而在参数空间中找到最优解。另外，本发明进一步针对CFD仿真无法获得充足的BP神经网络模型训练样本的问题，设计了模型重训练方法，其利用初步的最优解来构建接近全局最优解的训练样本，进而重新训练模型，逐步提高BP神经网络模型对于预测结果的准确性，避免模型误差导致的多目标优化无法搜索到全局最优解的问题。本发明可用于对冲击式水轮机的喷嘴结构参数进行优化分析，提高冲击式水轮机的设计效率，以实现对水轮机工作效率的优化，因此具有重要工程应用价值。
附图说明
图1为一种冲击式水轮机喷嘴结构参数优化方法的步骤示意图。
图2是冲击式水轮机喷嘴结构的典型剖视图。
图3是BP神经网络的网络结构示意图。
图4为一种冲击式水轮机喷嘴结构参数优化系统的模块组成示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于区分描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
如图1所示，在本发明的一个较佳实施例中，提供了一种冲击式水轮机喷嘴结构参数优化方法，其具体包括如下S1~S4所示步骤。下面对各步骤的实现方式进行展开描述：
S1、获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到。
需要说明的是，本发明中冲击式水轮机喷嘴的待优化结构参数是指能够影响冲击式水轮机喷嘴性能的关键参数，具体的参数组合选择，需要根据对冲击式水轮机喷嘴的研究确定。
如图2所示，为冲击式水轮机喷嘴的典型结构剖面，冲击式水轮机喷嘴由喷针（needle）与外壳喷嘴（nozzle）结构组成，喷针同轴内置于喷嘴的出口处，水流通过两者之间的环形空间射出，形成射流。在该射流过程中，随着高速水流的扩散，会出现气液两相流，且一个射流截面上不同位置的射流速度和两相流比例是不同的。若在一个射流截面上设置观测点，则每个观测点都可以得到该观测点位置的射流速度以及水相比例（即水相在水气两相之中的占比），整个截面上的观测点足够多时，即可反映出截面上的射流速度分布以及水相比例分布，这两个分布均为空间分布，因此观测点越多其空间分布越准确。
作为本发明实施例的一种较佳实现方式，冲击式水轮机喷嘴的待优化结构参数包括4个，包括喷嘴开口直径D 0 、喷嘴开口角度α D 、喷针直径D N 、喷针开口角度α N 等4个影响因素，如图2所示。其中，喷针直径D N 是至喷针的最大直径。该组待优化结构参数是经过对冲击式水轮机喷嘴的结构进行深入研究确定的，其能够较好地配合BP神经网络实现对冲击式水轮机喷嘴出口射流情况的预测。同时对冲击式水轮机喷嘴出口射流情况还与喷嘴的入流速度v有关系，因此BP神经网络中也需要将喷嘴的入流速度作为一个输入。入流速度v与喷嘴入口处的流量和通道面积相关，喷嘴入口处的通道面积由壳体内径D D 和喷嘴入口处的喷针直径d s 决定。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其具体结构属于现有技术，一般包含输入层、隐藏层和输出层，具体网络结构和训练方式不再赘述。如图3所示，假设本发明中BP神经网络需要预测射流速度以及水相比例的观测点数量有100个，则其输入神经元有5个，对应喷嘴开口直径D 0 、喷嘴开口角度α D 、喷针直径D N 、喷针开口角度α N 以及喷嘴的入流速度v，而输出神经元有200个，分别对应100个观测点的射流速度[vB1,vB2,…, vB100]以及100个观测点的水相比例[wB1, wB2,…, wB100]，网络的中间隐藏层神经元数量可根据实际进行优化，隐藏层神经元的权重和偏置则通过后续模型训练进行优化。
需要说明的是，本发明中上述训练BP神经网络的训练数据集，可以直接调取已有数据，也可以通过获取实测数据并通过数据处理构建为训练样本。因此，获取训练数据集的方式应当广义理解。
作为本发明实施例的一种较佳实现方式，上述训练数据集的获取方法如下：
根据前述确定的待优化结构参数，在待优化结构参数和喷嘴入流速度的设计范围内，通过正交试验设计若干组不同的待优化结构参数和喷嘴入流速度的参数组合，然后对每一组参数组合构建对应的冲击式水轮机喷嘴模型，并通过计算流体力学（CFD）仿真软件对构建的冲击式水轮机喷嘴模型进行气液两相流瞬态数值模拟，通过均匀分布在冲击式水轮机喷嘴模型出口下游射流断面上的观测点获取各观测点处的射流速度和水相比例，从而得到每一组参数组合对应的射流速度分布以及水相比例分布。
需要说明的是，冲击式水轮机喷嘴模型出口下游射流断面是指当流体从冲击式水轮机喷嘴的出口以射流射出后，与射流方向垂直的横断面。在仿真时，最少选择一个射流断面布置观测点，但考虑到射流的动态扩散情况导致的空间异质性，可以在冲击式水轮机喷嘴模型出口下游设置多个不同位置的射流断面进行观测点布置，从而全面反映射流速度分布以及水相比例分布。
S2、以最大化经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解。且多目标优化的每一轮迭代求解过程中，均需要针对待优化结构参数的每一组待选解，计算其对应的优化目标的值，进而作为下一步寻优的基础。由于上一步骤中，以及构建了能够预测CFD 仿真结果的BP神经网络，因此在多目标优化的每一轮迭代求解过程中，不再需要进行CFD仿真，而是对待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值。
需要说明的是，本发明中的多目标优化可以采用任何能够实现相应功能的多目标优化算法，在后续实施例中考虑冲击式水轮机喷嘴结构参数优化的实际需要，选择采用RMSProp算法。
需要说明的是，此步骤中所说的“最新训练后的BP神经网络”是指当前最新的BP神经网络。由于本发明中该BP神经网络存在初次训练和重训练过程，因此每次调用BP神经网络都需要当前最新训练后的BP神经网络。
