CN115238613B - 一种风机叶片形状优化方法、系统、存储介质及设备 - Google Patents
一种风机叶片形状优化方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN115238613B CN115238613B CN202211134789.0A CN202211134789A CN115238613B CN 115238613 B CN115238613 B CN 115238613B CN 202211134789 A CN202211134789 A CN 202211134789A CN 115238613 B CN115238613 B CN 115238613B
- Authority
- CN
- China
- Prior art keywords
- design
- evaluation index
- index value
- fan blade
- design scheme
- 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
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
- 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
- G06N3/004—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
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
-
- 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
- Y02E10/70—Wind energy
- Y02E10/74—Wind turbines with rotation axis perpendicular to the wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风机仿真优化技术领域,提供了一种风机叶片形状优化方法、系统、存储介质及设备,包括:获取初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,构建代理模型;使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案。突破了目前S型风机叶片形状设计技术中所存在的对设计人员固有经验的依赖性较高、效率低和结果不佳的局限性。
Description
技术领域
本发明属于风机仿真优化技术领域,尤其涉及一种风机叶片形状优化方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
风力发电是重要的新能源利用方式。S型垂直轴风机具有启动风速低、结构简单紧凑、制造建设维护成本低、气动噪声小、易于与建筑物结合等独特优势,既可独立应用于风资源不稳定、人口和建筑物稠密的城市环境中的公共照明、建筑通风系统和电力匮乏的偏远地区的家庭自主用电、风力提水灌溉、风力制热供暖等系统,又可作为辅助启动装置与其它类型的风机相结合,应用前景广阔。但传统S型风机的捕能效率较低,这一点严重限制了该类型风机的应用和推广。
对S型风机叶片的形状进行优化可显著提高风机的捕能效率。但目前大多数关于S型风机叶片形状的优化设计方法均尚未摆脱传统的“设计-分析-再设计-再分析”的循环设计模式,设计方案的调整严重依赖于设计人员的既有经验或对有限次的实验、仿真结果的归纳总结,最终获得的设计方案很难达到理论上的最优;同时在设计过程中往往需要反复调整设计方案,整个设计过程的自动化、智能化程度和效率都较低;部分研究将遗传算法、粒子群算法等智能优化算法与计算流体动力学(Computational Fluid Dynamics,CFD)直接结合进行S型风机叶片的形状优化设计,但由于在设计过程中需要频繁调用耗时严重的CFD仿真对设计方案进行评估,因此总体设计效率并不高。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种风机叶片形状优化方法、系统、存储介质及设备,综合运用计算机图形学、智能优化算法、径向基函数(RadialBasis Function,RBF)代理模型技术和CFD仿真技术,突破了目前S型风机叶片形状设计技术中所存在的对设计人员固有经验的依赖性较高、效率低和结果不佳的局限性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种风机叶片形状优化方法,其包括:
将风机叶片的形状抽象为若干个设计变量,并确定各设计变量的取值范围,得到设计空间;
在设计空间内获取一定数量的初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,将各初始设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并构建代理模型;
使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;
