CN115375851A - 一种核电汽轮机叶片参数自动优化方法 - Google Patents
一种核电汽轮机叶片参数自动优化方法 Download PDFInfo
- Publication number
- CN115375851A CN115375851A CN202211044406.0A CN202211044406A CN115375851A CN 115375851 A CN115375851 A CN 115375851A CN 202211044406 A CN202211044406 A CN 202211044406A CN 115375851 A CN115375851 A CN 115375851A
- Authority
- CN
- China
- Prior art keywords
- performance data
- model
- blade
- models
- steam turbine
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06F30/28—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种核电汽轮机叶片参数自动优化方法,包括如下步骤:输入参数进行叶片建模,生成三维叶片模型;获取三维叶片模型数据并进行网格划分;进行仿真分析,获取汽轮机内部的流场分布,并得到汽轮机性能数据;判断汽轮机性能数据是否位于目标范围内;若得到的汽轮机性能数据位于目标范围内,则当前三维叶片模型为最优模型;若得到的汽轮机性能数据位于目标范围外,则根据优化算法进行迭代,直至汽轮机性能数据位于目标范围内。本发明的核电汽轮机叶片参数自动优化方法,实现了核电汽轮机叶片建模、分析、优化的全流程自动化工作,打通了各模块之间数据传递,实现了优化算法与参数化建模和流场仿真分析之间的闭环控制。
Description
技术领域
本发明具体涉及一种核电厂汽轮机叶片参数自动优化方法。
背景技术
当前核电汽轮机叶片的设计及优化调整工作中,主要通过UG、NX等三维建模软件构建叶片三维模型,并通过CFX、Numeca等气动仿真分析软件进行仿真分析,并根据仿真结果,基于经验返回三维建模软件进行参数调整,整个过程均为手动进行,效率低,严重依赖工程师经验,难以保证最终设计优化效果。
发明内容
有鉴于此,为了克服现有技术的缺陷,本发明的目的是提供一种核电汽轮机叶片参数自动优化方法。
为了达到上述目的,本发明采用以下的技术方案:
一种核电汽轮机叶片参数自动优化方法,包括如下步骤:
输入参数进行叶片建模,生成三维叶片模型;
获取三维叶片模型数据并进行网格划分;
进行仿真分析,获取汽轮机内部的流场分布,并得到汽轮机性能数据;
基于实际工程项目需求,可确定汽轮机流量、功率、效率等性能数据的目标范围,基于流场仿真分析的结果能够判断汽轮机性能数据是否位于目标范围内;若得到的汽轮机性能数据位于目标范围内,则当前三维叶片模型为最优模型;若得到的汽轮机性能数据位于目标范围外,则根据优化算法进行迭代,直至汽轮机性能数据位于目标范围内。
根据本发明的一些优选实施方面,所述参数包括前缘半径、尾缘半径、弦长、安装角、前缘气流角、尾缘气流角、喉部宽度。
根据本发明的一些优选实施方面,所述网格划分为通过编写代码,建立核电汽轮机叶片及通流仿真计算域网格划分模板,实现网格自动划分,并与参数化建模生成的模型数据打通,自动判断流场分析计算域的进口、出口、壁面等边界面,网格形式为笛卡尔直交网格,自动添加壁面边界层网格,并自动在前缘、尾缘区域进行网格加密。
根据本发明的一些优选实施方面,所述性能数据包括汽轮机流量、压力、功率及效率。
根据本发明的一些优选实施方面,所述仿真分析为通过流体仿真求解器对汽轮机的多级叶片及通流部件进行三维流场仿真分析。
根据本发明的一些优选实施方面,所述优化算法为自动调整叶片建模中设置的参数并重新生成三维叶片模型,并针对每次生成的三维叶片模型模型自动进行网格划分及仿真分析,得到对应的汽轮机性能数据,比较汽轮机性能数据与目标范围并通过优化算法自动判断参数变化的方向,进一步调整三维叶片模型,逐步迭代得到汽轮机性能数据位于目标范围内的三维叶片模型。
根据本发明的一些优选实施方面,所述优化算法包括如下步骤:
a)基于设定的参数变化范围,在范围内随机设定参数数值(取样)并生成第一批模型;第一批模型的数量为给定参数个数的2-3倍以上。
b)对第一批模型进行仿真分析,并按照得到的汽轮机性能数据从优到差对叶片模型进行排序;
c)将所述第一批模型中的参数进行交叉组合(组合方式如下文所述),生成第二批模型;其中,步骤b)中性能越优的叶片模型对应的参数将得到更高的组合概率;
d)对第二批模型进行仿真分析,并重复上述排序、交叉组合,直至达到设定的迭代次数。
根据本发明的一些优选实施方面,所述步骤还包括突变的设定:在本代模型的基础上随机增加一个参数的变化量(在给定参数变化范围内随机选择),生成新的模型,从而保证下一批模型有一定概率(突变概率由算法中给定的参数决定)跳出上一批模型的求解空间。
根据本发明的一些优选实施方面,所述模型对应的参数交叉组合生成新模型的方法简单表述如下:
根据本发明的一些优选实施方面,所述迭代达到设定的代数则自动结束优化工作。
由于采用了以上的技术方案,相较于现有技术,本发明的有益之处在于:本发明的核电汽轮机叶片参数自动优化方法,实现了核电汽轮机叶片建模、分析、优化的全流程自动化工作,打通了各模块之间数据传递,实现了优化算法与参数化建模和流场仿真分析之间的闭环控制;且优化算法能够进一步提升模型模拟精度。
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为本发明优选实施例中核电汽轮机叶片参数自动优化方法的逻辑流程示意图;
图2为生成三维叶片模型过程的示意图,其中,2(a)为叶片二维叶型示意图,2(b)为通过二维叶型积叠生成的三维叶片示意图;
图3(a)、3(b)分别为网格划分及流场仿真计算的示意图;
图4为本发明优选实施例中优化算法的逻辑流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,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的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
基于对汽轮机叶片自动优化设计的需求,本发明设计了一套完整的汽轮机叶片参数化建模、自动化仿真及自动化优化的方法,该方法主要包括如下步骤:
步骤1、建立初始模型
通过前缘半径、尾缘半径、弦长、安装角、前缘气流角、尾缘气流角、喉部宽度等参数进行叶片造型,并可对叶片径向积叠规律进行控制,生成三维叶片模型。生成的叶片模型能够导出三维实体模型及截面坐标数据。其中,参数能够选择导入现有的叶型参数,并能够进一步对其进行调整。
步骤2、网格划分及仿真计算
通过调用网格划分程序实现叶片及通流部件的网格自动划分。具体的,在开源网格程序基础上,按照汽轮机叶片网格划分要求,包括需自动识别进出口、叶片位置,叶片需给定边界层网格,前缘、尾缘需进行网格加密等,定制化开发的自动化网格划分程序。
通过CFD流体仿真求解器对汽轮机多级叶片及通流部件进行三维流场仿真分析,获取汽轮机内部流场分布,并得到汽轮机流量、压力、功率及效率等性能数据。
步骤3、算法优化
通过智能优化算法,自动控制叶片建模中设置的参数进行变化,并针对每次生成的模型自动进行网格划分及仿真计算,根据计算得到汽轮机功率、效率等数据,自动判断参数变化方向,进一步调整参数和模型,逐步迭代得到给定参数范围内性能最优的模型。
本实施例中典型优化算法迭代流程如下:
1)根据设置的各设计变量变化范围,在整个范围内按照一定取样规律(一般为内置的随机算法)生成第一批模型,每一批的模型个数一般要求设计变量个数的2-3倍,也可以更多,可根据计算量进行选取。
2)采用流体仿真求解器,对第一批模型进行仿真计算,根据得到的性能结果对模型进行排序。
3)将第一批模型对应的参数进行交叉组合,生成下一批模型,性能越优、排序越靠前的模型对应的参数将得到更高的组合概率(类似于优胜劣汰的规则)。
模型参数交叉组合生成新模型的方法简单表述如下:
4)在生成下一批模型时,保证有一定的突变概率。具体的,在本代模型的基础上随机增加一个参数的变化,生成新的模型,从而保证下一批模型有一定几率跳出上一批模型的求解空间。
5)对新一批模型继续进行仿真计算,并重复以上排序、交叉组合、突变,生成下一批模型。
迭代的代数需人为设定,达到设定的代数则会自动结束优化工作。
步骤4、结果输出
判断最终得到的汽轮机性能数据是否位于目标范围内;若得到的汽轮机性能数据位于目标范围内,则当前三维叶片模型为最优模型;若得到的汽轮机性能数据位于目标范围外,则根据步骤3的优化算法进行迭代,直至汽轮机性能数据位于目标范围内。
本发明通过一整套汽轮机叶片建模、仿真、优化方法,实现了核电汽轮机叶片建模、分析、优化的全流程自动化工作,打通了各模块之间数据传递,实现了优化算法与参数化建模和流场仿真分析之间的闭环控制。减少核电汽轮机叶片设计及优化工作中的人工操作及对人工经验的依赖,能够更方便的找到更优的模型方案,提供设计工作效率,提升产品性能水平。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (12)
1.一种核电汽轮机叶片参数自动优化方法,其特征在于,包括如下步骤:
输入参数进行叶片建模,生成三维叶片模型;
获取三维叶片模型数据并进行网格划分;
进行仿真分析,获取汽轮机内部的流场分布,并得到汽轮机性能数据;
判断汽轮机性能数据是否位于目标范围内;若得到的汽轮机性能数据位于目标范围内,则当前三维叶片模型为最优模型;若得到的汽轮机性能数据位于目标范围外,则根据优化算法进行迭代,直至汽轮机性能数据位于目标范围内。
2.根据权利要求1所述的自动优化方法,其特征在于,所述参数包括前缘半径、尾缘半径、弦长、安装角、前缘进气角、尾缘出气角、喉部宽度中的一种或多种。
3.根据权利要求1所述的自动优化方法,其特征在于,所述网格划分为采用笛卡尔直交网格的网格形式,自动添加壁面边界层网格,并自动在叶片的前缘、尾缘区域进行网格加密。
4.根据权利要求1所述的自动优化方法,其特征在于,所述性能数据包括汽轮机流量、压力、功率及效率。
5.根据权利要求1所述的自动优化方法,其特征在于,所述仿真分析为通过流体仿真求解器对汽轮机的多级叶片及通流进行三维流场仿真分析。
6.根据权利要求1所述的自动优化方法,其特征在于,所述优化算法为自动调整叶片建模中设置的参数并重新生成三维叶片模型,并针对每次生成的三维叶片模型模型自动进行网格划分及仿真分析,得到对应的汽轮机性能数据,比较汽轮机性能数据与目标范围并自动判断参数变化的方向,进一步调整三维叶片模型,逐步迭代得到汽轮机性能数据位于目标范围内的三维叶片模型。
7.根据权利要求6所述的自动优化方法,其特征在于,所述优化算法包括如下步骤:
a)在参数的设定范围内进行取样并生成第一批模型;
b)对第一批模型进行仿真分析,并根据得到的汽轮机性能数据对对应的叶片模型进行排序;
c)将所述第一批模型中的参数进行交叉组合,生成第二批模型;其中,步骤b)中性能越优的叶片模型对应的参数将得到更高的组合概率;
d)对第二批模型进行仿真分析,并重复上述排序、交叉组合,直至迭代结束。
8.根据权利要求7所述的自动优化方法,其特征在于,步骤a)中所述第一批模型的数量为参数个数的2倍或以上。
9.根据权利要求7所述的自动优化方法,其特征在于,步骤b)中所述排序为将汽轮机性能数据从优到差进行排序。
10.根据权利要求7所述的自动优化方法,其特征在于,所述步骤还包括突变的设定:在本代模型的基础上随机增加一个参数的变化,生成新的模型,从而保证下一批模型能够跳出上一批模型的求解空间。
12.根据权利要求1-11任意一项所述的自动优化方法,其特征在于,所述迭代达到设定的代数则自动结束优化工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044406.0A CN115375851A (zh) | 2022-08-30 | 2022-08-30 | 一种核电汽轮机叶片参数自动优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044406.0A CN115375851A (zh) | 2022-08-30 | 2022-08-30 | 一种核电汽轮机叶片参数自动优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375851A true CN115375851A (zh) | 2022-11-22 |
Family
ID=84069904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044406.0A Pending CN115375851A (zh) | 2022-08-30 | 2022-08-30 | 一种核电汽轮机叶片参数自动优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375851A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976201A (zh) * | 2023-07-10 | 2023-10-31 | 哈尔滨工业大学 | 呼吸机微涡轮叶片自编程参数化建模方法及其建模系统、计算机可读存储介质和电子设备 |
CN117313237A (zh) * | 2023-09-23 | 2023-12-29 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
-
2022
- 2022-08-30 CN CN202211044406.0A patent/CN115375851A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976201A (zh) * | 2023-07-10 | 2023-10-31 | 哈尔滨工业大学 | 呼吸机微涡轮叶片自编程参数化建模方法及其建模系统、计算机可读存储介质和电子设备 |
CN117313237A (zh) * | 2023-09-23 | 2023-12-29 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
CN117313237B (zh) * | 2023-09-23 | 2024-04-16 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375851A (zh) | 一种核电汽轮机叶片参数自动优化方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN112084589B (zh) | 基于轴面流速控制的轴贯流式水轮机转轮叶片优化方法 | |
CN109145491B (zh) | 一种基于改进粒子群算法的多级离心泵叶轮智能优化方法 | |
CN107529643B (zh) | 一种兼顾水力、强度性能的混流式转轮多工况优化方法 | |
Marchukov et al. | Improving of the working process of axial compressors of gas turbine engines by using an optimization method | |
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 | |
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 | |
CN115081130A (zh) | 基于动态支持向量回归的叶片与端壁联合气动优化方法 | |
CN114491856A (zh) | 一种多能互补条件下水轮机转轮的多工况优化设计方法 | |
CN112231836B (zh) | 一种基于遗传算法和数值仿真的翼型优化方法 | |
Popov et al. | Multicriteria optimization of axial low pressure compressor of gas turbine power plant | |
CN110245408B (zh) | 一种汽轮机单圆弧压力面叶型设计方法 | |
Derakhshan et al. | Optimal design of axial hydro turbine for micro hydropower plants | |
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 | |
CN115510583A (zh) | 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 | |
CN109472389B (zh) | 一种中低比转速叶轮多工况智能优化方法 | |
Lee et al. | Optimization framework using surrogate model for aerodynamically improved 3D turbine blade design | |
Lai et al. | An Approach to automatically optimize the Hydraulic performance of Blade System for Hydraulic Machines using Multi-objective Genetic Algorithm | |
CN113742861A (zh) | 一种适用于风力发电机风洞试验的叶片模型优化设计方法 | |
Dittmer et al. | Mesh optimization using a genetic algorithm to control mesh creation parameters | |
Becker et al. | Multi-objective optimization in axial compressor design using a linked cfd-solver | |
Shao et al. | Aerodynamic optimization of the radial inflow turbine for a 100kW-class micro gas turbine based on metamodel-semi-assisted method | |
CN115481500A (zh) | 基于全局灵敏度分析的多级叶轮机械优化方法 | |
Matveev et al. | Increase of gas-turbine plant efficiency by optimizing operation of compressors |
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 |