S3、通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练。
需要说明的是，由于在CFD仿真获取训练样本时，为了保证BP神经网络能够预测不同工况不同参数下的射流速度分布以及水相比例分布，需要使各待优化结构参数尽量均匀分布在整个参数空间中。但是受限于CFD仿真的低效率、高复杂性，获取的训练样本并不会太多。因此，训练得到的BP神经网络对于全局最优解所在空间的预测准确性尚未达到最近。由此，本发明的上述S3步骤中设计了网络重训练优化策略，其目的是通过初步训练的BP神经网络和多目标优化算法，来大致预测当前最优解，此时的当前最优解一般来说是局部最优解。但是基于这些当前最优解可以缩小全局最优解的搜索空间，利用这些当前最优解重新进行CFD仿真，得到射流速度分布以及水相比例分布的数值模拟结果。而BP神经网络本身已经通过预测获得了这些当前最优解的预测结果，因此将数值模拟结果作为金标准，与BP神经网络的预测结果进行对比，即可确定偏差，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练。由此，BP神经网络能够逐渐在全局最优解的搜索空间中提高预测准确性，避免因BP神经网络的预测偏差导致的全局最优解无法收敛的问题。
需要说明的是，本发明中能量效率可以定义为水流经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值。作为本发明实施例的一种较佳实现方式，经过喷嘴后的流体能量为冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元中水相流体的动能之和，且计算单个第一体积单元中水相流体质量时需要根据水气两相各自的密度以及这个第一体积单元中的水相比例进行换算；而经过喷嘴前的流体能量是冲击式水轮机喷嘴入口截面处所有第二体积单元中水相流体的动能之和，每个第二体积单元中全部为单一的水相流体。
需要说明的是，第一体积单元和第二体积单元是由获取训练样本时进行的计算流体力学（CFD）仿真所划分的，一个断面被离散化为多少个体积单元是在仿真时进行调整的。
S4、利用重新训练后的BP神经网络，重新执行S2步骤并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
需要说明的是，在该S4步骤中，S3重新训练后的BP神经网络即作为S2中最新训练后的BP神经网络，由于BP神经网络在全局最优解的搜索空间中的预测准确性已经得到了提高，因此其得到的当前最优解可以视为全局最优解。根据这组全局最优解对应的冲击式水轮机喷嘴结构参数，即可用于优化设计冲击式水轮机喷嘴的结构。
当然，在该S4步骤中，也可以同时获取多组全局最优解，从中进行进一步筛选，对此不做限定。
另外，基于与上述实施例中提供的一种冲击式水轮机喷嘴结构参数优化方法相同的发明构思，本发明的另一较佳实施例中提供了一种冲击式水轮机喷嘴结构参数优化系统，如图4所示，该优化系统包括以下功能模块：
预测网络模块，用于获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到；
多目标优化模块，用于最大化以经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解；且多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值；
网络重训练模块，用于通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练；
最优参数输出模块，用于利用重新训练后的BP神经网络，重新执行所述多目标优化模块并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
由于上述冲击式水轮机喷嘴结构参数优化方法解决问题的原理与本发明上述实施例的冲击式水轮机喷嘴结构参数优化系统相似，因此该实施例中系统的各模块具体实现形式未尽之处亦可参见上述S1~S4所示方法部分的具体实现形式，重复之处不再赘述。
另外需要说明的是，上述实施例提供的系统中，各模块在被执行是相当于是按序执行的程序模块，因此其本质上是执行了一种数据处理的流程。且所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的各实施例中，所述方法和系统中对于步骤或者模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或步骤可以结合或者可以集成到一起，一个模块或者步骤亦可进行拆分。
下面本发明将进一步通过一个具体实例，来展示上述实施例中冲击式水轮机喷嘴结构参数优化方法在具体实例上的详细实现过程，以便于理解本发明的实质。
实施例
在本实例中，冲击式水轮机喷嘴结构参数优化方法具体过程如下：
步骤1）、根据正交试验法以及CFD软件建立冲击式水轮机喷嘴训练数据集。
步骤1.1）、根据冲击式水轮机喷嘴模型，确认影响喷嘴设计的p个影响因素。
如图2所示的示例例中，冲击式水轮机喷嘴由喷针与外壳结构组成。依据冲击式水轮机结构，喷嘴结构的参数有喷嘴开口直径D 0 、喷嘴开口角度α D 、喷针直径D N 、喷针开口角度α N 等4个影响因素；根据冲击式水轮机工作状态，设置射流参数有喷嘴的入流速度v这1个影响因素。因此，此处需正交试验的共计5个影响因素，即p=5。
步骤1.2）、设计正交试验表L n (j i )，确认仿真喷针参数列表。
