CN115017843A - 一种离心压缩机气动性能优化设计方法 - Google Patents
一种离心压缩机气动性能优化设计方法 Download PDFInfo
- Publication number
- CN115017843A CN115017843A CN202210949136.1A CN202210949136A CN115017843A CN 115017843 A CN115017843 A CN 115017843A CN 202210949136 A CN202210949136 A CN 202210949136A CN 115017843 A CN115017843 A CN 115017843A
- Authority
- CN
- China
- Prior art keywords
- design
- curve
- centrifugal compressor
- parameters
- blade
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000009434 installation Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000010992 reflux Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 13
- 238000012986 modification Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000013401 experimental design Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 239000012530 fluid Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 102400000234 M-beta Human genes 0.000 description 2
- 101800001478 M-beta Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F30/28—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]
- G06F30/10—Geometric CAD
-
- 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
- G06F2111/10—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
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开一种离心压缩机气动性能优化设计方法,该方法改进传统“设计‑修改”的设计思路,通过参数化造型将子午流道的线性、叶片安装角分布的线性以及叶片厚度分布的线性用少量参数控制的直线或曲线描述出来,进而形成一个由少量参数即可表示出来的三维几何,然后通过试验设计、人工神经网络、遗传算法和CFD相结合的优化方法得到符合设计参数范围内气动性能最优的离心压缩机模型。该设计方法一方面可以对改进方向无从下手的设计方案进行进一步优化,另一方面在有明确改进方向时也可以针对特定参数进行优化设计。在保证尺寸不变的情况下,使离心压缩机的气动性能更优。
Description
技术领域
本发明涉及离心式压缩机气动设计领域,特别是涉及一种离心压缩机气动性能优化设计方法。
背景技术
离心压缩机在工业生产中有着越来越广泛的应用;特别是在航空航天、重大化工装置、气体输送和液化等领域,离心压缩机更是最关键的核心装备之一。随着社会对节能与环保的要求越来越高,对离心压缩机的气动性能要求也越来越高。进一步提升离心压缩机的气动性能,可以节约能源,减少污染物排放并进一步促进人与自然的和谐发展。通用的离心压缩机设计方法是根据流场分析通过不断修改几何,不断进行数值模拟求解。这种方法有时候会耗费大量时间,也不一定可以得到全局最优解。
发明内容
有鉴于此,本发明提供一种离心压缩机气动性能优化设计方法,目的在于将离心压缩机各个几何参数、复杂的三维流场以及各个损失建立直观的联系,对叶轮等部件进行优化,提高设计出的离心压缩机的气动性能。
依据本发明的一个方面,提供了一种离心压缩机设计方法,包括:
确定离心压缩机的设计输入参数;
使用Bezier曲线及B样条曲线构造叶轮的三维几何模型;
通过拉丁超立方试验设计(LHD)方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库;
通过人工神经网络和遗传算法对样本库建立近似模型并找到叶轮和回流器的最优结构参数。
使用Bezier曲线及B样条曲线构造叶轮的三维几何模型后,还使用圆弧、直线、Bizier曲线相结合的方式构造回流器的子午流道三维几何模型。
具体步骤如下:
步骤1,确定离心压缩机气动优化设计内容:以叶轮叶型参数、回流器叶型参数及子午流道参数为设计变量,以限定的参数变化范围为约束条件,以叶轮和回流器的性能最大为目标函数;
步骤2,构建试验设计模块:选择对应的试验设计方法进行试验设计,自动生成若干组满足设计变量约束条件的试验样本后,再通过流体力学的精确计算和对计算结果的数据处理得到响应值的集合;通过拉丁超立方试验设计方法生成包含变量参数及目标函数的样本库;
步骤3,构建近似模型模块:选择对应的CFD近似方法对试验设计模块得到的样本数据和响应值的集合构建近似模型,得到输入变量与输出响应之间的映射关系;然后选取若干个随机样本对近似模型进行评估,若近似模型的近似效果较好,则用该近似模型代替高精度分析模型;若近似模型的近似效果较差,则通过在试验设计中加入更多的样本点或修改近似模型的参数来重新构建近似模型,直至近似效果达到精度要求;
步骤4,构建优化设计模块:选择对应的人工神经网络和遗传优化算法对得到的近似模型进行优化,若结果能够满足设计要求,则得到优化后的叶轮和回流器结构参数;若结果不能够满足设计要求,则从步骤2开始重新修改方法和参数,并重复上述过程,直至达到设计要求。
可选的,试验设计方法包括参数试验、部分因子设计、正交数组、中心组合设计、拉丁超立方设计等。
可选的,构件近似模型的方法还包括响应面法、人工神经网络法及克里金模型等。
可选的,优化设计的寻优方法包括遗传算法、禁忌搜索、分散搜索、粒子群算法、模拟退火、人工免疫系统和蚁群算法等。
具体的,根据如下Bezier的曲线公式建立叶轮扩压器子午流道参数化模型;
根据如下B样条曲线的数学表达式选取叶片两个截面构建叶片安装角曲线模型;
具体的,在使用圆弧、直线、Bizier曲线相结合的方式构造回流器的子午流道三维几何模型中,具体步骤如下:对回流器的盘侧弯道处采用单圆弧造型,对回流器叶片部分采用直线造型,对回流器出口处采用Bezier曲线构造。
具体的,通过拉丁超立方试验设计(LHD)方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库,具体包括:
对原始几何模型及参数化模型进行数值计算,对两种模型的气动性能和主要流场进行比对分析。
具体的,通过拉丁超立方试验设计(LHD)方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库,具体包括:
将参数化模型与原始几何模型进行三维CFD数值模拟,并将结果进行对比。为了保证对比的准确性,CFD计算过程参数化模型和原始几何模型所采用的网格形式、网格数、湍流模型等网格及计算设置完全相同。为了检验参数化模型的可靠性,除了对比整机的多变效率及总压比外,还需要对比参数化模型与原始几何模型在相同出口截面处的气流均匀性,如气流角分布曲线等。
具体的,通过人工神经网络和遗传算法对样本库建立近似模型并选取最优解,包括:
选取叶轮叶片子午面上的R坐标值及叶片Hub和Shroud侧beta角作为变量参数,变量范围为设计值的±10%;
选取113%设计流量、设计流量和85%设计流量的多变效率作为优化的目标函数,设计点的总压比为约束条件;
根据样本库的数据,生成一个神经网络,然后根据多目标遗传算法的寻优结果不断对神经网络进行训练;
选取与CFD结果误差在2%以内的预测值。
进一步的,根据优化设计方案调整叶轮叶片安装角和回流器不同截面叶片出口安装角。
采用本方案通过对离心压缩机叶轮及回流器进行参数化设计,可以得到更好的气动性能,使离心压缩机模型级的气动性能更优,通过计算流体力学(CFD)计算对比参数化几何结果与原始几何结果的气动性能,验证参数化设计的准确性,通过多目标优化设计方法,对叶轮叶型参数、回流器叶型参数及子午流道参数进行优化,能够得到变工况气动性能更优的离心压缩机改进方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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为本发明提出的一种离心压缩机设计方法流程图;
图2为本发明提出的一种离心压缩机优化基本流程图;
图3为本发明提出的一种离心压缩机优化设计模块方框示意图;
图4为本发明实施例叶轮的子午流道参数化模型示意图;
图5为本发明实施例叶轮的中弧线参数模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种离心压缩机设计方法,对离心压缩机的叶轮及回流器作为研究对象,对其进行参数化设计,并通过CFD计算对比参数化几何结果与原始几何结果的气动性能,验证了参数化设计的准确性。随后通过多目标优化设计方法,对叶轮叶型参数、回流器叶型参数及子午流道参数进行优化,得到变工况气动性能更优的整机离心压缩机改进方案,随后根据优化设计结果将最优解应用到离心压缩机上,得到改进的设计方案。
如图1至图3所示,具体的,该方法包括如下步骤:S1:根据叶轮的设计参数建立叶轮的参数化模型,其中叶轮扩压器子午流道部分如图4所示,其控制曲线为5个控制点的Bezier曲线。接着选取叶片部分的两个截面进行参数化设计,其中叶型截面部分采用M-beta中弧线的形式,M-beta中弧线是由6个点控制的B样条曲线构成,如图5所示,最后导入原始叶片的厚度分布数据,生成叶型的压力面及吸力面且积叠线角度分布为线性分布;S2:根据回流器的设计参数使用圆弧、直线、Bezier 曲线相结合的方式构造回流器的子午流道三维几何模型;S3:以叶轮叶片上5个截面上的出口安装角、回流器叶片数、回流器出口子午型线的控制点、回流器叶片子午面上前缘及尾缘控制点的参数作为设计变量,给定参数的合理变化范围,然后采用拉丁超立方的试验设计方法生成设计变量的试验样本;S4:以叶轮压力系数、压力方差为目标变量,采用应用线性回归sigmoid函:建立设计变量与目标变量之间的回归关系;S6:采用多目标遗传算法对所述设计变量进行寻优,得到所述设计变量的优化解集。
具体的,参数化模型可以将复杂的二维曲线及三维曲面通过若干个简单的参数描述出来,使工程师们可以通过调整几个参数从而改变叶型,对于离心压缩机三维气动性能的优化设计,工程师们可以通过构建合适的参数化模型,确定参数变量,从而进行后续的三维优化设计。但对叶轮进行参数化造型时所需的参数较多,致使优化过程中,优化样本库数据点的需求过于庞大,因此在保证参数化精度的前提下,减少参数,以减小优化设计对样本库数据点的需求,进而缩短计算周期。在本实施例中,使用Bezier曲线及B样条曲线构造叶轮的三维几何模型,
具体的,以叶轮子午线、叶片中弧线、叶片厚度、叶片前缘几何形状的特征参数使用Bezier曲线建立叶轮扩压器子午流道参数化模型,其中,
Bezier曲线的数学表达式:
具体的,使用B样条曲线选取叶片两个截面构建叶片安装角曲线模型;
B样条曲线的数学表达式:
进一步的,在参数化建模后通过参数化拟合,将参数化模型及原始模型对比结果,确认参数化模型能否替代原始几何模型。
进一步的,叶轮的参数化设计过程中,常用线条除了常规的直线及圆弧以外,往往使用Bezier曲线和B样条曲线来描述复杂的曲线。离心压缩机不同的部件取用不同的参数化造型方法,在本实施例中,使用圆弧、直线、Bizier曲线相结合的方式构造回流器的子午流道三维几何模型,具体的,对回流器的盘侧弯道处采用单圆弧造型,对回流器叶片部分采用直线造型,对回流器出口处采用Bezier曲线构造。
子午流道的参数化主要是将二维Z-R坐标下对子午流道的hub线及shroud线选用合适的曲线进行参数化造型得到子午面视图。随后定义叶片的盘盖侧的前缘点及尾缘点,确定叶片在子午流道的面上的进口和出口;
叶片中弧线参数化主要是将叶片各个截面的安装角分布用合适的曲线给出;
叶片厚度参数化主要是给出叶片在沿中弧线方向的厚度分布的曲线,通过中弧线及厚度分布,即可生成每个截面的二维叶型,随后通过坐标转化成三维坐标(X,Y,Z)及人为给定的积叠方式就可以生成完整的三维叶片;
离心压缩机的参数化造型主要是将子午流道的线型,叶片安装角分布的线型以及厚度分布的线型用少量参数控制的直线或曲线描述出来,进而生成一个由少量参数即可以表示出来的三维几何。使用Bezier曲线及B样条曲线可构造整个几何模型,子午面使用Bezier曲线可以更加简单的描述端壁线型,且参数改变之后可以保证整个端壁线型的光滑过渡。叶片中弧线选用B样条曲线控制叶片安装角来构造,可以使叶片安装角的分布更加多样化,且修改单个变量的时候只影响叶片安装角分布曲线中的局部线型,更适用于构造叶片中弧线。回流器参数化造型主要工作在于子午流道端壁线的参数化造型,子午流道的复杂曲线线型选用b样条曲线会导致变量过多,选用Bezier曲线会导致修改一个变量影响整个子午流道线型。因此基于回流器子午流道的特殊结构选用了多段线组合的形式构造,以圆弧,直线,Bezier曲线相结合的方式构造了子午流道,在优化过程中修改单一变量不至于影响整个子午流道线型,且整个子午流道的曲线控制点较少,利于优化。
进一步的,试验设计方法(Design of Experiments,DOE)能够对样本空间进行精确的取值,减少优化过程所需的时间并提供精确的结果,在本实施例中,通过拉丁超立方试验设计(LHD)方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库,具体的,对原始几何模型及参数化模型进行数值计算,对两种模型的气动性能和主要流场进行比对分析。使用数学优化方法与计算流体力学相结合对叶轮机械进行优化设计可以减轻工程人员的负担。使用高性能计算机对参数化模型进行自动修改变量、自动生成网格计算的过程可以24小时不间断的运行,工作效率远远高于设计人员反复修改。选用的拉丁超立方取样可以确保样本库的精度。
进一步的,通过模型的近似选取法建立某种数学模型来确定输入与输出之间的联系,将变量参数和目标函数之间建立映射关系,拟合成特定的函数,该函数一般情况下由试验设计所生成的样本库进行数据拟合而成,在本实施例中,将参数化模型与原始几何模型进行三维CFD数值模拟,并将结果进行比对,然后通过人工神经网络和遗传算法对样本库建立近似模型并选取最优解,具体的,选取叶轮叶片子午面上的R坐标值及叶片Hub和Shroud侧beta角作为变量参数,变量范围为设计值的±10%;选取113%设计流量、设计流量和85%设计流量的多变效率作为优化的目标函数,设计点的总压比为约束条件;根据样本库的数据,生成一个神经网络,然后根据多目标遗传算法的寻优结果不断对神经网络进行训练;选取与CFD结果误差在2%以内的预测值。
进一步的,根据优化设计得到的结果调整叶轮叶片安装角,以及回流器叶片数量和回流器不同截面叶片出口安装角。
本发明实施例采用的离心压缩机基本结构是现有常规的,该离心压缩机包括叶轮、扩压器和回流器。叶轮是最重要的做功部件,它随轴高速旋转,气体在其中受到旋转离心力和扩压流动的作用,使压力和速度提升,通常情况下它对工质做功产生60%-70%的静压升。弯道回流器是两级离心压缩机中的重要部件,它的作用主要是把从扩压器出来的气体引导到下一级压缩机继续压缩。弯道是由端壁和气缸组成的通道,回流器则由端壁和端壁间的叶片组成,在运行过程中电机驱动增速齿轮使叶轮做高速旋转运动,同时叶轮的叶片会带动气体做高速旋转,把功传递给气体,使气体获得动能,使其产生一定的离心力。在气体的离心力的作用下,气体会进入扩压器,扩压器会将气体的流速降低,促使压力升高,同时利用扩压器及导流体的导向作用使压缩空气进入下一级叶轮,并继续加压,直至达到设计额定压力。该离心压缩机的蜗壳上有两个对称设置的进气口进气结构(离心机流量为300m³/min),两个进气口同时进气,经过优化设计,配合增大输入和输出扭矩后,增加了进气流量(可以实现离心机气量翻倍最高至600m³/min),有效解决现有单进气流量小的问题,大大降低了用户的购置、基建成本等,即通过增设进气道配合增大输入和输出扭矩后,增加了空气的进气流量,并且流量可以根据客户的用气量合理智能化运行,更加高效便捷。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种离心压缩机气动性能优化设计方法,其特征在于,包括:
确定离心压缩机的设计参数;
使用Bezier曲线及B样条曲线构造叶轮的三维几何模型;
通过拉丁超立方试验设计LHD方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库;
通过人工神经网络和遗传算法对样本库建立近似模型并选取最优解。
3.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,
使用Bezier曲线及B样条曲线构造叶轮的三维几何模型后还使用圆弧、直线、Bizier曲线相结合的方式构造回流器的子午流道三维几何模型。
4.根据权利要求3所述的离心压缩机气动性能优化设计方法,其特征在于,
所述使用圆弧、直线、Bizier曲线相结合的方式构造回流器的子午流道三维几何模型,具体包括:
对回流器的盘侧弯道处采用单圆弧造型,对回流器叶片部分采用直线造型,对回流器出口处采用Bezier曲线构造。
5.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,
所述通过拉丁超立方试验设计LHD方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库,具体包括:
对原始几何模型及参数化模型进行数值计算,对两种模型的气动性能和主要流场进行比对分析。
6.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,
所述通过拉丁超立方试验设计LHD方法对变量参数的样本库进行取样,对每一个样本几何进行CFD计算,生成包含变量参数及目标函数的样本库,具体包括:
将参数化模型与原始几何模型进行三维CFD数值模拟,并将结果进行比对。
7.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,
通过人工神经网络和遗传算法对样本库建立近似模型并选取最优解,具体包括:
选取叶轮叶片子午面上的R坐标值及叶片Hub和Shroud侧beta角作为变量参数,变量范围为设计值的±10%;
选取113%设计流量、设计流量和85%设计流量的多变效率作为优化的目标函数,设计点的总压比为约束条件;
根据样本库的数据,生成一个神经网络,然后根据多目标遗传算法的寻优结果不断对神经网络进行训练;
选取与CFD结果误差在2%以内的预测值。
8.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,所述优化设计方法还包括:
根据优化设计得到的方案调整叶轮叶片安装角。
9.根据权利要求1所述的离心压缩机气动性能优化设计方法,其特征在于,所述优化设计方法还包括:
根据优化设计调整将回流器叶片数量和回流器不同截面叶片出口安装角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949136.1A CN115017843A (zh) | 2022-08-09 | 2022-08-09 | 一种离心压缩机气动性能优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949136.1A CN115017843A (zh) | 2022-08-09 | 2022-08-09 | 一种离心压缩机气动性能优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017843A true CN115017843A (zh) | 2022-09-06 |
Family
ID=83065915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949136.1A Pending CN115017843A (zh) | 2022-08-09 | 2022-08-09 | 一种离心压缩机气动性能优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017843A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270362A (zh) * | 2022-09-30 | 2022-11-01 | 北京科技大学 | 离心压气机额定工况下的叶片构型设计优化方法及装置 |
CN115481511A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
CN115481510A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 |
CN115510583A (zh) * | 2022-09-30 | 2022-12-23 | 北京科技大学 | 基于分段精细寻优策略的叶轮多工况气动优化方法及装置 |
-
2022
- 2022-08-09 CN CN202210949136.1A patent/CN115017843A/zh active Pending
Non-Patent Citations (1)
Title |
---|
张天宸: "离心压缩机多目标气动性能优化研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270362A (zh) * | 2022-09-30 | 2022-11-01 | 北京科技大学 | 离心压气机额定工况下的叶片构型设计优化方法及装置 |
CN115481511A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
CN115481510A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 |
CN115510583A (zh) * | 2022-09-30 | 2022-12-23 | 北京科技大学 | 基于分段精细寻优策略的叶轮多工况气动优化方法及装置 |
CN115481510B (zh) * | 2022-09-30 | 2023-05-02 | 北京科技大学 | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 |
CN115510583B (zh) * | 2022-09-30 | 2023-05-30 | 北京科技大学 | 基于分段精细寻优策略的叶轮多工况气动优化方法及装置 |
CN115481511B (zh) * | 2022-09-30 | 2023-08-29 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115017843A (zh) | 一种离心压缩机气动性能优化设计方法 | |
CN102608914B (zh) | 径流式液力透平优化设计方法 | |
CN108153998B (zh) | 离心鼓风机叶轮的全三维气动优化设计方法 | |
CN110929357A (zh) | 一种高性能舰船燃机压气机气动设计方法 | |
CN109598081B (zh) | 基于数据降维及多二维流面的径流式透平气动优化方法 | |
CN113177271B (zh) | 改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法 | |
CN106446324B (zh) | 大型工业汽轮机末级扭叶片设计方法 | |
CN112685968B (zh) | 基于空间负荷定制思想的轴流压气机气动设计方法 | |
CN112685852B (zh) | 一种轴流压气机负荷定制化气动优化方法 | |
CN112784370B (zh) | 一种多级离心泵的空间导叶的设计方法 | |
CN111027148B (zh) | 损失落后角模型自动标定及工业轴流压缩机性能计算方法 | |
CN112270139B (zh) | 基于母型库的燃料电池离心压缩机气动优化设计方法 | |
CN110245408B (zh) | 一种汽轮机单圆弧压力面叶型设计方法 | |
CN115186398A (zh) | 一种轴流压气机进口导叶造型关键角度参数确定方法 | |
CN114861315B (zh) | 一种基于机器学习的叶轮机二维叶型优化方法 | |
CN112487570A (zh) | 基于自由变形技术的离心压缩机分流叶片形状优化方法 | |
CN109815590B (zh) | 一种基于端区附面层的多级轴流压气机三维叶片造型方法及叶片 | |
CN103321957A (zh) | 轴流通风机叶轮叶片的优化设计方法 | |
Zhang et al. | Optimization of Three-Dimensional Blade and Variable Stators for Efficiency and Stability Enhancement of Multi-stage Axial Flow Compressor at Variable Speeds | |
CN108446452A (zh) | 一种混流泵叶轮鲁棒优化设计方法 | |
Kong et al. | An optimization on the stacking line of low-pressure axial-flow fan using the surrogate-assistant optimization method | |
CN115270318B (zh) | 一种船用燃气轮机轴流压气机跨音级动叶片造型方法 | |
CN116595874A (zh) | 叶轮机械性能预测模型参数优化方法及装置、存储介质 | |
CN111486114B (zh) | 一种具有流线曲率中盘的叶轮的设计方法及设计系统 | |
CN116595682A (zh) | 一种叶片泵瞬态过程性能优化设计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |
|
RJ01 | Rejection of invention patent application after publication |