CN115270361A - 高效求解约束问题的离心压气机叶轮优化设计方法及装置 - Google Patents
高效求解约束问题的离心压气机叶轮优化设计方法及装置 Download PDFInfo
- Publication number
- CN115270361A CN115270361A CN202211204800.6A CN202211204800A CN115270361A CN 115270361 A CN115270361 A CN 115270361A CN 202211204800 A CN202211204800 A CN 202211204800A CN 115270361 A CN115270361 A CN 115270361A
- Authority
- CN
- China
- Prior art keywords
- constraint
- centrifugal compressor
- agent model
- function
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000013461 design Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 44
- 230000004913 activation Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000009413 insulation Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000014509 gene expression Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000003213 activating effect Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 description 60
- 230000006870 function Effects 0.000 description 55
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及离心压气机叶轮优化设计技术领域,特别是指一种高效求解约束问题的离心压气机叶轮优化设计方法及装置,方法包括:计算额定工况下的气动性能数值,得到绝热效率;设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,建立多个不同的单一代理模型;通过多个不同的单一代理模型,创建多代理模型;通过非线性Sigmoid激活函数以及多代理模型,创建带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,进行样本填充;重复执行直到总样本的数量达到预设数量,停止重复执行的操作,根据总样本,获得离心压气机叶轮叶片的最佳气动几何构型。采用本发明,可以提高求解质量,提升离心压气机叶轮叶片多工况最佳构型的寻优效率。
Description
技术领域
本发明涉及离心压气机叶轮优化设计技术领域,特别是指一种高效求解约束问题的离心压气机叶轮优化设计方法及装置。
背景技术
离心压气机是保障国防安全和促进国民经济发展的重要动力装备,已广泛应用于航空航天、船舶、化工和新能源等需求领域。根据全国能源基础与标准化委员会的有关统计资料,工业压气机系统年耗电量约占全国总发电量的6%-9%左右。随着中国在第七十五届联合国大会上提出“碳达峰、碳中和”的目标承诺及推进,提高离心压气机的气动性能对“节能减排”具有积极意义。
但离心压气机工作时通常伴随大逆压梯度、强三维效应和非定常特征,对离心压气机复杂曲面叶片进行三维气动设计优化时会面临设计变量多、搜索空间大和优化效率低等难题,通常需要数千次的迭代计算求取全局优化解,冗长的仿真过程和“昂贵计算”很难在有限的时间内达到预期效果。
近年来,在计算机领域出现了解决中高维(大于20维)高耗时评估问题的技术手段—多代理模型技术,但该技术作为计算机学科的新兴领域,面向实际约束优化问题的相关研究较少,尚未见到在离心压气机气动设计领域的应用。
发明内容
本发明实施例提供了一种高效求解约束问题的离心压气机叶轮优化设计方法及装置。所述技术方案如下:
一方面,提供了一种高效求解约束问题的离心压气机叶轮优化设计方法,该方法由电子设备实现,该方法包括:
S1、初始化样本数据;
S2、计算额定工况下的气动性能数值,得到绝热效率;
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
S4、通过所述多个不同的单一代理模型,创建集成的多代理模型;
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,包括:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述建立非线性Sigmoid激活函数,包括:
可选地,所述建立违反约束函数,包括:
可选地,所述对所述样本数据进行样本填充,包括:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
另一方面,提供了一种高效求解约束问题的离心压气机叶轮优化设计装置,该装置应用于快速求解约束问题的离心压气机气动优化方法,该装置包括:
获取模块,用于初始化样本数据;
计算模块,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述第二创建模块,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述第二创建模块,用于:
可选地,所述第二创建模块,用于:
可选地,所述填充模块,用于:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
基于一种高效求解约束问题的离心压气机叶轮优化设计方法,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计方法流程图;