利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,将获得的优化设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案。
进一步地,基于三阶贝塞尔曲线参数化表征叶片骨线形状,将风机叶片的形状抽象为四个设计变量。
进一步地,采用拉丁超立方采样法在设计空间内获取一定数量的初始设计方案。
进一步地,所述利用仿真技术评估各初始设计方案的评价指标值的具体方法为:建立各初始设计方案的流体计算域模型并进行网格划分后,导入仿真分析软件中,设置边界条件,并基于滑移网格技术对风机叶片进行瞬态仿真,仿真完成后提取风机在一整周回转中的平均力矩系数作为叶片的评价指标值。
进一步地,所述边界条件包括流体材料、湍流模型、速度入口、压力出口和壁面条件。
进一步地,所述代理模型为RBF代理模型;
所述RBF代理模型的插值条件为:对每个已经通过仿真技术得到评价指标值的设计方案,RBF代理模型预测得到的评价指标值与通过仿真技术得到的评价指标值相等。
进一步地,所述智能优化算法为海洋捕食者算法;
在海洋捕食者算法中,每个候选解编码一种设计方案,基于代理模型评估各候选解的质量。
本发明的第二个方面提供一种风机叶片形状优化系统,其包括:
设计空间获取模块,其被配置为:将风机叶片的形状抽象为若干个设计变量,并确定各设计变量的取值范围,得到设计空间;
代理模型构建模块,其被配置为:在设计空间内获取一定数量的初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,将各初始设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并构建代理模型;
迭代搜索模块,其被配置为:使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;
优化设计方案输出模块,其被配置为:利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,将获得的优化设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种风机叶片形状优化方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种风机叶片形状优化方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种风机叶片形状优化方法,其设计方案的调整是在海洋捕食者算法的驱动下自动进行的,不需要设计者的参与,从而降低了对设计者既有经验的依赖,提高了设计的智能化和自动化程度。
本发明提供了一种风机叶片形状优化方法,其基于对少量设计方案的精确评价结果,利用RBF代理模型来近似描述整个设计空间内叶片形状设计参数与叶片捕风性能之间的关系,充分利用了RBF代理模型计算效率高的特点,实现了对整个设计空间内大量设计方案的性能的高效评估,具有更高的设计效率。
本发明提供了一种风机叶片形状优化方法,其采用的动态代理模型具有自主进化的特征,通过不断添加具有较高质量的设计方案并对模型进行重构,可以使模型逐渐逼近局部或全局最优设计方案,从而保证设计质量。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的一种风机叶片形状优化方法的流程图;
图2是本发明实施例一的S型风机叶片二维结构示意图;
图3是本发明实施例一的S型风机叶片三维结构示意图;
图4是本发明实施例一的基于三阶贝塞尔曲线的叶片骨线形状参数化表达的示意图;
图5是本发明实施例一的CFD仿真过程中各边界条件的示意图;
图6是本发明实施例一的计算域网格划分示意图;
图7是本发明实施例一的海洋捕食者算法的流程图;
图8是本发明实施例一的模型预测值与CFD仿真值的对比图;
图9是本发明实施例一的优化设计方案对应的叶片骨线形状图;
图10是本发明实施例一的新叶片与传统半圆形叶片在不同叶尖速比下的平均力矩系数对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种风机叶片形状优化方法,保持风机端板的直径、风机叶片的旋转直径、叶片数目、叶片重叠比、叶片弦长和叶片厚度等参数不变,仅对叶片形状进行优化。如图1所示,具体包括以下步骤:
步骤1、基于三阶贝塞尔曲线参数化表征叶片骨线形状,将风机叶片的形状抽象为M(M=4)个设计变量,并确定各设计变量的取值范围,得到设计空间。
其中,三阶贝塞尔曲线的方程为如下式所示:
其中,P i 是三阶贝塞尔曲线的控制点坐标,通过改变控制点的坐标即可改变曲线形状。
具体的,如图2和图3所示,风机为S型风机,风机由两叶片构成,风机端板的直径为DR,每个叶片的弦长为d,两叶片间的重叠距离为s,风机叶片的旋转直径为D,叶片重叠比为s/D。
为了保证叶片的弦长不变,将第一个控制点P 0和第四个控制点P 3的坐标固定,因此,叶片的形状即由第二个控制点P 1和第三个控制点P 2的坐标来决定,共4个设计变量(x 1,y 1,x 2,y 2),x 1和y 1分别为第二个控制点P 1的横坐标值和纵坐标值,x 2和y 2分别为第三个控制点P 2的横坐标值和纵坐标值。设计空间即为x 1,y 1,x 2和y 2的取值范围。
