CN115270363A - 基于多代理模型的离心压气机叶片优化设计方法及装置 - Google Patents
基于多代理模型的离心压气机叶片优化设计方法及装置 Download PDFInfo
- Publication number
- CN115270363A CN115270363A CN202211204851.9A CN202211204851A CN115270363A CN 115270363 A CN115270363 A CN 115270363A CN 202211204851 A CN202211204851 A CN 202211204851A CN 115270363 A CN115270363 A CN 115270363A
- Authority
- CN
- China
- Prior art keywords
- model
- centrifugal compressor
- sample data
- sample
- agent
- 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
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及离心压气机气动优化技术领域,特别是指一种基于多代理模型的离心压气机叶片优化设计方法及装置,方法包括:获取样本数据;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;通过多个不同的单一代理模型,创建集成的多代理模型;基于多代理模型、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;重复执行步骤S3至步骤S5,直到总样本的数量达到预设数量为止,确定离心压气机叶片的最佳气动几何构型。采用本发明,可以有效改善中高维昂贵计算问题,提高离心压气机叶片额定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优化技术领域,特别是指一种基于多代理模型的离心压气机叶片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、化工和新能源等战略需求领域。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。
代理模型技术是解决高耗时评估问题有效技术手段,传统的代理模式通常采用单一模型,但在中高维(大于20维)的优化问题中存在模型精度低、优化效果差等问题。
发明内容
本发明实施例提供了一种基于多代理模型的离心压气机叶片优化设计方法及装置。所述技术方案如下:
一方面,提供了一种基于多代理模型的离心压气机叶片优化设计方法,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、基于创建的多代理模型、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;
S6、重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机叶片的最佳气动几何构型。
可选地,所述S3中的目标函数的数学表达式如下式(1):
可选地,所述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。
可选地,所述S4的创建集成的多代理模型的数学表达式如下式(2):
其中,为代理模型的总数;为输入的样本数据;表示第个样本数据;表示
第个单一代理模型;为第个样本数据在第个单一代理模型中对应的预测响应
值;为输入的样本数据在个单一代理模型中的预测响应值;表示
第个样本数据在第个单一代理模型中对应的权重系数。
可选地,所述基于创建的多代理模型、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,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。
可选地,所述根据总样本确定离心压气机叶片的最佳气动几何构型,包括:
确定总样本中绝热效率最高的最优样本;
根据所述最优样本,对离心压气机叶片气动构型进行赋值,得到离心压气机叶片的最佳气动几何构型。
另一方面,提供了一种基于多代理模型的离心压气机叶片优化设计装置,该装置应用于基于多代理模型的离心压气机叶片优化设计方法,该装置包括:
获取模块,用于初始化样本数据;
处理模块,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;
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;
填充模块,用于基于创建的多代理模型、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;
确定模块,用于重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机叶片的最佳气动几何构型。
可选地,所述S3中的目标函数的数学表达式如下式(1):
可选地,所述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。
可选地,所述S4的创建集成的多代理模型的数学表达式如下式(2):
其中,为代理模型的总数;为输入的样本数据;表示第个样本数据;表示
第个单一代理模型;为第个样本数据在第个单一代理模型中对应的预测响应
值;为输入的样本数据在个单一代理模型中的预测响应值;表示
第个样本数据在第个单一代理模型中对应的权重系数。
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。
可选地,所述确定模块,用于:
确定总样本中绝热效率最高的最优样本;
根据所述最优样本,对离心压气机叶片气动构型进行赋值,得到离心压气机叶片的最佳气动几何构型。
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基于多代理模型的离心压气机叶片优化设计方法。
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基于多代理模型的离心压气机叶片优化设计方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
通过本发明提出基于多代理技术的离心压气机叶片气动优化设计方法,可以有效改善中高维昂贵计算问题,在迭代速度上与传统优化算法相比具有明显优势,提高了离心压气机叶片额定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基于多代理模型的离心压气机叶片优化设计方法流程图;
图2是本发明实施例提供的一种基于多代理模型的离心压气机叶片优化设计方法流程图;
图3是本发明实施例提供的一种基于数据驱动的多代理技术优化流程图;
图4是本发明实施例提供的一种额定工况的流量-绝热效率气动性能曲线示意图;
图5是本发明实施例提供的一种额定工况的总压比-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基于多代理模型的离心压气机叶片优化设计装置框图;
图7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基于多代理模型的离心压气机叶片优化设计方法,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所示的基于多代理模型的离心压气机叶片优化设计方法流程图,如图2所示的基于多代理模型的离心压气机叶片优化设计方法流程图,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、基于步骤一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、基于步骤三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。
S24、基于原始离心压气机叶轮生成的.trb网格模板文件,对步骤四得到的新叶片几何构型进行网格划分,生成新的离心压气机叶片网格模型。
具体地,预设的网格模板文件的相关参数可以是:网格主拓扑采用H&I,叶尖间隙拓扑采用HO,网格划分总数为120万,采用FINE/TURBO的Autogrid5模块生成.trb文件的网格模板。
S25、对步骤五得到新的离心压气机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(1):
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,创建集成的多代理模型可以采用下述表达式表示:
其中,为代理模型的总数;为输入的样本数据;表示第个样本数据;表
示第个单一代理模型;为第个样本数据在第个单一代理模型中对应的预测响
应值;为输入的样本数据在个单一代理模型中的预测响应值;表示
第个样本数据在第个单一代理模型中对应的权重系数。
S5、基于创建的多代理模型、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,基于创建的多代理模型、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,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。
一种可行的实施方式中,基于上述步骤S4创建的多代理模型,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,多代理技术流程如图3。
首先,多代理模型构建后利用粒子群算法求解不确定性最大样本,数学表达式如下:
式中,为最不确定解,是维决策向量,是在预测解处,组分成
员(不同的代理模型)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,更新多代理模型。
其次,利用粒子群求取更新后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,
S6、重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机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,预设数量可以设置为440。
可选地,根据总样本确定离心压气机叶片的最佳气动几何构型可以具体包括以下步骤:
S61、确定总样本中绝热效率最高的最优样本。
S62、根据最优样本,对离心压气机叶片气动构型进行赋值,得到离心压气机叶片的最佳气动几何构型。
一种可行的实施方式中,计算总样本中中每个样本数据的绝热效率可以参照上述步骤S2;对离心压气机叶片气动构型进行赋值可以参照步骤S1,此处不做赘述。
下面对本发明实施例的实施效果进行说明:
与其它经典算法如MIGA(Multi-Island Genetic Algorithm,多岛遗传算法)、PSO(Particle Swarm Optimization,粒子群算法 )和DE(Differential Evolution,差分进化算法)对比表明:本发明实施例的多代理模型方法可有效改善昂贵计算问题。对比实验结果如表1、表2以及表3。每个算法执行三十次独立重复性实验,以多代理模型技术在不同测试问题上迭代次数达到11d次的运算结果作为对比基准,记录其它经典算法收敛到相同目标函数值附近时的迭代次数,括号内为指定适应度值。
表1
表2
表3
基于多代理技术的离心压气机叶片气动优化设计方法,仅利用440次迭代次数即可求得理想解,得到了离心压气机复杂曲面叶片的最佳几何构型,提高了离心压气机叶片多工况的气动综合性能,性能参数改善情况如表4。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片气动设计技术的发展具有一定的积极意义。
表4
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4,额定工况的总压比-绝热效率性能曲线如图5,气动性能改善较为明显:额定工况的绝热效率提高0.7%,总压比提高0.18%,流量增加了2.54%,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,本发明提出的基于多代理技术的离心压气机叶片气动优化设计方法,可有效改善“昂贵计算”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,具有良好的推广应用价值。
本发明实施例中,通过一种基于多代理技术的离心压气机叶片气动优化设计方法,可以有效改善中高维昂贵计算问题,在迭代速度上与传统优化算法相比具有明显优势,提高了离心压气机叶片额定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6是根据一示例性实施例示出的一种基于多代理模型的离心压气机叶片优化设计装置框图。参照图6,该装置包括获取模块610、处理模块620、建立模块630、创建模块640、填充模块650以及确定模块660,其中:
获取模块610,用于初始化样本数据;
处理模块620,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630,用于设定额定工况下离心压气机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;
创建模块640,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;
填充模块650,用于基于创建的多代理模型、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;
确定模块660,用于重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机叶片的最佳气动几何构型。
可选地,所述S3中的目标函数的数学表达式如下式(1):
可选地,所述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。
可选地,所述S4的创建集成的多代理模型的数学表达式如下式(2):
其中,为代理模型的总数;为输入的样本数据;表示第个样本数据;表示
第个单一代理模型;为第个样本数据在第个单一代理模型中对应的预测响应
值;为输入的样本数据在个单一代理模型中的预测响应值;表示第个样本数据在第个单一代理模型中对应的权重系数。
可选地,所述填充模块650,用于:
快速求解出近似的不确定性最大数据、全局最优数据和局部最优数据,对求解得到的数据进行昂贵计算,将满足要求的数据填充到样本数据中。
本发明实施例中,通过一种基于多代理技术的离心压气机叶片气动优化设计装置,可以有效改善中高维昂贵计算问题,在迭代速度上与传统优化算法相比具有明显优势,提高了离心压气机叶片额定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是本发明实施例提供的一种电子设备700的结构示意图,该电子设备700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)701和一个或一个以上的存储器702,其中,所述存储器702中存储有至少一条指令,所述至少一条指令由所述处理器701加载并执行以实现上述基于多代理模型的离心压气机叶片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基于多代理模型的离心压气机叶片优化设计方法。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)
1.一种基于多代理模型的离心压气机叶片优化设计方法,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、基于创建的多代理模型、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;
S6、重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机叶片的最佳气动几何构型。
3.根据权利要求1所述的方法,其特征在于,所述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。
5.根据权利要求1所述的方法,其特征在于,所述基于创建的多代理模型、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,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。
6.根据权利要求1所述的方法,其特征在于,所述根据总样本确定离心压气机叶片的最佳气动几何构型,包括:
确定总样本中绝热效率最高的最优样本;
根据所述最优样本,对离心压气机叶片气动构型进行赋值,得到离心压气机叶片的最佳气动几何构型。
7.一种基于多代理模型的离心压气机叶片优化设计装置,其特征在于,所述装置包括:
获取模块,用于初始化样本数据;
处理模块,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;
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;
填充模块,用于基于创建的多代理模型、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;
确定模块,用于重复执行步骤S3至步骤S5,直到样本填充后的总样本的数量达到预设数量,停止重复执行操作,根据总样本确定离心压气机叶片的最佳气动几何构型。
9.根据权利要求7所述的装置,其特征在于,所述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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204851.9A CN115270363B (zh) | 2022-09-30 | 2022-09-30 | 基于多代理模型的离心压气机叶片优化设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204851.9A CN115270363B (zh) | 2022-09-30 | 2022-09-30 | 基于多代理模型的离心压气机叶片优化设计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270363A true CN115270363A (zh) | 2022-11-01 |
CN115270363B CN115270363B (zh) | 2022-11-29 |
Family
ID=83757919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204851.9A Active CN115270363B (zh) | 2022-09-30 | 2022-09-30 | 基于多代理模型的离心压气机叶片优化设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270363B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935859A (zh) * | 2023-03-01 | 2023-04-07 | 成都前沿动力科技有限公司 | 一种基于svr-modea的型面结构优化方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073772A (zh) * | 2017-12-25 | 2018-05-25 | 沈阳鼓风机集团股份有限公司 | 离心压缩机设计方法 |
CN108153998A (zh) * | 2018-01-25 | 2018-06-12 | 哈尔滨工业大学 | 离心鼓风机叶轮的全三维气动优化设计方法 |
CN110175340A (zh) * | 2018-11-16 | 2019-08-27 | 湘潭大学 | 一种适用于不确定工况的离心压气机叶轮气动稳健优化设计方法 |
US20210287459A1 (en) * | 2018-09-30 | 2021-09-16 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN114841091A (zh) * | 2022-05-07 | 2022-08-02 | 郑州轻工业大学 | 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 |
-
2022
- 2022-09-30 CN CN202211204851.9A patent/CN115270363B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073772A (zh) * | 2017-12-25 | 2018-05-25 | 沈阳鼓风机集团股份有限公司 | 离心压缩机设计方法 |
CN108153998A (zh) * | 2018-01-25 | 2018-06-12 | 哈尔滨工业大学 | 离心鼓风机叶轮的全三维气动优化设计方法 |
US20210287459A1 (en) * | 2018-09-30 | 2021-09-16 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN110175340A (zh) * | 2018-11-16 | 2019-08-27 | 湘潭大学 | 一种适用于不确定工况的离心压气机叶轮气动稳健优化设计方法 |
CN114841091A (zh) * | 2022-05-07 | 2022-08-02 | 郑州轻工业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
刘基盛等: "一种新颖的离心叶轮多工况气动优化设计方法", 《推进技术》 * |
左曙光等: "采用Kriging模型的离心压缩机叶轮多目标参数优化", 《农业工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935859A (zh) * | 2023-03-01 | 2023-04-07 | 成都前沿动力科技有限公司 | 一种基于svr-modea的型面结构优化方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115270363B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Safikhani et al. | Pareto based multi-objective optimization of centrifugal pumps using CFD, neural networks and genetic algorithms | |
CN111783209B (zh) | 一种学习函数与kriging模型结合的自适应结构可靠性分析方法 | |
An et al. | Multi-objective optimization of a low specific speed centrifugal pump using an evolutionary algorithm | |
CN110083968B (zh) | 基于修正气封泄露量影响数值模型的压气机特性预测方法 | |
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 | |
CN104615454A (zh) | 用于更新计算机辅助设计模型的方法、系统和可读媒体 | |
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 | |
CN112417773A (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
Lu et al. | Application of the modified inverse design method in the optimization of the runner blade of a mixed-flow pump | |
CN116306365A (zh) | 一种旋转机械的流体仿真方法 | |
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 | |
Bashiri et al. | Design optimization of a centrifugal pump using particle swarm optimization algorithm | |
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 | |
CN115017808A (zh) | 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法 | |
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 | |
CN116502373B (zh) | 流道计算网格生成方法及装置 | |
Zhaoyun et al. | Optimization of tandem blade based on improved particle swarm algorithm | |
CN112464478A (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
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 | |
Luers et al. | Adjoint-based volumetric shape optimization of turbine blades | |
EP4036784A1 (en) | Simulating fluid flow with neural networks | |
CN113379103B (zh) | 基于降阶模型的泵类设备内部流场的预测方法 | |
Shahpar et al. | Large scale optimization of transonic axial compressor rotor blades | |
Cheng et al. | Design and optimization of tandem cascade based on parallel differential evolution algorithm | |
CN109933932B (zh) | 一种基于Bézier曲线的路径优化方法及系统 |
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 |