图2是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计方法流程框图;
图3是本发明实施例提供的一种非线性Sigmoid曲线函数示意图;
图4是本发明实施例提供的一种循环样本填充的流程示意图;
图5是本发明实施例提供的一种额定工况流量-绝热效率性能曲线示意图;
图6是本发明实施例提供的一种额定工况总压比-绝热效率性能曲线示意图;
图7是本发明实施例提供的一种高效求解约束问题的离心压气机叶轮优化设计装置框图;
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种高效求解约束问题的离心压气机叶轮优化设计方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的高效求解约束问题的离心压气机叶轮优化设计方法流程图,如图2所示的高效求解约束问题的离心压气机叶轮优化设计方法流程框图,该方法的处理流程可以包括如下的步骤:
S1、初始化样本数据。
一种可行的实施方式中,初始化样本数据的方式有很多,其中一种可行的处理方式为:布局单位样条曲面的设计顶点和设计空间,采用拉丁超立方抽样方法初始化样本数据,具体来说,可以设置5d个采样点进行采样,其中,d表示变量个数;
举例来说,当d设置为20时,采样的过程可以如下:
初始化100个样本点,每一维变量分成100个小区间,每个样本点在小区间内是随机分布的,所选取的100个样本点对任意一个维度投影时,该维度上的每一个小区间内有且仅有一个样本点。
S2、计算额定工况下的气动性能数值,得到绝热效率。
一种可行的实施方式中,计算额定工况下的气动性能数值的方法有很多,其中一种可行的实施方式可以包括下述步骤S21-S25:
S21、采用型面映射参数化方法,对原始离心压气机的叶片几何构型进行参数化表达,创建了原始叶片吸力面与单位样条曲面的映射模型、压力面与单位样条曲面的映射模型。
具体地,对原始叶型吸力面和压力面的几何型线进行单位化,生成单位化的映射样条曲面,建立映射模型:
原始叶型吸力面和压力面型线单位化方法相同,横坐标数学定义如下:
原始叶型吸力面和压力面型线单位化方法相同,纵坐标数学定义如下:
生成映射样条曲面方法的数学表达式如下:
式中,是单位化的映射样条曲面上的点坐标,是样条曲面控制顶点坐标,是样条曲面上的横坐标的标号,样条曲面上的横坐标的控制顶点数,是样条曲面上
的纵坐标的标号,样条曲面上的纵坐标的控制顶点数,和是伯恩斯坦基
函数,其中和是映射参数。
建立吸力面、压力面的映射模型,两个映射模型数学表达式相同,如下:
S22、基于上述步骤得到的映射模型和样本数据,采用鲁棒性强的蒙特卡洛算法,求解映射模型非线性方程组的局部参数,进而求出原始叶片表面的变化量。
具体地,建立映射函数与真实叶片数据点的误差模型,数学表达式如下:
式中,为映射参数,为映射值与真实值的误差为,为真实坐标,
是样条曲面控制顶点坐标,是样条曲面上的横坐标的标号,样条曲面上的横坐标的控
制顶点数,是样条曲面上的纵坐标的标号,样条曲面上的纵坐标的控制顶点数,
和是伯恩斯坦基函数,其中和是映射参数。
S23、基于上述步骤求出的原始叶片吸力面和压力面数据点的变化量,采用扰动样条曲面的方法,获到新的叶片几何构型。
S25、对上述步骤得到新的离心压气机叶轮叶片网格模型进行多工况的定常数值模拟计算,获得气动性能。
具体地,采用NUMECA的EURANUS求解器计算三维稳态Reynolds平均Navier-Stokes方程,得到离心叶轮稳态流场,湍流模型采用 一方程模型,叶轮进口总温度为293K,总压为101325 Pa,进口方向为轴向,出口为平均静压。通过逐渐增大背压,从堵塞点向近喘振点推进计算,得到绝热效率。
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于样本数据和绝热效率,建立多个不同的单一代理模型。
可选地,S3中的目标函数的数学表达式如下式:
可选地,多个不同的单一代理模型包括Kring模型、PR模型和RBF模型三个单一代理模型。
具体地,下面对三个模型分别进行介绍:
(1)Kriging模型基于随机过程理论的空间插值技术,以不同的协方差函数和结构分析理论为基础,实现对待估区域的无偏最优估计,数学表达式如下:
(2)PR模型用于回归分析,数学表达式如下:
(3)RBF模型通过加权以样本点为中心径向对称的核函数和复杂设计空间的插值,近似输入的样本与预测输出之间的关系,数学表达式如下:
S4、通过多个不同的单一代理模型,创建集成的多代理模型。
一种可行的实施方式中,基于上述步骤S3中的三个单一代理模型,创建集成的多代理模型,多代理模型的数学表达式如下:
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型。
其中,带动态惩罚机制的多代理模型的动态惩罚机制的原则,可以如下:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,可以包括下述步骤S51-S53:
S51、建立非线性Sigmoid激活函数。
S52、建立违反约束函数。
S53、将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
举例来说,将标准约束问题转化问无约束问题,以最小值为例,带动态惩罚机制的多代理模型的数学表达式可以如下:
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对样本数据进行样本填充。
可选地,对样本数据进行样本填充,具体可以如下:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
一种可行的实施方式中,基于上述步骤创建的带惩罚机制的多代理模型,利用全局模型管理探索最有希望的区域,在不能进一步改进的情况下转到局部模型管理,然后在最有希望区域进一步的开发更细节的局部详情,以进一步提高模型性能,上述探索和开发出的新数据被填充到样本集中更新代理模型,带惩罚机制的多代理模型技术流程如图4。