假设风机端板的直径为0.909m,每个叶片的弦长为0.5m,叶片重叠比(s/D)为0.1,如图4所示,各参数的取值范围取为80≤x 1≤100、230≤y 1≤330、430≤x 2≤530、170≤y 2≤270。
步骤2、在设计空间内获取一定数量的初始设计方案(样本方案)。
本实施案例中,初始设计方案取为40个。
具体的,可以基于拉丁超立方采样法、正交试验法、均匀设计法、最优拉丁超立方采样法、中心设计法或复合中心设计法在设计空间内获取一定数量的初始设计方案。
在本实施例中,采用拉丁超立方采样法在设计空间内获取一定数量的初始设计方案。
步骤3、利用CFD仿真技术评估各初始设计方案的评价指标值。
本实施例中,评价指标采用平均力矩系数。
具体的,建立各初始设计方案的流体计算域模型并进行网格划分后,导入仿真分析软件(FLUENT)中,设置流体材料、湍流模型、速度入口、压力出口和壁面条件等边界条件,并基于滑移网格技术对风机叶片进行瞬态仿真,仿真完成后提取风机在一整周回转中的平均力矩系数作为叶片捕风能力的评价指标。
首先,设置计算域的范围,建立各初始设计方案的2D流体计算域模型,如图5所示,计算域的范围必须足够大,以避免计算域边界对仿真结果造成影响。
在本实施例中,计算域的范围为:上下两边界到风机中心的距离取为10D,进口到风机中心距离取为8D,出口到风机中心取为16D。
在计算域模型建立过程中,将整个计算域分为一个包含风机的旋转区域和一个位于旋转区域以外的静止区域;旋转区域以特定的速度旋转以模拟风机的转动,旋转区域和静止区域之间设为滑移交界面,以实现两个区域间的数据传递。
然后,建立计算域的几何模型后,对整个计算域进行网格划分,并对叶片周围添加边界层以精确捕捉叶片周围的气体流动情况,网格划分情况如图6所示。
之后,将计算域模型导入FLUENT中,设置边界条件。具体的,设置流体材料为空气、湍流模型选为SST k-ω模型、入口边界设为速度入口(例如,7m/s)、出口边界设为压力出口(例如,0Pa)、上下边界设为壁面条件、叶片表面设为无滑移壁面条件,同时根据来流风速、叶尖速比、风机尺寸等确定风机(旋转区域)的转动速度,然后对风机叶片进行瞬态仿真,仿真完成后提取叶片回转一整周中的平均力矩系数作为叶片捕风能力的评价指标。
在本实施例中,以增大叶片在叶尖速比为1的情况下的平均力矩系数为优化目标。
步骤4、将各初始设计方案及其通过仿真技术得到的评价指标值(平均力矩系数值)存入样本数据库,基于各设计方案的设计变量值及其平均力矩系数值,构建代理模型,实现对设计空间内任意设计方案的平均力矩系数的近似预测。
其中,代理模型为RBF代理模型。
具体的,将各设计方案及其对应的平均力矩系数值分别记为X i 和F i (i=1, 2,3,…, N),其中,N表示设计方案的总个数。
首先,选择RBF代理模型的核函数,然后构建如下式所示的RBF代理模型:
式中,F(X)代表RBF代理模型对于任意设计方案X的预测值,表示X与X i 之间的欧式距离,β i 为模型中的系数项,可记为β=[β 1,β 2,…,β N ],表示核函数,可以为表1中所示的Multiquadric核函数、Thinplate核函数、Gaussian核函数、Cubic核函数或Linear核函数,其中c为常数项,r是形参数。
表1、RBF代理模型的核函数
然后,根据插值条件确定系数β的值。RBF代理模型的插值条件为:对每个已经通过仿真技术得到评价指标值的设计方案,RBF代理模型预测得到的评价指标值与通过仿真技术得到的评价指标值相等;即,RBF代理模型在已知样本点处的预测值与样本点的真实平均力矩系数值相等;即F(X i )=F i (i=1, 2, 3,…, N),可表示为:
确定了β之后,即可利用构建的RBF代理模型来预测设计空间内任意方案的平均力矩系数值。
步骤5、使用智能优化算法作为优化求解工具,使用RBF代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索若干代,获得优化设计方案。
在本实施例中,智能优化算法采用海洋捕食者算法(Marine PredatorsAlgorithm,MPA)。在海洋捕食者算法中,每个候选解编码一种设计方案,基于代理模型评估各候选解的质量。
如图7所示,海洋捕食者算法的步骤具体包括:
步骤501、设置海洋捕食者算法的参数值,包括种群规模N P和最大迭代次数T max等。
在本实施例中,种群规模取为40,最大迭代次数取为1000。
步骤502、初始化迭代次数T,并在设计空间内随机生成N P个初始解,完成种群初始化:
在种群初始化之后,基于建立的RBF代理模型评估各候选解的质量。
步骤503、依照海洋捕食者算法的求解规则对解种群进行T max次迭代更新。整个迭代过程被平均分为三个阶段,并在不同阶段采用不同的算子:
在前三分之一阶段采用的算子为:
式中,R i 为一个1×M的向量,其各维均为符合标准正态分布的随机数;X b为当前种群中的最优解个体;为基于X i 生成的新解;rand(1,M)为一个1×M的向量,其各维均为符合均匀分布的[0,1]内的随机数;表示点对点乘法运算。
在中间三分之一阶段,算法使用了两种不同的算子。
解种群中一半数量的解利用式(6)进行更新:
式中,L i 为一个1×M的向量,其各维均为符合莱维分布的随机数。
另一半数量的解利用式(7)进行更新:
在最后的三分之一阶段,算法采用的算子为:
步骤504、在每一次迭代中,在种群按照前述方式进行更新后,算法利用式(9)尝试对种群进行再一次的更新。
式中,r 0为一个在[0, 1]内均匀分布的随机数;U是一个各维为0或1的1×M向量,U可按照下述方式获得:首先生成一个各维均为在[0, 1]内均匀分布的随机数的1×M向量,若某维上的值小于0.6,则将其改为0,否则改为1;X min和X max分别为由各设计变量的取值下限构成的1×M向量和各设计变量的取值上限构成的1×M向量;X r1和X r2为在当前解种群中随机选取的两个解。
步骤505、迭代次数T加1,判断迭代次数是否达到T max,若否,返回步骤503;若是,基于建立的RBF代理模型评估当前种群中各候选解的质量,将平均力矩系数预测值最大的设计方案作为最优设计方案(优化设计方案)。
在本实施例中,海洋捕食者算法结束后获得的设计方案的各参数值为[86.9793,285.439, 448.4414, 256.5245],RBF代理模型给出的该方案的平均力矩系数的预测值为0.2701。
步骤6、海洋捕食者算法迭代结束后,利用CFD仿真技术精确评估所获得的优化设计方案的平均力矩系数,并将CFD仿真结果与RBF代理模型预测结果进行对比,若达到设定条件(两者吻合度超过设定值或优化设计结果已满足设定的预期),则转入步骤8;否则转入步骤7。
对于本实施例,初次获得的优化设计方案[86.9793, 285.439, 448.4414,256.5245]的真实平均力矩系数为0.2693,将其作为新样本加入到样本数据库中(第一次加点)。
步骤7、将获得的优化设计方案及其CFD仿真技术得到的平均力矩系数值作为新样本存入样本数据库,然后利用样本数据库中的各样本点重构RBF代理模型(构建过程与步骤4相同);然后转入步骤5,使用海洋捕食者算法继续在整个设计空间内迭代搜索优化设计方案。
为更清楚地说明以上过程,在本实施例中对RBF代理模型进行了6次重构,图8给出了在每次重构RBF代理模型后获得的优化设计方案的模型预测值与CFD仿真值的对比。图8仅给出了RBF代理模型重构6次的结果,如有必要,RBF代理模型的重构次数可以继续增加。
步骤8、结束整个设计过程,输出优化设计方案,并利用CFD仿真全面检验最终设计方案的性能。
本实施例中,在RBF代理模型重构6次后获得的优化设计方案的各参数值为[80.7753, 275.7954, 455.0887, 257.0020],RBF代理模型给出的该优化设计方案的平均力矩系数的预测值为0.2704,经CFD验证其真实平均力矩系数值为0.2699。该优化设计方案对应的叶片骨线形状如图9所示,新叶片与传统半圆形叶片在不同叶尖速比下的平均力矩系数对比情况如图10所示。
在本实施例中,采用CFD仿真对设计方案进行精确评估的次数仅为47次,而在设计过程中,在海洋捕食者算法驱动下生成的几万个~几十万个不同的设计方案的评估是基于RBF代理模型完成的。同CFD仿真过程相比,RBF代理模型的计算量非常小,其耗时可忽略不计。
在本实施例中,设计方案的调整由海洋捕食者算法驱动完成,具有智能性和自动化特征,减少了设计过程中的盲目性,摆脱了对设计者既有经验的依赖。
相比于传统半圆形叶片,本实施例获得的新叶片在叶尖速比为1的情况下,平均力矩系数提高了约9.6 %(传统半圆形叶片的平均力矩系数约为0.2461),在其它叶尖速比下也有显著的提升。
相比于传统半圆形叶片,本实施例获得的新叶片更平直、总长度更短(长度减少了约11.7%),因此在弦长、厚度相同的情况下,新叶片在制造时能显著地节约材料。
实施例二
本实施例提供了一种风机叶片形状优化系统,其具体包括如下模块:
设计空间获取模块,其被配置为:将风机叶片的形状抽象为若干个设计变量,并确定各设计变量的取值范围,得到设计空间;
代理模型构建模块,其被配置为:在设计空间内获取一定数量的初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,将各初始设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并构建代理模型;
迭代搜索模块,其被配置为:使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;
优化设计方案输出模块,其被配置为:利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,将获得的优化设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种风机叶片形状优化方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种风机叶片形状优化方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种风机叶片形状优化方法,其特征在于,包括:
将风机叶片的形状抽象为若干个设计变量,并确定各设计变量的取值范围,得到设计空间;
在设计空间内获取一定数量的初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,将各初始设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并构建代理模型;