确认正交试验表中符号：L为正交试验表的代号，n为试验次数，j为正交试验的水平数，i为正交试验的因素数。确认各符号数值。其中试验次数n为10，试验的水平数j为4，试验的因素数i为5。绘制正交试验表L 10 (5 6 )并确认各影响因素数值替代全面试验，如表1所示。
表1 正交试验表
Figure DEST_PATH_IMAGE001
步骤1.3）、基于喷嘴参数，建立喷嘴三维模型。
此处，可使用三维制图软件绘制不同影响因素下的喷嘴三维模型。
步骤1.4）、在CFD软件中，对模型进行仿真与观测，获得输出数据，建立冲击式水轮机喷嘴数据库。
在喷嘴模型上设置n个观测点，在本实施例中n=100，其中观测点位置在距喷嘴5cm、10cm射流断面上均匀分布。针对不同模型设置不同的入流速度，使用CFD软件对通过模型进行流体瞬态二相流模拟。获得观测点上射流速度以及水相比例作为输出，构建冲击式水轮机喷嘴数据库。
步骤2）、建立基于BP神经网络的冲击式水轮机喷嘴参数优化模型。
步骤2.1）、确定样本矩阵。
将BP神经网络的训练样本构建为矩阵形式，包括输入矩阵和输出矩阵，输入矩阵和输出矩阵均需要进行归一化预处理。
步骤2.2）、建立并训练基于BP神经网络的冲击式水轮机喷嘴参数优化模型。
确认BP神经网络架构并创建BP神经网络，如图3所示，冲击式水轮机喷嘴BP神经网络的输入变量为5个：喷嘴开口直径D 0 、喷嘴开口角度α D 、喷针直径D N 、喷针开口角度α N 以及喷嘴的入流速度v；输出变量为200个：神经网络预测的100个观测点上的射流速度vB、神经网络预测的100个观测点上的水相比例ωB。因此，作为标签的目标变量也为200个：CFD仿真获得100个观测点上的流体速度v0、CFD仿真获得100个观测点上的水相比例ω0。由图3可知BP神经网络的输入层节点数为5个，输出节点数为100个。其中隐含节点数由前人设计经验和反复试验来确定。经过多次仿真试验确定BP神经网络模型的隐含层节点数为15个，因此网络结构为5-20-10。
根据建立的冲击式水轮机喷嘴训练数据集，划分出BP神经网络的训练集和测试集，随机挑选6组数据作为训练集，4组作为测试集，利用训练集对神经网络进行迭代训练，更新网络参数。为检验冲击式水轮机喷嘴BP神经网络的泛化能力，在测试集上运用水轮机喷嘴BP神经网络进行模拟，并与CFD仿真结果进行对比，说明了冲击式水轮机喷嘴BP神经网络具有较高的精度与泛化能力，能有效替代CFD仿真过程，提高设计效率。最终得到训练后的BP神经网络模型作为冲击式水轮机喷嘴参数优化模型。
步骤3）、使用目标优化算法对喷嘴模型进行优化。
步骤3.1）、确认优化目标与约束范围：
步骤3.1.1）、选择最大化经过喷嘴前后能量效率作为优化目标，其中能量效率η定义为经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值，以公式可表示为：
η=Ekout/Ekin
其中Ekin为入口流体能量，即经过喷嘴前的流体能量，Ekout为出口流体能量，即经过喷嘴后的流体能量。
出口流体能量Ekout可表示为：
Figure 938809DEST_PATH_IMAGE002
其中，N 2 表示冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元的总数；而针对第i个第一体积单元，ρ i 表示水相流体密度（即水的密度），v i 表示射流速度，V i 表示水相流体体积，可根据水相比例与第一体积单元体积进行换算；n k 表示第k个射流断面上的的观测点数量。需注意，如果有多个观测的射流断面，则上述Ekout需要进行平均。
入口流体能量Ekin可表示为：
Figure DEST_PATH_IMAGE003
其中：N 1 表示冲击式水轮机喷嘴入口截面处所有第二体积单元的总数；而针对第j个第二体积单元，ρ j 表示水相流体密度（即水的密度），v j 表示入流速度，V j 表示水相流体体积。由于喷嘴入口处不存在气相，因此每个第二体积单元中全部为单一的水相流体，水相流体体积V j 即第二体积单元的体积。
步骤3.1.2）、根据喷嘴结构设计经验确定对喷嘴开口直径D 0 、喷嘴开口角度α D 、喷针直径D N 、喷针开口角度α N 等喷嘴结构参数的取值范围，同时根据喷嘴的应用工况确定入流速度v。
步骤3.2）、以最大化经过喷嘴前后能量效率作为优化目标，使用RMSProp算法对喷嘴模型进行目标优化，得到待优化结构参数的当前最优解。多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值。
步骤4）、通过模型迭代，确认最优喷嘴参数。
通过多次执行前述的多目标优化，得到待优化结构参数的多组当前最优解。对每一组当前最优解，重新在CFD软件中进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练。
步骤5）、最终喷嘴设计参数输出。
利用重新训练后的BP神经网络，重新执行前述步骤3），以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
当得到全局最优解后，基于全局最优解建立喷嘴三维模型并对模型进行仿真分析，对仿真结果的能量效率提升进行确认。如果喷嘴的能量效率得到较好地提升，则将该做参数进行输出，用于优化设计冲击式水轮机喷嘴的结构。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种冲击式水轮机喷嘴结构参数优化方法，其特征在于，包括：
S1、获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到；
S2、以最大化经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解；且多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值；