首先,利用粒子群算法求解带惩罚机制的多代理模型不确定性最大样本,数学表达式如下:
式中,为不确定性最大样本,是维决策向量,是在预测解处,组分
成员(不同的单一代理模型)之间的不确定性,定义为不同的两个组分成员输出的最大差
值,训练数据集存储 个数据,包括决策变量和
昂贵的评估的适应值。当粒子群算法搜索停止时,使用昂贵的适应度函数对最不确定解进行评估。假设的实际适应值为,则新的数据点然后添加
到样本数据集合中,更新带惩罚机制的多代理模型。
其次,利用粒子群求取带惩罚机制的多代理模型的全局最优解,数学表达式如下:
最后,全局模型管理不能进一步改进时,将初始样本和所有昂贵的真实适应度值
且优于初始样本最佳适应度值的待加点数据全部放入到数据集,这些新加入数据是
最有希望引导搜索方向探索最优解,随着新加入数据的增多将集中在一个局部区域,此时
建立另一个基于局部管理的多代理模型,采用粒子群算法求解该区
域中的最优解数学表达式如下:
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
一种可行的实施方式中,可以按照11d的方法确定预设数量,d表示变量个数,举例来说,当d设置40时,预设数量可以设定为440个。
下面对本发明实施例的实施效果进行说明:
通过一种快速求解约束问题的离心压气机气动优化方法,仅利用440次迭代次数,即可求解带约束限制的离心压气机复杂曲面叶片最佳几何构型,提高了离心压气机叶轮叶片多工况的气动综合性能,性能参数改善情况如表1。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。该技术具有较强的通用性,对推动离心压气机叶轮叶片气动设计技术的发展具有一定的积极意义。
表1
研究结果表明优化后气动性能曲线明显整体上移,额定工况流量-绝热效率性能曲线如图5,额定工况总压比-绝热效率性能曲线如图6,气动性能得到大幅改善:额定工况的绝热效率提高1.9%,总压比提高0.81%,流量增加了4.61%,同时裕度也得到保证。
通过应用案例可知,与传统设计优化方法相比,本发明提出的基于一种快速求解约束问题的离心压气机气动优化方法,可有效改善实际约束优化问题,利用较少的迭代次数提升了额定工况的气动综合性能,实现了形性优化的目的,同时验证了该方法的可行性和普适性,具有一定的推广应用价值。
本发明实施例中,基于一种快速求解约束问题的离心压气机气动优化方法,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
图7是根据一示例性实施例示出的一种高效求解约束问题的离心压气机叶轮优化设计装置框图。参照图7,该装置700包括获取模块710、计算模块720、建立模块730、第一创建模块740、第二创建模块750、填充模块760以及循环模块770;其中:
获取模块710,用于获取样本数据;
计算模块720,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块730,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块740,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块750,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块760,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块770,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
可选地,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
可选地,所述第二创建模块750,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
可选地,所述第二创建模块750,用于:
可选地,所述第二创建模块750,用于:
可选地,所述填充模块760,用于:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
本发明实施例中,基于一种快速求解约束问题的离心压气机气动优化装置,利用带动态惩罚机制的多代理模型技术可有效减少约束优化问题中的寻优迭代次数,大幅地提高了收敛速度。采用本发明,求解质量显著提高,提升了离心压气机叶轮叶片多工况最佳构型的寻优效率。同时,采用的型面参数化方法可实现离心压气机复杂曲面叶片的灵活构型;在几何控制参数上增加的离心约束有利于光滑叶片的生成;保证叶轮与机匣的相交有助于提高优化过程中的网格生成率。
图8是本发明实施例提供的一种电子设备800的结构示意图,该电子设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)801和一个或一个以上的存储器802,其中,所述存储器802中存储有至少一条指令,所述至少一条指令由所述处理器801加载并执行以实现上述高效求解约束问题的离心压气机叶轮优化设计方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述快速求解约束问题的离心压气机气动优化方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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 (10)
1.一种高效求解约束问题的离心压气机叶轮优化设计方法,其特征在于,所述方法包括:
S1、初始化样本数据;
S2、计算额定工况下的气动性能数值,得到绝热效率;
S3、设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
S4、通过所述多个不同的单一代理模型,创建集成的多代理模型;
S5、通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
S6、基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
S7、重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
2.根据权利要求1所述的方法,其特征在于,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
3.根据权利要求1所述的方法,其特征在于,所述通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型,包括:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
6.根据权利要求3所述的方法,其特征在于,所述对所述样本数据进行样本填充,包括:
求解得到不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估值,对所述不确定性最大数据的近似评估值、全局最优数据的近似评估值和局部最优数据的近似评估解进行昂贵计算,将昂贵计算得到的昂贵数据填充到样本数据中。
7.一种高效求解约束问题的离心压气机叶轮优化设计装置,其特征在于,所述装置包括:
获取模块,用于初始化样本数据;
计算模块,用于计算额定工况下的气动性能数值,得到绝热效率;
建立模块,用于设定额定工况下离心压气机叶轮叶片气动构型优化流程的目标函数和约束条件,基于所述样本数据和绝热效率,建立多个不同的单一代理模型;
第一创建模块,用于通过所述多个不同的单一代理模型,创建集成的多代理模型;
第二创建模块,用于通过非线性Sigmoid激活函数以及创建的多代理模型,创建带动态惩罚机制的多代理模型;
填充模块,用于基于创建的带动态惩罚机制的多代理模型,利用全局模型管理和局部模型管理策略,对所述样本数据进行样本填充;
循环模块,用于重复执行步骤S3至步骤S6,直到样本填充后得到的总样本的数量达到预设数量,停止重复执行的操作,根据所述总样本,获得离心压气机叶轮叶片的最佳气动几何构型。
8.根据权利要求7所述的装置,其特征在于,所述带动态惩罚机制的多代理模型的动态惩罚机制的原则,包括:
满足可行域的解不接受惩罚,不满足可行域的解接受惩罚,且不满足可行域的解的偏离程度越大,惩罚力度越大。
9.根据权利要求7所述的装置,其特征在于,所述第二创建模块,用于:
建立非线性Sigmoid激活函数;
建立违反约束函数;
将原约束问题转化为无约束问题,利用创建的多代理模型求解无约束问题,得到带动态惩罚机制的多代理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204800.6A CN115270361B (zh) | 2022-09-30 | 2022-09-30 | 高效求解约束问题的离心压气机叶轮优化设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204800.6A CN115270361B (zh) | 2022-09-30 | 2022-09-30 | 高效求解约束问题的离心压气机叶轮优化设计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270361A true CN115270361A (zh) | 2022-11-01 |
CN115270361B CN115270361B (zh) | 2023-01-24 |
Family
ID=83758182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204800.6A Active CN115270361B (zh) | 2022-09-30 | 2022-09-30 | 高效求解约束问题的离心压气机叶轮优化设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270361B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030216847A1 (en) * | 1998-06-18 | 2003-11-20 | Bellinger Steven M. | System for controlling an internal combustion engine in a fuel efficient manner |
CN101435344A (zh) * | 2007-11-12 | 2009-05-20 | 斯奈克玛 | 采用模制法制造的金属叶轮叶片和这种叶轮叶片的制造方法 |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
CN106677979A (zh) * | 2016-12-28 | 2017-05-17 | 中原工学院 | 一种风力机叶片气动外形与主机运行特性耦合优化方法 |
CN111859730A (zh) * | 2020-06-05 | 2020-10-30 | 合肥通用机械研究院有限公司 | 一种燃料电池离心压缩机转子构形优化设计方法 |
-
2022
- 2022-09-30 CN CN202211204800.6A patent/CN115270361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030216847A1 (en) * | 1998-06-18 | 2003-11-20 | Bellinger Steven M. | System for controlling an internal combustion engine in a fuel efficient manner |
CN101435344A (zh) * | 2007-11-12 | 2009-05-20 | 斯奈克玛 | 采用模制法制造的金属叶轮叶片和这种叶轮叶片的制造方法 |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
CN106677979A (zh) * | 2016-12-28 | 2017-05-17 | 中原工学院 | 一种风力机叶片气动外形与主机运行特性耦合优化方法 |
CN111859730A (zh) * | 2020-06-05 | 2020-10-30 | 合肥通用机械研究院有限公司 | 一种燃料电池离心压缩机转子构形优化设计方法 |
Non-Patent Citations (1)
Title |
---|
张青等: "基于粒子群算法的切削参数优化及其约束处理", 《航空精密制造技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115270361B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Dual-convolutional neural network based aerodynamic prediction and multi-objective optimization of a compact turbine rotor | |
Pini et al. | Adjoint method for shape optimization in real-gas flow applications | |
CN104298869B (zh) | 一种弹性水翼的流固耦合特性数值预测方法 | |
CN113642105B (zh) | 船舶动力系统的多尺度模型构建方法、装置及电子设备 | |
CN115270362B (zh) | 离心压气机额定工况下的叶片构型设计优化方法及装置 | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
CN111295657A (zh) | 利用卷积神经网络代理经由梯度下降的技术设备的外形优化 | |
CN115906718B (zh) | 一种旋转机械cfd系统 | |
Loppi et al. | Locally adaptive pseudo-time stepping for high-order flux reconstruction | |
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 | |
CN115481511A (zh) | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 | |
CN116384005A (zh) | 一种变形叶片气动性能的确定方法及装置和电子设备 | |
Wang et al. | Field reconstruction and off-design performance prediction of turbomachinery in energy systems based on deep learning techniques | |
CN116306365A (zh) | 一种旋转机械的流体仿真方法 | |
Pringuey et al. | High order schemes on three-dimensional general polyhedral meshes—Application to the level set method | |
Chen et al. | Inverse design and optimization of low specific speed centrifugal pump blade based on adaptive pod hybrid model | |
CN115270361B (zh) | 高效求解约束问题的离心压气机叶轮优化设计方法及装置 | |
Watanabe et al. | Optimizing memory layout of hyperplane ordering for vector supercomputer SX-Aurora TSUBASA | |
Salehi et al. | OpenFOAM for Francis turbine transients | |
Ma et al. | Optimization of discrete cavities with guide vanes in a centrifugal compressor based on a comparative analysis of optimization techniques | |
Rozenberg et al. | Fluid structure interaction problems in turbomachinery using rbf interpolation and greedy algorithm | |
Zakeralhoseini et al. | The influence of splitter blades and meridional profiles on the performance of small-scale turbopumps for ORC applications; analysis, neural network modeling and optimization | |
Yang et al. | Numerical analysis of large-amplitude ship motions using FV-based Cartesian grid method | |
CN113379103B (zh) | 基于降阶模型的泵类设备内部流场的预测方法 | |
Remigi et al. | Evaluation of tandem transonic compressor performances with mixing plane and metric-based mesh adaptation |
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 |