使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;
利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,将获得的优化设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案;
其中,所述智能优化算法为海洋捕食者算法;在海洋捕食者算法中,每个候选解编码一种设计方案,基于代理模型评估各候选解的质量。
2.如权利要求1所述的一种风机叶片形状优化方法,其特征在于,基于三阶贝塞尔曲线参数化表征叶片骨线形状,将风机叶片的形状抽象为四个设计变量。
3.如权利要求1所述的一种风机叶片形状优化方法,其特征在于,采用拉丁超立方采样法在设计空间内获取一定数量的初始设计方案。
4.如权利要求1所述的一种风机叶片形状优化方法,其特征在于,所述利用仿真技术评估各初始设计方案的评价指标值的具体方法为:建立各初始设计方案的流体计算域模型并进行网格划分后,导入仿真分析软件中,设置边界条件,并基于滑移网格技术对风机叶片进行瞬态仿真,仿真完成后提取风机在一整周回转中的平均力矩系数作为叶片的评价指标值。
5.如权利要求4所述的一种风机叶片形状优化方法,其特征在于,所述边界条件包括流体材料、湍流模型、速度入口、压力出口和壁面条件。
6.如权利要求1所述的一种风机叶片形状优化方法,其特征在于,所述代理模型为RBF代理模型;
所述RBF代理模型的插值条件为:对每个已经通过仿真技术得到评价指标值的设计方案,RBF代理模型预测得到的评价指标值与通过仿真技术得到的评价指标值相等。
7.一种风机叶片形状优化系统,其特征在于,包括:
设计空间获取模块,其被配置为:将风机叶片的形状抽象为若干个设计变量,并确定各设计变量的取值范围,得到设计空间;
代理模型构建模块,其被配置为:在设计空间内获取一定数量的初始设计方案,利用仿真技术评估各初始设计方案的评价指标值,将各初始设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并构建代理模型;
迭代搜索模块,其被配置为:使用智能优化算法作为优化求解工具,使用代理模型作为不同设计方案性能的评价工具,在整个设计空间内迭代搜索,获得优化设计方案及其预测评价指标值;
优化设计方案输出模块,其被配置为:利用仿真技术评估优化设计方案的评价指标值,并与所述预测评价指标值对比,若达到设定条件,则输出优化设计方案;否则,将获得的优化设计方案及其通过仿真技术得到的评价指标值存入样本数据库,并重构代理模型后,使用智能优化算法继续在整个设计空间内迭代搜索优化设计方案;
其中,所述智能优化算法为海洋捕食者算法;在海洋捕食者算法中,每个候选解编码一种设计方案,基于代理模型评估各候选解的质量。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的一种风机叶片形状优化方法中的步骤。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种风机叶片形状优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134789.0A CN115238613B (zh) | 2022-09-19 | 2022-09-19 | 一种风机叶片形状优化方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134789.0A CN115238613B (zh) | 2022-09-19 | 2022-09-19 | 一种风机叶片形状优化方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238613A CN115238613A (zh) | 2022-10-25 |
CN115238613B true CN115238613B (zh) | 2022-12-09 |
Family
ID=83681360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211134789.0A Active CN115238613B (zh) | 2022-09-19 | 2022-09-19 | 一种风机叶片形状优化方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238613B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528441A (zh) * | 2021-02-18 | 2021-03-19 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机总体参数设计方法、装置和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194122B (zh) * | 2017-06-23 | 2021-01-15 | 南京理工大学 | 一种变速风机叶片的多工况气动优化的改进方法 |