S3、通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练；
S4、利用重新训练后的BP神经网络，重新执行S2步骤并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
2.如权利要求1所述的冲击式水轮机喷嘴结构参数优化方法，其特征在于，所述的待优化结构参数由喷嘴开口直径、喷嘴开口角度、喷针直径、喷针开口角度组成。
3.如权利要求1所述的冲击式水轮机喷嘴结构参数优化方法，其特征在于，所述训练数据集的获取方法为：
在待优化结构参数和喷嘴入流速度的设计范围内，通过正交试验设计若干组不同的待优化结构参数和喷嘴入流速度的参数组合，然后对每一组参数组合构建对应的冲击式水轮机喷嘴模型，并通过计算流体力学仿真软件对构建的冲击式水轮机喷嘴模型进行气液两相流瞬态数值模拟，通过均匀分布在冲击式水轮机喷嘴模型出口下游射流断面上的观测点获取各观测点处的射流速度和水相比例，从而得到每一组参数组合对应的射流速度分布以及水相比例分布。
4.如权利要求1所述的冲击式水轮机喷嘴结构参数优化方法，其特征在于，所述的能量效率为经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值；其中，经过喷嘴后的流体能量为冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元中水相流体的动能之和，且计算单个第一体积单元中水相流体质量时需要根据水气两相各自的密度以及这个第一体积单元中的水相比例进行换算；而经过喷嘴前的流体能量是冲击式水轮机喷嘴入口截面处所有第二体积单元中水相流体的动能之和，每个第二体积单元中全部为单一的水相流体。
5.如权利要求1所述的冲击式水轮机喷嘴结构参数优化方法，其特征在于，所述的多目标优化采用RMSProp算法。
6.一种冲击式水轮机喷嘴结构参数优化系统，其特征在于，包括：
预测网络模块，用于获取由训练数据集训练后的BP神经网络，所述BP神经网络的输入为冲击式水轮机喷嘴的入流速度以及待优化结构参数的值，输出为冲击式水轮机喷嘴出口下游射流断面上的射流速度分布以及水相比例分布；所述训练数据集中的每个训练样本均通过对冲击式水轮机喷嘴进行气液两相流数值模拟得到；
多目标优化模块，用于以最大化经过冲击式水轮机喷嘴前后的能量效率作为优化目标，在喷嘴的待优化结构参数设计范围内对待优化结构参数迭代进行多目标优化，得到待优化结构参数的当前最优解；且多目标优化的每一轮迭代求解过程中，对于待优化结构参数的每一组待选解，均需利用最新训练后的BP神经网络在目标工况对应的入流速度下预测模型输出，并按照输出的射流速度分布以及水相比例分布计算经过喷嘴后的流体能量，再以经过喷嘴后的流体能量与经过喷嘴前的流体能量之比作为所述优化目标的值；
网络重训练模块，用于通过多次执行所述多目标优化，得到待优化结构参数的多组当前最优解；对每一组当前最优解，重新进行气液两相流数值模拟，并将数值模拟结果与BP神经网络的预测结果进行对比，将偏差小于阈值的当前最优解以及其数值模拟结果作为训练样本加入BP神经网络的训练数据集中，重新对BP神经网络进行训练；
最优参数输出模块，用于利用重新训练后的BP神经网络，重新执行所述多目标优化模块并以得到的待优化结构参数的当前最优解作为全局最优解，用于优化设计冲击式水轮机喷嘴的结构。
7.如权利要求6所述的冲击式水轮机喷嘴结构参数优化系统，其特征在于，所述的待优化结构参数由喷嘴开口直径、喷嘴开口角度、喷针直径、喷针开口角度组成。
8.如权利要求6所述的冲击式水轮机喷嘴结构参数优化系统，其特征在于，所述训练数据集的获取方法为：
在待优化结构参数和喷嘴入流速度的设计范围内，通过正交试验设计若干组不同的待优化结构参数和喷嘴入流速度的参数组合，然后对每一组参数组合构建对应的冲击式水轮机喷嘴模型，并通过计算流体力学仿真软件对构建的冲击式水轮机喷嘴模型进行气液两相流瞬态数值模拟，通过均匀分布在冲击式水轮机喷嘴模型出口下游射流断面上的观测点获取各观测点处的射流速度和水相比例，从而得到每一组参数组合对应的射流速度分布以及水相比例分布。
9.如权利要求6所述的冲击式水轮机喷嘴结构参数优化系统，其特征在于，所述的能量效率为经过喷嘴后的流体能量与经过喷嘴前的流体能量的比值；其中，经过喷嘴后的流体能量为冲击式水轮机喷嘴出口下游射流断面上的所有第一体积单元中水相流体的动能之和，且计算单个第一体积单元中水相流体质量时需要根据水气两相各自的密度以及这个第一体积单元中的水相比例进行换算；而经过喷嘴前的流体能量是冲击式水轮机喷嘴入口截面处所有第二体积单元中水相流体的动能之和，每个第二体积单元中全部为单一的水相流体。
10.如权利要求6所述的冲击式水轮机喷嘴结构参数优化系统，其特征在于，所述的多目标优化采用RMSProp算法。
CN202210903519.5A 2022-07-29 2022-07-29 冲击式水轮机喷嘴结构参数优化方法及系统 Active CN114997073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210903519.5A CN114997073B (zh) 2022-07-29 2022-07-29 冲击式水轮机喷嘴结构参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210903519.5A CN114997073B (zh) 2022-07-29 2022-07-29 冲击式水轮机喷嘴结构参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN114997073A true CN114997073A (zh) 2022-09-02
CN114997073B CN114997073B (zh) 2022-12-09

Family

ID=83022518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210903519.5A Active CN114997073B (zh) 2022-07-29 2022-07-29 冲击式水轮机喷嘴结构参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN114997073B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864183A (en) * 1996-08-28 1999-01-26 Voith Hydro, Inc. Method and apparatus for optimizing performance of a pump-turbine
WO2004109593A2 (de) * 2003-06-05 2004-12-16 Alstom Technology Ltd Verfahren zur evolutionären optimierung, insbesondere von komplexen technischen gegenständen wie z.b. turbomaschinenschaufeln oder dgl
CN108763831A (zh) * 2018-06-25 2018-11-06 国家电网有限公司 一种水泵水轮机线性模型参数辨识方法
CN108763690A (zh) * 2018-05-17 2018-11-06 华中科技大学 一种水轮机固定导叶叶型智能优化方法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN110361974A (zh) * 2019-07-16 2019-10-22 华北水利水电大学 基于bp-foa混合算法的水轮机调速系统优化方法
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN112949165A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法
WO2021163309A1 (en) * 2020-02-11 2021-08-19 Siemens Aktiengesellschaft Frequency-compensted neural networks for fluid dynamics design problems

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864183A (en) * 1996-08-28 1999-01-26 Voith Hydro, Inc. Method and apparatus for optimizing performance of a pump-turbine
WO2004109593A2 (de) * 2003-06-05 2004-12-16 Alstom Technology Ltd Verfahren zur evolutionären optimierung, insbesondere von komplexen technischen gegenständen wie z.b. turbomaschinenschaufeln oder dgl
CN108763690A (zh) * 2018-05-17 2018-11-06 华中科技大学 一种水轮机固定导叶叶型智能优化方法
CN108763831A (zh) * 2018-06-25 2018-11-06 国家电网有限公司 一种水泵水轮机线性模型参数辨识方法
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN110361974A (zh) * 2019-07-16 2019-10-22 华北水利水电大学 基于bp-foa混合算法的水轮机调速系统优化方法
WO2021163309A1 (en) * 2020-02-11 2021-08-19 Siemens Aktiengesellschaft Frequency-compensted neural networks for fluid dynamics design problems
CN112949165A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
J. FRAILE-ARDANUY等: "Speed Optimisation Module of a Hydraulic Francis turbine based on Artificial Neural Networks. Application to the Dynamic Analysis and Control of an Adjustable Speed Hydro Plant", 《IEEE》 *
王兴林等: "多喷嘴冲击式水轮机配水环管结构对效率的影响", 《机械》 *
门闯社等: "混流式水轮机内特性模型改进及在外特性曲线拓展中的应用", 《农业工程学报》 *

Also Published As

Publication number Publication date
CN114997073B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Rossi et al. A general methodology for performance prediction of pumps-as-turbines using Artificial Neural Networks
CN104317997A (zh) 一种高负荷风扇/压气机端壁造型优化设计方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
Derakhshan et al. Optimization of GAMM Francis turbine runner
Kear et al. Computational aerodynamic optimisation of vertical axis wind turbine blades
Pierret et al. Designing turbomachinery blades with the function approximation concept and the navier-stokes equations
Coiro et al. Diffuser shape optimization for GEM, a tethered system based on two horizontal axis hydro turbines
Dao et al. Fault diagnosis of hydro-turbine via the incorporation of bayesian algorithm optimized CNN-LSTM neural network
Sheikh et al. Optimization of the shape of a hydrokinetic turbine’s draft tube and hub assembly using Design-by-Morphing with Bayesian optimization
Arslan et al. Investigating the best automatic programming method in predicting the aerodynamic characteristics of wind turbine blade
Nguyen et al. Hydrodynamic optimization of the impeller and diffuser vane of an axial-flow pump
CN114997073B (zh) 冲击式水轮机喷嘴结构参数优化方法及系统
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
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法
Ma et al. Improved centrifugal compressor impeller optimization with a radial basis function network and principle component analysis
Zhang et al. Data-model-interactive enhancement-based Francis turbine unit health condition assessment using graph driven health benchmark model
CN114254460B (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
Abdelghafar et al. Optimum geometry of seashell-shaped wind turbine rotor: Maximizing output power and minimizing thrust
Yazar et al. Modelling and comparison of compressor performance parameters by using ANFIS
Zandieh et al. A comprehensive insight into the application of machine learning approaches in predicting the separation efficiency of hydrocyclones
Cravero et al. Design optimization of a multistage axial turbine using a response surface based strategy
CN114519299A (zh) 一种一体化支板火焰稳定器双层壁结构的多目标优化方法
Leylek et al. Global Three-Dimensional Surrogate Modeling of Gas Turbine Aerodynamic Performance
Mun et al. Multi-objective optimization of draft tube in Francis turbine using DOE, RBF and NSGA-II
Vatandoust et al. DLDNN: Deterministic Lateral Displacement Design Automation by Neural Networks

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