CN115098961A - 基于抛流原理的除气u型流道优化方法 - Google Patents
基于抛流原理的除气u型流道优化方法 Download PDFInfo
- Publication number
- CN115098961A CN115098961A CN202210687011.6A CN202210687011A CN115098961A CN 115098961 A CN115098961 A CN 115098961A CN 202210687011 A CN202210687011 A CN 202210687011A CN 115098961 A CN115098961 A CN 115098961A
- Authority
- CN
- China
- Prior art keywords
- flow channel
- shaped flow
- degassing
- gas
- bubble
- 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
Links
- 238000007872 degassing Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000002474 experimental method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012800 visualization Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 239000007788 liquid Substances 0.000 claims description 37
- 239000012530 fluid Substances 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000005192 partition Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005266 casting Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000012780 transparent material Substances 0.000 claims 1
- 239000003921 oil Substances 0.000 description 13
- 239000010720 hydraulic oil Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000002828 fuel tank Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static 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]
- G06F30/10—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
- 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
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提出了一种基于抛流原理的除气U型流道优化方法，其包括以下步骤：S1、进行气泡追踪可视化实验：利用气泡追踪可视化实验装置观测不同结构参数下的U型流道内部流场流动情况，并得到不同结构参数下的U型流道内部气泡的图片；S2、对步骤S1得到的U型流道内部气泡的图片进行处理。S3、利用步骤S2得到的得到最终的灰度时均图，进行基于RBF神经网络和NSGA‑Ⅱ的参数数据拟合优化方法，具体过程为：使用RBF神经网络得到目标值与U型流道参数之间的代理模型，再利用NSGA‑Ⅱ在代理模型基础上，优化多个目标函数，寻找出最优解，实现结构参数的优化。
Description
技术领域
本发明属于液压技术领域，具体涉及一种基于抛流原理的除气U型流道优化方法。
背景技术
液压油箱是液压传动系统中不可或缺的辅助元件。在液压工程领域中，最为常见的油箱为开式油箱。由于其恶劣的工作环境，在工作的过程中，油液中掺入空气不可避免。掺混在液压油液中的气体一般以直径为0.25～0.5mm的微小气泡的形式存在，这些气泡的存在会引起液压油特性的改变，影响系统的动静态特性，而且气泡还易在系统高压区破碎，产生振动与噪声，降低液压系统的稳定性，减少液压元件的使用寿命，甚至引起系统失效，严重威胁到系统的运转安全。
然而，在液压油箱小型化过程中，按照传统的液压油箱设计原则，回油管和吸油管的距离会缩短，液压油是一种高粘度流体，导致气泡运动时间变短，会严重削弱油箱的除气能力。已公开专利(202110191660.2)示例性地提出一种迷宫型液压油箱，可以在满足液压系统流量的基础上，有效减小油箱体积，并且能够实现气体和固体污染物的高效分离，其中，油箱实现有效除气功能的具体结构为U型流道。但是，该发明只是简单地提出U型流道的结构形状，并没有给出具体结构参数，而在实际生产与应用中，U型流道要有最佳的除气效果，因此，需要在不产生其他消极影响的前提下进行优化设计，提高生产效率，满足要求。
气泡在流场中的竖直方向的速度分量是决定气泡上浮的主要因素，通过在流道中设置隔板，使油液在绕流之后改变其运动方向，产生竖直向上的速度分量，从而形成上抛流场。上抛流场会促进气液混合单元上浮到自由液面，加速气泡的析出。
目前相关结构参数优化方法多为正交实验法，传统的正交试验法依赖于大量的实验次数与实验数据，并且对于多指标问题，采用简单对比法，往往顾此失彼，难以实现寻优。
因此，在现有技术中，尚没有具有优异除气效果的U型流道，因此亟需研究一种除气U型流道的优化方法。
发明内容
针对现有技术中所存在的上述问题，本发明提出了一种基于抛流原理的除气U型流道优化方法，该优化方法基于抛流原理可以在满足整体油箱的结构参数合理性和不产生其他消极影响的前提下对U型流道的结构进行优化设计，从而能够大幅提高U型流道的除气能力，实现高效除气。
具体地，本发明提出了一种基于抛流原理的除气U型流道优化方法，其包括以下步骤：
S1、进行气泡追踪可视化实验：利用气泡追踪可视化实验装置观测不同结构参数下的U型流道内部流场流动情况，并得到不同结构参数下的U型流道内部气泡图片，其中，气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元，所述流体动力单元和气体动力单元通过气液混合室进行连接，所述可视化观测单元内部设置有U型流道，所述U型流道设置有可调节隔板；
S2、对步骤S1得到的不同结构参数下的U型流道内部气泡图片进行处理，得到灰度时均图，其具体包括以下步骤：
S21、去除图片无用区域，将步骤S1得到的初始图片进行截取，去除对气泡图像处理无用的区域；
S22、消除图片噪音，得到单张图片的最终灰度值；
单张图片最终灰度值Ij_p(x,y)计算公式为：
Ij_p(x,y)＝Ij+1(x,y)-Ij(x,y)-Iave_background
其中，Ij(x,y)为第j张图片的灰度值，Iave_background为背景图片的平均灰度值；
背景图片的平均灰度Iave_background计算公式为：
其中，size(Ibackground)表示截取的背景图片横方向像素个数与纵方向像素个数的乘积；
Ibackground(x,y)表示截取的背景图片的灰度值的总和；
S23、利用图像时均叠加得到处理后气泡流经区域的灰度，从而得到U型流道内部气泡图片的灰度时均图：
将气泡流经区域的灰度表示为Igray(x,y)，则灰度时均图Igray_post(x,y)表示为：
Igray_post(x,y)＝32000-γ*Igray(x,y)
其中，γ为放大系数，表示灰度区域的灰度间隔；
S3、利用步骤S2得到的U型流道内部气泡图片的灰度时均图，进行基于RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法，具体过程为：使用RBF神经网络得到目标值与U型流道参数之间的代理模型，再利用NSGA-Ⅱ在代理模型基础上，优化多个目标函数，寻找出最优解，实现结构参数的优化，其具体包括以下子步骤：
S31、确定U型流道的关键结构参数共四个，分别为入口速度v、入口高度Hin、隔板高度比Hg/H(Lg)和隔板间距比Lg/D；
S32、对所述四个关键结构参数进行数据归一化处理，使其在优化过程中的取值区间变为[0,1]；
S32、使用RBF神经网络拟合分别得到除气率和压降率与四个结构参数之间的代理模型，即函数映射关系；
S34、将仿真数据分为训练集和测试集，利用训练集完成神经网络的构建，利用测试集测试神经网络的性能。
在300组仿真数据中，选取其中246组作为训练集完成神经网络的构建，剩余54组数据作为测试集测试神经网络的数据拟合性能，最终利用多目标遗传算法在代理模型的基础上寻找出最优解。
优选地，步骤S33中建立代理模型的具体步骤如下：
S331、利用径向基函数作为隐含层的基构成隐含层空间，对非线性的输入变量进行变换，将低维的输入数据映射到高维特征空间内，通过对隐单元的输出进行加权求和得到输出；
S332、在优化过程中，将除气率A和相对压降P分别作为评价抛流除气区除气和通流性能的两个指标，得到多组不同设计参数组合对应的抛流除气区除气率预测模型，并通过CFD仿真计算得到各组不同设计参数组合的除气率A与相对压降率P，并最终得到用于RBFNN训练和测试的样本数据库；
S333、在抛流除气区除气率预测模型的训练与建立中，输入变量为X＝[v，H,Lg/D，Hg/H(Lg)]，输出变量为；在相对压降率预测模型的训练与建立中F(X)＝ηA，输入变量相同，输出变量为F(X)＝ηP；通过训练得到隐含层各神经元的输出，并最终得到准确率最高的抛流除气区除气率预测模型。
优选地，步骤S23中图像时均叠加指将预处理后图片叠加后并进行平均处理，将图像背景与气泡叠加状态的灰度值区分开，替换初始拍摄的背景图片后，则能得到气泡平均分布区域与分布情况。
优选地，所述气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元，所述流体动力单元和气体动力单元通过气液混合室进行连接；
所述流体动力单元包括变频器、电机、液体泵和流体流量计，试验流体由所述液体泵输送，所述变频器通过控制电机以实现对液体泵输出流量的实时调节，为试验提供稳定的流体速度；
所述气体动力单元包括多孔金属板、单向阀、气体流量计、调速阀和气泵，通过调速阀实现气体流量的实时调节，试验气体由气泵输送后通过多孔金属板将气泵产生的气泡分散为直径均匀的气泡后进入气液混合室；
所述可视化观测单元包括气泡拍摄装置与实验观测装置，所述气泡拍摄装置包括背光组件、滤光组件和拍摄组件，所述实验观测装置包括固定支架、气液混合室、蓄水装置和U型流道，所述气液混合室用于形成含均匀气泡的气液混合流体进入U型流道；
所述U型流道包括可调节隔板，可调节隔板在U型流道中的高度和位置能够调节，从而观测和对比不同隔板高度和位置下的流场状况；
所述蓄水装置用于储存实验介质。
优选地，所述背光组件包括LED灯板和散光板，所述LED灯板和散光板位于U型流道后方，用于提供稳定均匀的背光条件；
所述滤光组件为过滤红光的滤光片，所述拍摄组件为用于拍摄U型流道内部流场状况的高速摄像机。
优选地，所述调速阀能实现对气泵输出流量的实时调节。
优选地，所述多孔金属板上分布有均匀微孔，用于将气泵产生的气泡分散为直径较为均匀的气泡。
优选地，所述气体流量计精度为±0.5％。
优选地，所述U型流道材料为透明有机材料。
优选地，所述NSGA-Ⅱ将代理模型代入NSGA-II算法中作为目标函数进行寻优，考虑客观的多属性最优前提下，结合本发明的实际工况需求，得到最优结构参数。
与现有技术相比，本发明的有益效果如下：
(1)本发明提出了一种基于抛流原理的除气U型流道优化方法，包含实验设计，图像处理以及优化算法等过程，相较于传统的寻优设计方法，通过实验与仿真对比，验证仿真正确性，最终建立RBF神经网络数据库，利用NSGA-Ⅱ实现进行寻优设计，可靠性高，逻辑性强，并且具有完整的可行性。
(2)本发明提出了一种气泡追踪可视化实验装置，能够获得稳定时间内气泡的运动轨迹与分布区域。实验可提供稳定的实验介质流动速度，并可产生直径均匀的气泡，U型流道中的隔板高度和位置可变，易于观测和对比不同组别实验状况。
(3)本发明提出了一种用于气泡图片处理的时均灰度法，用于得到U型流道内气泡的运动轨迹和分布。具体处理时，通过对原始图像预处理过程，实现对图片灰度噪音和背景噪音的去除，然后利用图像时均叠加方法将预处理后图片叠加后并进行平均处理，最终观测到气泡的宏观运动轨迹、分布情况与体积分数。
(4)本发明提出了一种基于RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法。首先利用CFD模拟结果建立RBF神经网络数据库，使用RBF神经网络建立目标值与U型流道参数之间的代理模型，NSGA-Ⅱ将代理模型代入NSGA-II算法中作为目标函数进行寻优，考虑客观的多属性最优前提下，结合本发明的实际工况需求，得到最优结构参数，具有灵敏度高、置信度高的优点，对于多结构参数的优化问题，有优良的寻优效果。
附图说明
图1a为本发明的一个实施例的MLR结构U型流道示意图；
图1b为本发明的一个实施例的MLR结构U型流道剖面示意图；
图2为本发明的一个实施例的气泡追踪可视化实验原理图；
图3为本发明的一个实施例的气泡追踪可视化实验中可视化观测单元示意图；
图4为本发明的一个实施例的气泡图片处理的时均灰度法流程示意图；
图5a和图5b为本发明的一个实施例的气泡图片处理的背景图片和时均灰度图；
图6为本发明的一个实施例的基于RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法流程图；
图7为本发明的一个实施例的Pareto最优解示意图；
图8a和图8b为本发明的一个实施例的U型流道流场仿真与实验结果对比图；
图9为本发明的流程示意图；
图10为本发明实施例中油箱优化参数之间的比例示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明提出了一种基于抛流原理的除气U型流道优化方法，如图9所示，其包括以下步骤：
S1、进行气泡追踪可视化实验：利用气泡追踪可视化实验装置观测不同结构参数下的U型流道内部流场流动情况，并得到不同结构参数下的U型流道内部气泡的图片；
S2、对步骤S1得到的U型流道内部气泡的图片进行处理，其具体包括以下步骤：
S21、去除图片无用区域，将步骤S1得到的初始图片进行截取，去除对气泡图像处理无用的部分；
S22、消除噪音，得到单张图片最终灰度值；
单张图片最终灰度值Ij_p(x,y)计算公式为：
Ij_p(x,y)＝Ij+1(x,y)-Ij(x,y)-Iave_background
其中，Ij(x,y)为第j张图片的灰度值，Iave_background为背景图片的平均灰度值；
背景图片的平均灰度Iave_background计算公式为：
其中，size(Ibackground)表示截取的背景图片横纵方向像素个数乘积；
Ibackground(x,y)表示截取的背景图像的灰度值的总和；
S23、利用图像时均叠加得到处理后气泡流经区域的灰度，得到最终的灰度时均图：
将气泡流经区域的灰度表示为Igray(x,y)，则处理后气泡流经区域的灰度Igray_post(x,y)能够表示为：
Igray_post(x,y)＝32000-γ*Igray(x,y)
其中，γ为放大系数，表示灰度区域的灰度间隔；
S3、利用步骤S2得到的得到最终的灰度时均图，进行基于RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法，具体过程为：使用RBF神经网络得到目标值与U型流道参数之间的代理模型，再利用NSGA-Ⅱ在代理模型基础上，优化多个目标函数，寻找出最优解，实现结构参数的优化。
S341、利用径向基函数作为隐含层的基构成隐含层空间，对非线性的输入变量进行变换，将低维的输入数据映射到高维特征空间内，通过对隐单元的输出进行加权求和得到输出；RBFNN在训练预测模型时采用局部逼近的方式，速度快，泛化性好，并且使用径向基函数对输入差异有很好的响应水平。
将抛流除气区简化为二维结构进行设计参数优化，因此可忽略其Z方向的厚度尺寸B。根据前文分析结果，待优化参数共四个，分别为入口速度v、入口高度H、隔板间距比Lg/D和隔板高度比Hg/H(Lg)。在优化过程中，将除气率A和相对压降P分别作为评价抛流除气区除气和通流性能的两个指标。使用RFBNN建立预测模型时需要大量数据样本进行训练，本文采用随机抽样方法给出了各参数取值范围内得到1000组不同设计参数组合对应的抛流除气区模型，并通过CFD仿真计算得到各组的除气率A与相对压降率P，整合后得到了用于RBFNN训练和测试的样本数据库。如图10示出了，油箱优化参数之间的比例。
在抛流除气区除气率预测模型的训练与建立中，输入变量为X＝[v，H,Lg/D，Hg/H(Lg)]，输出变量为；在相对压降率预测模型的训练与建立中F(X)＝ηA，输入变量相同，输出变量为F(X)＝ηP；通过训练得到隐含层各神经元的输出，最终经过调试得到两个准确率较高的预测模型，即本次代理模型。
本发明的第二个方面还提出了一种气泡追踪可视化试验装置，气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元，流体动力单元和气体动力单元通过气液混合室进行连接。
流体动力单元包括变频器1、电机2、液体泵3和流体流量计4，试验流体由液体泵3输送，变频器1通过控制电机2以实现对液体泵3输出流量的实时调节，为试验提供稳定的流体速度。
气体动力单元包括多孔金属板5、单向阀6、气体流量计7、调速阀8和气泵9，通过调速阀8实现气体流量的实时调节，试验气体由气泵9输送后通过多孔金属板将气泵产生的气泡分散为直径均匀的气泡后进入气液混合室。
可视化观测单元包括气泡拍摄装置与实验观测装置，气泡拍摄装置包括背光组件、滤光组件和拍摄组件，实验观测装置包括固定支架12、气液混合室13、蓄水装置15和U型流道18，气液混合室13用于形成含均匀气泡的气液混合流体进入U型流道18。
U型流道包括可调节隔板14，可调节隔板14为长度和高度可调的矩形板，可调节隔板14在U型流道18中的高度、长度和位置能够调节，从而观测和对比不同隔板高度和位置下的流场状况。
蓄水装置用于储存实验用的介质。多孔金属板上分布有直径为1毫米的均匀微孔，用于将气泵产生的气泡分散为直径较为均匀的气泡。
具体实施例
为了使本发明的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细说明。显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以互相结合。
在一个优选的实施例中，图1a和图1b示意性地显示了本发明的一个非金属小型化迷宫型液压油箱(MLR)结构U型流道示意图。其中，图1a示意性地显示了MLR的三维结构，油液由回油口101进入油箱，分别经过颗粒聚集区、除气区、二次除杂区和稳流区后再通过吸油口102泵入系统。图1b示出了U型流道的二维截面形状，掺混有气泡的液体经过入口100进入除气区，绕隔板流动后由出口流出，隔板的初始位置位于除气区U型流道的中部，隔板的长度适中，U型流道中示出了液体的液面104以及隔板105。
在一个优选的实施例中，图2和图3示意性地显示了本发明的一个实施例的气泡追踪可视化实验装置的示意图，气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元。其中，流体动力单元包括变频器1、电机2、液体泵3和流体流量计4，试验流体由液体泵3泵出，变频器1通过控制电机2以实现对液体泵输出流量的实时调节，为试验提供稳定的流体速度。气体动力单元包括多孔金属板5、单向阀6、气体流量计7、调速阀8和气泵9，试验气体由气泵9泵出，通过调速阀8实现气体流量的实时调节，最终通过多孔金属板5上均匀分布的微孔将气泵产生的气泡分散为直径较为均匀的气泡后进入气液混合室。在本实施例中，微孔的直径设置为1mm。
可视化观测单元包括气泡拍摄装置与实验观测装置两个部分。气泡拍摄装置包括LED灯板10、散光板11、滤光片16和高速摄像机17。实验观测装置包括固定支架12、气液混合室13、可调节隔板14、蓄水装置15和U型流道18。LED灯板10和散光板11位于U型流道18的后方，用于提供稳定均匀的背光条件，高速摄像机17能快速、准确地拍摄U型流道内部流场状况。滤光片11能过滤掉LED灯板10发出的红光，避免影响最终相机的成像结果。高速摄像机17能快速、准确地拍摄U型流道18结构内部流场状况，实现对拍摄的有效控制和对拍摄结果的保存。另外，流体动力单元和气体动力单元通过气液混合室13进行连接。
在一个优选的实施例中，图4和图5示意性地显示了本发明的一个实施例的气泡图片处理的时均灰度法流程和气泡图片处理的背景图片和时均灰度图。通过提取储存在计算机中的初始照片，对单张照片截取有效区域，并完成图片的背景噪音去除工作。循环处理完所有的的原始照片后，将其叠加后并进行平均处理得到叠加后的图片。再将拍摄的背景照片图5a进行截取有效区域的预处理后与叠加后的图片进行替换，得到初步处理结果，最终调整灰度的大小，得到最终的灰度时均图5b。
在一个优选的实施例中，图6示意性地显示了本发明的RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法的寻优过程。该过程包括前期工作、数据库建立、RBF神经网络建立和NSGA-II优化四个阶段。前期工作包括确定结构优化参数和性能评价指标。然后，利用CFD模拟结果建立RBF神经网络数据库，使用RBF神经网络得到目标值与U型流道参数之间的代理模型，完成构建模型、进行训练、验证、预测四个步骤，代理模型代入NSGA-II算法中作为目标函数进行寻优，考虑客观的多属性最优前提下，结合本发明的实际工况需求，得到最优结构参数。
在一个优选的实施例中，图7示意性地显示了本发明的一个Pareto最优解示意图。通过利用NSGA-Ⅱ在代理模型的基础上寻找出最优解，同时优化个目标函数，根据最优解的选择准则找到符合需求的一组或多组Pareto最优解。
在一个优选的实施例中，图8示意性地显示了本发明的一个U型流道流场仿真与实验结果对比图，其中，图8a为仿真结果，图8b为实验结果。试验和仿真得到的气泡的运动轨迹基本一致，二者均有明显的分流区域、涡旋区域和抛流区域，且位置基本重合。综上，可认为通过灰度时均处理的试验结果与仿真分析结果具有较好的一致性，即对U型流道中气泡运动与分布仿真分析具有较高的准确度。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于抛流原理的除气U型流道优化方法，其特征在于：其包括以下步骤：
S1、进行气泡追踪可视化实验：利用气泡追踪可视化实验装置观测不同结构参数下的U型流道内部流场流动情况，并得到不同结构参数下的U型流道内部气泡图片和背景图片，其中，气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元，所述流体动力单元和气体动力单元通过气液混合室进行连接，所述可视化观测单元内部设置有U型流道，所述U型流道设置有可调节隔板；
S2、对步骤S1得到的不同结构参数下的U型流道内部气泡图片进行处理，得到灰度时均图，其具体包括以下步骤：
S21、去除图片无用区域，将步骤S1得到的不同结构参数下的U型流道内部气泡图片和背景图片进行截取，去除对气泡图像处理无用的区域；
S22、消除图片噪音，得到单张图片的最终灰度值；
单张图片最终灰度值Ij_p(x,y)计算公式为：
Ij_p(x,y)＝Ij+1(x,y)-Ij(x,y)-Iave_background
其中，Ij(x,y)为第j张图片的灰度值，Iave_background为背景图片的平均灰度值；
背景图片的平均灰度Iave_background计算公式为：
其中，size(Ibackground)表示截取的背景图片横方向像素个数与纵方向像素个数的乘积；
Ibackground(x,y)表示截取的背景图片的灰度值的总和；
S23、利用图像时均叠加得到处理后气泡流经区域的灰度，从而得到U型流道内部气泡图片的灰度时均图：
将气泡流经区域的灰度表示为Igray(x,y)，则灰度时均图Igray_post(x,y)表示为：
Igray_post(x,y)＝32000-γ*Igray(x,y)
其中，γ为放大系数，表示灰度区域的灰度间隔；
S3、利用步骤S2得到的U型流道内部气泡图片的灰度时均图，进行基于RBF神经网络和NSGA-Ⅱ的参数数据拟合优化方法：使用RBF神经网络得到目标值与U型流道参数之间的代理模型，再利用NSGA-Ⅱ在代理模型基础上，优化多个目标函数，寻找出最优解，实现结构参数的优化，其具体包括以下子步骤：
S31、确定U型流道的关键结构参数共四个，分别为入口速度v、入口高度Hin、隔板高度比Hg/H(Lg)和隔板间距比Lg/D，其中，H为隔板高度；
S32、对所述四个关键结构参数进行数据归一化处理，使其在优化过程中的取值区间变为[0,1]；
S32、使用RBF神经网络拟合分别得到除气率和压降率与四个结构参数之间的代理模型，即除气率和压降率与四个结构参数之间的函数映射关系；
S34、将仿真数据分为训练集和测试集，利用训练集完成神经网络的构建，利用测试集测试神经网络的性能。
2.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：步骤S34具体为：
在300组仿真数据中，选取其中246组作为训练集完成神经网络的构建，剩余54组数据作为测试集测试神经网络的数据拟合性能，最终利用多目标遗传算法在代理模型的基础上寻找出最优解。
3.根据权利要求2所述的基于抛流原理的除气U型流道优化方法，其特征在于：步骤S33中建立代理模型的具体步骤如下：
S331、利用径向基函数作为隐含层的基构成隐含层空间，对非线性的输入变量进行变换，将低维的输入数据映射到高维特征空间内，通过对隐单元的输出进行加权求和得到输出；
S332、在优化过程中，将除气率A和相对压降P分别作为评价抛流除气区除气和通流性能的两个指标，得到多组不同设计参数组合对应的抛流除气区除气率预测模型，并通过CFD仿真计算得到各组不同设计参数组合的除气率A与相对压降率P，并最终得到用于RBFNN训练和测试的样本数据库；
S333、在抛流除气区除气率预测模型的训练与建立中，输入变量为X＝[v，H,Lg/D，Hg/H(Lg)]，输出变量为；在相对压降率预测模型的训练与建立中F(X)＝ηA，输入变量相同，输出变量为F(X)＝ηP；通过训练得到隐含层各神经元的输出，并最终得到准确率最高的抛流除气区除气率预测模型。
4.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：步骤S23中图像时均叠加指将预处理后图片叠加后并进行平均处理，将图像背景与气泡叠加状态的灰度值区分开，替换初始拍摄的背景图片后，则能得到气泡平均分布区域与分布情况。
5.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述气泡追踪可视化实验装置包括流体动力单元、气体动力单元以及可视化观测单元，所述流体动力单元和气体动力单元通过气液混合室进行连接；
所述流体动力单元包括变频器、电机、液体泵和流体流量计，试验流体由所述液体泵输送，所述变频器通过控制电机以实现对液体泵输出流量的实时调节，为试验提供稳定的流体速度；
所述气体动力单元包括多孔金属板、单向阀、气体流量计、调速阀和气泵，通过调速阀实现气体流量的实时调节，试验气体由气泵输送后通过多孔金属板将气泵产生的气泡分散为直径均匀的气泡后进入气液混合室；
所述可视化观测单元包括气泡拍摄装置与实验观测装置，所述气泡拍摄装置包括背光组件、滤光组件和拍摄组件，所述实验观测装置包括固定支架、气液混合室、蓄水装置和U型流道，所述气液混合室用于形成含均匀气泡的气液混合流体进入U型流道；
所述U型流道包括可调节隔板，可调节隔板在U型流道中的高度、长度和位置均能够调节，从而能够观测和对比不同隔板高度和位置下的流场状况；
所述蓄水装置用于储存实验介质。
6.根据权利要求5所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述背光组件包括LED灯板和散光板，所述LED灯板和散光板位于U型流道后方，用于提供稳定均匀的背光条件；
所述滤光组件为过滤红光的滤光片，所述拍摄组件为用于拍摄U型流道内部流场状况的高速摄像机。
7.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述调速阀能实现对气泵输出流量的实时调节。
8.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述多孔金属板上分布有均匀微孔，用于将气泵产生的气泡分散为直径较为均匀的气泡。
9.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述气体流量计精度为±0.5％。
10.根据权利要求1所述的基于抛流原理的除气U型流道优化方法，其特征在于：所述U型流道的材料为透明材料。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210687011.6A CN115098961B (zh) | 2022-06-16 | 2022-06-16 | 基于抛流原理的除气u型流道优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210687011.6A CN115098961B (zh) | 2022-06-16 | 2022-06-16 | 基于抛流原理的除气u型流道优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115098961A true CN115098961A (zh) | 2022-09-23 |
| CN115098961B CN115098961B (zh) | 2023-11-07 |
Family
ID=83290065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210687011.6A Active CN115098961B (zh) | 2022-06-16 | 2022-06-16 | 基于抛流原理的除气u型流道优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115098961B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
| 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 |
| WO2021226891A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国科学院福建物质结构研究所 | 基于多轴联动控制和机器视觉反馈测量的3d打印装置及方法 |
| CN114492173A (zh) * | 2022-01-07 | 2022-05-13 | 燕山大学 | 一种基于增材制造的异形管道成形基准优化方法 |
-
2022
- 2022-06-16 CN CN202210687011.6A patent/CN115098961B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021226891A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国科学院福建物质结构研究所 | 基于多轴联动控制和机器视觉反馈测量的3d打印装置及方法 |
| AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
| 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 |
| CN114492173A (zh) * | 2022-01-07 | 2022-05-13 | 燕山大学 | 一种基于增材制造的异形管道成形基准优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| GONG CHAOYUE等: "BubDepth: A neural network approach to three-dimensional reconstruction of bubble geometry from single-view images", INTERNATIONAL JOURNAL OF MULTIPHASE FLOW, vol. 152, pages 1 - 8 * |
| 胡宁宁等: "基于卷积神经网络的大尺寸气泡体积二维图像测定方法", 核动力工程, vol. 42, no. 6, pages 38 - 43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115098961B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sommerfeld | Bubbly flows: Analysis, modelling and calculation | |
| CN100434151C (zh) | 利用多孔膜连续化逐级减小液滴直径的乳液制备方法 | |
| CN115098961A (zh) | 基于抛流原理的除气u型流道优化方法 | |
| Kim et al. | Experimental study of turbulent bubbly jet. Part 1. Simultaneous measurement of three-dimensional velocity fields of bubbles and water | |
| Sakama et al. | Optimization of Bubble Eliminator Through Numerical and Experimental Investigation. | |
| Hjertager et al. | Measurement of turbulent mixing in a confined wake flow using combined PIV and PLIF | |
| Romagnuolo et al. | Instability measurement of cavitation conditions in a spool valve through the definition of a cavitation instability index | |
| CN110004059B (zh) | 一种3d打印类河弯截面微流通道的微流控芯片及微流通道的设计方法 | |
| Blonski et al. | Analysis of turbulence in a micro-channel emulsifier | |
| Saga et al. | A comparative study of the PIV and LDV measurements on a self-induced sloshing flow | |
| Guo | Experimental and Numerical study of submerged inclined buoyant jet discharges into stagnant saline ambient water | |
| Pun et al. | Investigation of droplet size produced in two-phase gravity separators | |
| Lippert et al. | Particle fountains in a confined environment | |
| CN113970073A (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
| Safiullah et al. | Investigation of Water Film Behavior on the Surface of an Airfoil in a High-Speed Flow and Subsequent Ligament Formation and Breakup From the Trailing Edge | |
| Kopplin | Local liquid velocity measurements in horizontal, annular two-phase flow | |
| CN111906085B (zh) | 变径碳化塔 | |
| Webster et al. | Velocity measurements of turbulence collapse in a linearly stratified jet | |
| Abbas et al. | Investigation of Flow Field Over Post Flow Model with the Aid of ePIV System | |
| Papps | Merging buoyant jets in stationary and flowing ambient fluids | |
| Niland | Internal flow studies for the characterisation and optimisation of an effervescent atomiser | |
| Ambegaonkar et al. | Fluid‐particle hydrodynamics in agitated vessels | |
| Besson et al. | Inert and combusting flows developing over a plane symmetric expansion-experimental analysis of the main flow characteristics | |
| Janssen et al. | An opposed jets device for studying the breakup of dispersed liquid drops | |
| Alkhafaji | Numerical and Experimental Investigation of Aeration Self Mixing by Using Pulsating and Continuous Air Flow |
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 |