CN111241751B (zh) * | 2020-01-15 | 2022-03-22 | 深圳大学 | 基于代理辅助进化算法的翼型优化方法及装置 |
CN111274624B (zh) * | 2020-02-25 | 2021-03-16 | 河海大学 | 一种基于rbf代理模型的多工况异形节点拓扑优化设计方法 |
CN111597631B (zh) * | 2020-05-07 | 2022-05-13 | 中汽研汽车检验中心(天津)有限公司 | 基于自适应代理模型的汽车风阻系数优化方法 |
CN113343545B (zh) * | 2021-08-02 | 2021-11-16 | 中国人民解放军国防科技大学 | 结构自适应优化设计方法、装置、设备和介质 |
CN114077776A (zh) * | 2021-11-19 | 2022-02-22 | 电子科技大学长三角研究院(湖州) | 基于主动学习代理模型的结构可靠性稳健优化设计方法 |
-
2022
- 2022-09-19 CN CN202211134789.0A patent/CN115238613B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528441A (zh) * | 2021-02-18 | 2021-03-19 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机总体参数设计方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115238613A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
Zhang et al. | Multiobjective optimization of a fractional‐order pid controller for pumped turbine governing system using an improved nsga‐Iii algorithm under multiworking conditions | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN108710764B (zh) | 一种基于混合近似模型的双吸泵多目标优化设计方法 | |
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 | |
CN115544815B (zh) | 一种风扇模型的生成方法和装置 | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN113361047B (zh) | 面向多层感知结构的叶轮高维优化及选型方法 | |
CN115017808A (zh) | 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法 | |
CN113486582B (zh) | 一洞双机超长隧洞水电站建模与调速参数优化方法和系统 | |
CN111461443A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
CN115238613B (zh) | 一种风机叶片形状优化方法、系统、存储介质及设备 | |
CN112464478B (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
CN115270363B (zh) | 基于多代理模型的离心压气机叶片优化设计方法及装置 | |
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 | |
Posteljnik et al. | Multi-objective design optimization strategies for small-scale vertical-axis wind turbines | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
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 | |
CN113294297B (zh) | 风电机组非线性模型预测转矩控制变权重调节方法 | |
CN112836864B (zh) | 一种天气预测方法、系统、介质及电子设备 | |
CN114547987A (zh) | 一种基于改进人工神经网络的离心泵作透平性能预测方法 | |
Lei et al. | Three-Dimensional Multi-Objective Design Optimization of a 6.5-Stage Axial Flow Compressor Blades With Lean and Twist | |
CN114201926B (zh) | 离心泵性能曲线样本获取方法及其在机器学习中的应用 | |
CN118211502A (zh) | 一种基于神经网络的航空燃油离心泵多目标优化设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |