CN115481511A - 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 - Google Patents
基于ffd的离心叶轮多工况局部构型气动优化方法及装置 Download PDFInfo
- Publication number
- CN115481511A CN115481511A CN202211205461.3A CN202211205461A CN115481511A CN 115481511 A CN115481511 A CN 115481511A CN 202211205461 A CN202211205461 A CN 202211205461A CN 115481511 A CN115481511 A CN 115481511A
- Authority
- CN
- China
- Prior art keywords
- impeller
- geometric configuration
- ffd
- condition
- sample data
- 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
- 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
- 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
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了基于FFD的离心叶轮多工况局部构型气动优化方法及装置,涉及离心压气机叶轮的气动设计技术领域。包括:获取离心压气机的叶轮几何构型;将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型;基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。本发明能够有效降低搜索设计空间的盲目性,高效求解绝热效率最大值,实现寻优过程中缩小设计空间、提高优化效率及形性优化控制的多重目的,能够提高离心叶轮多工况的气动综合性能。
Description
技术领域
本发明涉及离心压气机叶轮的气动设计技术领域,特别是指一种基于FFD的离心叶轮多工况局部构型气动优化方法及装置。
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。
在离心压气机叶轮的复杂应用场景中需同时兼顾多个不同工况的气动综合性能水平,对其进行优化设计时会面临构型灵活性低、设计变量多、设计空间大和搜索盲目无效空间等难题,增加了气动设计的难度。
发明内容
为了改善几何构型的灵活性、缩小设计空间、减少搜索盲目性、提高计算效率和寻优质量,提出了基于FFD技术的离心叶轮多工况局部构型气动优化方法,高效地求解离心压气机叶轮的局部几何最佳构型。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供了一种基于FFD的离心叶轮多工况局部构型气动优化方法,该方法由电子设备实现,该方法包括:
S1、获取离心压气机的叶轮几何构型。
S2、将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型。
S3、基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。
可选地,S3中的基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型包括:
S31、基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型。
S32、采用拉丁超立方抽样方法初始化样本数据。
S33、基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型。
S34、基于叶轮几何构型生成的网格模板文件,对新的叶轮几何构型进行网格划分,得到新的叶轮网格模型。
S35、对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数。
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据多工况气动性能参数,得到FFD控制框架上控制顶点的最优解。
S37、判断是否达到预设结束条件;若达到,则根据最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
可选地,S31中的基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型包括:
基于叶轮几何构型以及B样条基的FFD方法,构建叶轮几何构型与空间控制网格的映射模型。
可选地,S31中的叶轮几何构型与空间控制体的映射模型的数学表达式如下式(1)所示:
式中,为叶片表面坐标,为FFD控制框架上的控制顶点;(s,t,u)为在控制框架内的局部坐标;i,j,k为FFD控制框架三个方向的标号;l,m,n为FFD控制框架在三个方向上的划分数;Ni,d(s),Nj,e(t),Nk,f(u)分别对应于d,e,f阶的B样条基函数。
可选地,S32中的采用拉丁超立方抽样方法初始化样本数据包括:
S321、分别获取叶轮的多个局部几何区域对叶轮气动性能的影响效果。
S322、根据影响效果对多个局部几何区域进行排序。
S323、获取前预设个数的局部几何区域,对局部几何区域进行布局设计变量和设计空间,并采用拉丁超立方抽样方法初始化样本数据。
可选地,S33中的基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型包括:
S331、基于叶轮几何构型与空间控制体的映射模型以及样本数据,求解叶轮几何构型与空间控制体的映射模型的非线性方程组的局部坐标。
S332、根据局部坐标得到叶轮的表面变化量。
S333、根据叶轮的表面变化量得到新的叶轮几何构型。
可选地,S35中的对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数包括:
S351、对新的叶轮网格模型进行数值计算,得到离心压气机叶轮的稳态流场。
S352、基于稳态流场,得到叶轮的多工况气动性能参数。
可选地,S37中的更新样本数据的过程包括:
S371、对父代样本数据进行二元锦标赛、二进制交叉和多项式变异,得到子代样本数据。
S372、基于父代样本数据、子代样本数据以及快速非支配排序的进化算法,得到划分后的样本数据。
S373、基于划分后的样本数据以及空间密度算子模型排序方法,得到更新后的父代样本数据。
另一方面,本发明提供了一种基于FFD的离心叶轮多工况局部构型气动优化装置,该装置应用于实现基于FFD的离心叶轮多工况局部构型气动优化方法,该装置包括:
获取模块,用于获取离心压气机的叶轮几何构型。
输入模块,用于将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型。
输出模块,用于基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。
可选地,输出模块,进一步用于:
S31、基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型。
S32、采用拉丁超立方抽样方法初始化样本数据。
S33、基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型。
S34、基于叶轮几何构型生成的网格模板文件,对新的叶轮几何构型进行网格划分,得到新的叶轮网格模型。
S35、对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数。
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据多工况气动性能参数,得到FFD控制框架上控制顶点的最优解。
S37、判断是否达到预设结束条件;若达到,则根据最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
可选地,输出模块,进一步用于:
基于叶轮几何构型以及B样条基的FFD方法,构建叶轮几何构型与空间控制网格的映射模型。
可选地,叶轮几何构型与空间控制体的映射模型的数学表达式如下式(1)所示:
式中,为叶片表面坐标,为FFD控制框架上的控制顶点;(s,t,u)为在控制框架内的局部坐标;i,j,k为FFD控制框架三个方向的标号;l,m,n为FFD控制框架在三个方向上的划分数;Ni,d(s),Nj,e(t),Nk,f(u)分别对应于d,e,f阶的B样条基函数。
可选地,输出模块,进一步用于:
S321、分别获取叶轮的多个局部几何区域对叶轮气动性能的影响效果。
S322、根据影响效果对多个局部几何区域进行排序。
S323、获取前预设个数的局部几何区域,对局部几何区域进行布局设计变量和设计空间,并采用拉丁超立方抽样方法初始化样本数据。
可选地,输出模块,进一步用于:
S331、基于叶轮几何构型与空间控制体的映射模型以及样本数据,求解叶轮几何构型与空间控制体的映射模型的非线性方程组的局部坐标。
S332、根据局部坐标得到叶轮的表面变化量。
S333、根据叶轮的表面变化量得到新的叶轮几何构型。
可选地,输出模块,进一步用于:
S351、对新的叶轮网格模型进行数值计算,得到离心压气机叶轮的稳态流场。
S352、基于稳态流场,得到叶轮的多工况气动性能参数。
可选地,输出模块,进一步用于:
S371、对父代样本数据进行二元锦标赛、二进制交叉和多项式变异,得到子代样本数据。
S372、基于父代样本数据、子代样本数据以及快速非支配排序的进化算法,得到划分后的样本数据。
S373、基于划分后的样本数据以及空间密度算子模型排序方法,得到更新后的父代样本数据。
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FFD的离心叶轮多工况局部构型气动优化方法。
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FFD的离心叶轮多工况局部构型气动优化方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,提出了FFD技术的离心叶轮多工况局部构型气动优化方法,建立了多工况局部几何构型气动优化系统。基于B样条基的局部强支撑性和FFD的灵活构型特性有效降低了搜索设计空间的盲目性,高效求解了绝热效率最大值,实现了寻优过程中减少设计变量、缩小设计空间、提高优化效率及形性优化控制的多重目的,具有一定的推广应用价值。
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基于FFD的离心叶轮多工况局部构型气动优化方法流程示意图;
图2是本发明实施例提供的基于FFD的离心叶轮多工况局部构型气动优化方法流程示意图;
图3是本发明实施例提供的主叶片前缘、中部优化变量设置图;
图4是本发明实施例提供的主叶片后缘优化变量设置图;
图5是本发明实施例提供的分流叶片前缘、中部优化变量分布图;
图6是本发明实施例提供的分流叶片后缘优化变量分布图;
图7优化前后主叶片前缘、中部的FFD框架设计顶点变形图;
图8优化前后主叶片尾缘FFD框架设计顶点变形图;
图9优化前后分流叶片前缘、中部的FFD框架设计顶点变形图;
图10优化前后主叶片尾缘FFD框架设计顶点变形图;
图11是本发明实施例提供的额定工况和常用工况的流量-绝热效率性能曲线图;
图12是本发明实施例提供的基于FFD的离心叶轮多工况局部构型气动优化装置框图;
图13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。
如图1所示,本发明实施例提供了一种基于FFD的离心叶轮多工况局部构型气动优化方法,该方法可以由电子设备实现。如图1所示的基于FFD的离心叶轮多工况局部构型气动优化方法流程图,该方法的处理流程可以包括如下的步骤:
S1、获取离心压气机的叶轮几何构型。
S2、将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型。
S3、基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。
可选地,S3中的基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型包括:
S31、基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型。
可选地,S31中的基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型包括:
基于叶轮几何构型以及B样条基的FFD方法,构建叶轮几何构型与空间控制网格的映射模型。
一种可行的实施方式中,如图2所示,建立基于FFD(Free Form Deformation,自由曲面变形)技术的离心叶轮复杂曲面空间网格参数化方法,构建叶片几何构型与空间控制体的映射模型。
其中,建立基于FFD技术的离心叶轮复杂曲面空间网格参数化方法的过程包括:利用B样条基的FFD方法建立叶片局部几何构型与空间控制网格的映射模型,具体地,将几何构型置于网格控制网格内,通过顶点的位移实现控制体的变形,内置的构型几何跟随控制体发生弹性变形,实现参数化构型。
可选地,S31中的叶轮几何构型与空间控制体的映射模型的数学表达式如下式(1)所示:
式中,为叶片表面坐标,为FFD控制框架上的控制顶点;(s,t,u)为在控制框架内的局部坐标;i,j,k为FFD控制框架三个方向的标号;l,m,n为FFD控制框架在三个方向上的划分数;Ni,d(s),Nj,e(t),Nk,f(u)分别对应于d,e,f阶的B样条基函数。Ni,d(s),Nj,e(t),Nk,f(u)数学定义按照de Boor-Cox递推,如下式(2)、(3)所示:
Nj,e(t)和Nk,f(u)的数学定义与Ni,d(s)原理相同。
S32、采用拉丁超立方抽样方法初始化样本数据。
可选地,S32中的采用拉丁超立方抽样方法初始化样本数据包括:
S321、分别获取叶轮的多个局部几何区域对叶轮气动性能的影响效果。
S322、根据影响效果对多个局部几何区域进行排序。
S323、获取前预设个数的局部几何区域,对局部几何区域进行布局设计变量和设计空间,并采用拉丁超立方抽样方法初始化样本数据。
一种可行的实施方式中,依据设计者工程经验分析出气动性能改善潜力较大的局部几何区域,进一步地,根据离心叶轮几何造型对气动性能的影响经验可知,沿弦长方向,叶片前缘、中部、尾缘对气动性能影响较大,进而对上述区域布局设计变量和设计空间,共计18×2=36个设计变量,采用拉丁超立方抽样方法初始化样本数据。主叶片设计变量布局如图3和图4,分流叶片设计变量布局图5和图6,设计空间变量范围为优化顶点与周向相邻控制顶点的连线矢量的一半。
S33、基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型。
可选地,S33中的基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型包括:
S331、基于叶轮几何构型与空间控制体的映射模型以及样本数据,求解叶轮几何构型与空间控制体的映射模型的非线性方程组的局部坐标。
S332、根据局部坐标得到叶轮的表面变化量。
S333、根据叶轮的表面变化量得到新的叶轮几何构型。
一种可行的实施方式中,基于步骤S31得到的映射模型和步骤S32得到的样本数据,采用强鲁棒性的优化算法,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和新的叶片几何构型。
其中,采用鲁棒性强的优化算法包括蒙特卡略算法或启发式算法等算法。
局部坐标(s,t,u)可由蒙特卡洛算法求出,蒙特卡洛算法流程如下:
首先,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(5)所示:
式中,s,t,u为映射参数,Q为映射值与真实值的误差为,Areal为真实坐标,是样条曲面控制顶点坐标,i,j,k是FFD控制框架三个方向的标号;l,m,n是FFD控制框架在三个方向上的划分数;Ni,d(s),Nj,e(t),Nk,f(u)分别对应于d,e,f阶的B样条基函数,其中s、t和u是映射参数。
其次,初始化局部坐标(s,t,u)=(s0,t0,u0),计算Q0,选定一正数t。
再次,在区间[-t,t]上生成随机数向量n,计算Q1=Q0(s0+ns,t0+nt,u0+nu)。当Q1<Q0,(s,t,u)=(s0+ns,t0+nt,u0+nu),Q0=Q1。若随机生成的多组随机向量仍不满足Q1<Q0,则令t=t/2。
最后,返回步骤2,直到Q0<ε,(s,t,u)=(sbest,tbest,ubest),求出局部坐标。
S34、基于叶轮几何构型生成的网格模板文件,对新的叶轮几何构型进行网格划分,得到新的叶轮网格模型。
一种可行的实施方式中,网格主拓扑采用H&I,叶尖间隙拓扑采用HO,采用FINE/TURBO的Autogrid5模块生成.trb文件的网格模板。
S35、对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数。
可选地,S35中的对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数包括:
S351、对新的叶轮网格模型进行数值计算,得到离心压气机叶轮的稳态流场。
S352、基于稳态流场,得到叶轮的多工况气动性能参数。
一种可行的实施方式中,对步骤S34得到的新离心叶轮网格模型进行数值计算,得到多工况的气动性能。
其中,数值计算利用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,时间进行采用四阶显式Runge-Kutta(龙格-库塔)模型,采用具有二阶和四阶人工粘性项的有限体积中心差分格式控制空间离散化过程中的伪数值振荡,利用多重网格、局部时间步长和隐残差加快算法的收敛速度。
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据多工况气动性能参数,得到FFD控制框架上控制顶点的最优解。
一种可行的实施方式中,设定离心叶轮多工况气动优化流程的目标函数和约束条件,基于步骤S35得到的气动性能,利用基于快速非支配排序的进化算法对控制顶点进行寻优。
其中,目标函数的数学表达式如下式(6)(7)所示:
maxηROC (6)
maxηNOC (7)
式中,ηNOC是原始叶轮常用工况的绝热效率,ηROC是原始叶轮额定工况点的绝热效率。
约束条件的数学表达式如下式(8)(9)所示:
πNOC_opt≥1.7 (8)
πROC_opt≥2.7 (9)
式中,πNOC_opt是优化后常用工况的总压比,πROC_opt分别是优化后额定工况的总压比。
S37、判断是否达到预设结束条件;若达到,则根据最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
一种可行的实施方式中,判断是否满足寻优结束条件,若是,优化流程结束;若否,更新样本数据,返回步骤S33继续寻优,直到满足寻优结束条件,获得离心压气机叶轮局部几何的最佳构型。
其中,满足寻优结束条件可以是满足最大迭代次数或者收敛精度等。
可选地,S37中的更新样本数据的过程包括:
S371、对父代样本数据进行二元锦标赛、二进制交叉和多项式变异,得到子代样本数据。
S372、基于父代样本数据、子代样本数据以及快速非支配排序的进化算法,得到划分后的样本数据。
S373、基于划分后的样本数据以及空间密度算子模型排序方法,得到更新后的父代样本数据。
一种可行的实施方式中,快速非支配排序的进化算法的具体流程包括:随机生成初始种群Pg,开始进化;依据优化耗时总时间指定进化过程的迭代次数或者收敛精度;对Pg进行二元锦标赛、二进制交叉和多项式变异,产生新的后代适应度评估,得到每个个体的多目标值;Pg和中的所有个体根据非支配排序为F1,F2,F3…Fn;F1,F2,F3…Fn被划分为M1,M2,M3三组。根据空间密度算子模型排序,生成下一个种群;返回步骤S33,直到满足最大迭代次数或者收敛精度退出寻优。
空间密度算子模型排序的具体流程包括:M1和M2被分为一组Q;找到空间密度最小的两个个体,其中至少一个个体属于M2;如果一个个体属M1,另一个属于M2,直接从Q中删除属于M2的个体;如果两个个体都属于M2,则删除与Q中其它个体空间密度最小的个体;返回第二步,直到M1和M2总数达到种群规模。
两个个体空间密度的数学表达式如下式(10)所示:
通过B样条基函数和局部强支撑性和FFD技术的灵活构型,降低了设计空间搜索的盲目性、减少了设计变量,提高了求解质量和寻优效率,有效改善了离心叶轮的多工况综合气动性能,性能参数改善情况如表1应用实例优化前后气动性能对比(额定工况)和表2应用实例优化前后气动性能对比(常用工况)。
表1
参数 | 初始值 | 局部优化后值 | 增量值 |
绝热效率 | 84.8% | 85.3% | +0.5% |
总压比 | 2.720 | 2.705 | -0.55% |
流量(kg/s) | 0.1288 | 0.1307 | +1.5% |
裕度 | 25.6% | 27.2% | +1.6% |
表2
参数 | 初始值 | 局部优化后值 | 增量值 |
绝热效率 | 86.73% | 87.13% | +0.4% |
总压比 | 1.704 | 1.700 | -0.23% |
流量(kg/s) | 0.8443 | 0.8531 | +1.04% |
裕度 | 28.9% | 30.7% | +1.8% |
研究结果表明,优化前后主叶片的FFD框架设计顶点变形如图7和图8中虚线框所示,优化前后分流叶片的FFD框架设计顶点变形如图9和图10中虚线框所示,从图中可知,优化后几何构型的变化只限于指定的局部区域,其它区域并无变化,起到了局部构型的效果。优化后前缘处正攻角进一步减小,气流匹配性进一步改善,超音速损失减少,流道内低速区相对马赫数增加,揭示逆压梯度降低,分离损失、二次流损失和尾迹损失减小。气动性能得到了进一步改善,优化效果明显:额定工况等熵效率提升了0.48%,喘振裕度提升了1.6%;常用工况等熵效率提升了0.4%,喘振裕度提升了1.8%,验证了局部优化方法的有效性。气动性能曲线明显整体上移,额定工况和常用工况的流量-绝热效率性能曲线如图11。
通过应用案例可知,本发明基于B样条基的局部强支撑性和FFD的灵活构型特性有效降低了搜索设计空间的盲目性,实现了高效、灵活、有针对性地求解了多工况下离心式叶轮的最佳叶片局部几何构型,达到了形性优化的目的,同时验证了该方法的可行性和普适性。
本发明建立离心叶轮空间网格参数化模型,布局设计变量和设计空间,采用拉丁超立方方法对样本数据进行初始化,利用鲁棒性强的蒙特卡略算法求解参数化模型的特征参数坐标,通过网格模板对新生成的叶轮模型进行网格划分,采用数值模拟方法进行适应度评估,通过多目标优化算法求解出离心压气机叶轮局部几何的最佳构型,提高了离心压气机叶轮多工况的气动综合性能。
本发明实施例中,提出了基于FFD技术的离心叶轮多工况局部构型气动优化方法,建立了多工况局部几何构型气动优化系统。基于B样条基的局部强支撑性和FFD的灵活构型特性有效降低了搜索设计空间的盲目性,高效求解了绝热效率最大值,实现了寻优过程中缩小设计空间、提高优化效率及形性优化控制的多重目的,具有一定的推广应用价值。
如图12所示,本发明实施例提供了一种基于FFD的离心叶轮多工况局部构型气动优化装置1200,该装置1200应用于实现基于FFD的离心叶轮多工况局部构型气动优化方法,该装置1200包括:
获取模块1210,用于获取离心压气机的叶轮几何构型。
输入模块1220,用于将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型。
输出模块1230,用于基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。
可选地,输出模块1230,进一步用于:
S31、基于叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型。
S32、采用拉丁超立方抽样方法初始化样本数据。
S33、基于叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型。
S34、基于叶轮几何构型生成的网格模板文件,对新的叶轮几何构型进行网格划分,得到新的叶轮网格模型。
S35、对新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数。
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据多工况气动性能参数,得到FFD控制框架上控制顶点的最优解。
S37、判断是否达到预设结束条件;若达到,则根据最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
可选地,输出模块1230,进一步用于:
基于叶轮几何构型以及B样条基的FFD方法,构建叶轮几何构型与空间控制网格的映射模型。
可选地,叶轮几何构型与空间控制体的映射模型的数学表达式如下式(1)所示:
式中,为叶片表面坐标,为FFD控制框架上的控制顶点;(s,t,u)为在控制框架内的局部坐标;i,j,k为FFD控制框架三个方向的标号;l,m,n为FFD控制框架在三个方向上的划分数;Ni,d(s),Nj,e(t),Nk,f(u)分别对应于d,e,f阶的B样条基函数。
可选地,输出模块1230,进一步用于:
S321、分别获取叶轮的多个局部几何区域对叶轮气动性能的影响效果。
S322、根据影响效果对多个局部几何区域进行排序。
S323、获取前预设个数的局部几何区域,对局部几何区域进行布局设计变量和设计空间,并采用拉丁超立方抽样方法初始化样本数据。
可选地,输出模块1230,进一步用于:
S331、基于叶轮几何构型与空间控制体的映射模型以及样本数据,求解叶轮几何构型与空间控制体的映射模型的非线性方程组的局部坐标。
S332、根据局部坐标得到叶轮的表面变化量。
S333、根据叶轮的表面变化量得到新的叶轮几何构型。
可选地,输出模块1230,进一步用于:
S351、对新的叶轮网格模型进行数值计算,得到离心压气机叶轮的稳态流场。
S352、基于稳态流场,得到叶轮的多工况气动性能参数。
可选地,输出模块1230,进一步用于:
S371、对父代样本数据进行二元锦标赛、二进制交叉和多项式变异,得到子代样本数据。
S372、基于父代样本数据、子代样本数据以及快速非支配排序的进化算法,得到划分后的样本数据。
S373、基于划分后的样本数据以及空间密度算子模型排序方法,得到更新后的父代样本数据。
本发明实施例中,提出了FFD技术的离心叶轮多工况局部构型气动优化方法,建立了多工况局部几何构型气动优化系统。基于B样条基的局部强支撑性和FFD的灵活构型特性有效降低了搜索设计空间的盲目性,高效求解了绝热效率最大值,实现了寻优过程中缩小设计空间、提高优化效率及形性优化控制的多重目的,具有一定的推广应用价值。
图13是本发明实施例提供的一种电子设备1300的结构示意图,该电子设备1300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)1301和一个或一个以上的存储器1302,其中,存储器1302中存储有至少一条指令,至少一条指令由处理器1301加载并执行以实现下述基于FFD的离心叶轮多工况局部构型气动优化方法:
S1、获取离心压气机的叶轮几何构型。
S2、将叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型。
S3、基于叶轮几何构型以及基于FFD的气动优化模型,得到离心压气机叶轮的多工况最优局部几何构型。
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FFD的离心叶轮多工况局部构型气动优化方法。例如,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FFD的离心叶轮多工况局部构型气动优化方法,其特征在于,所述方法包括:
S1、获取离心压气机的叶轮几何构型;
S2、将所述叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型;
S3、基于所述叶轮几何构型以及基于FFD的气动优化模型,得到所述离心压气机叶轮的多工况最优局部几何构型。
2.根据权利要求1所述的方法,其特征在于,所述S3中的基于所述叶轮几何构型以及基于FFD的气动优化模型,得到所述离心压气机叶轮的多工况最优局部几何构型包括:
S31、基于所述叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型;
S32、采用拉丁超立方抽样方法初始化样本数据;
S33、基于所述叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型;
S34、基于所述叶轮几何构型生成的网格模板文件,对所述新的叶轮几何构型进行网格划分,得到新的叶轮网格模型;
S35、对所述新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数;
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据所述多工况气动性能参数,得到FFD控制框架上控制顶点的最优解;
S37、判断是否达到预设结束条件;若达到,则根据所述最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
3.根据权利要求2所述的方法,其特征在于,所述S31中的基于所述叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型包括:
基于所述叶轮几何构型以及B样条基函数的FFD方法,构建叶轮几何构型与空间控制网格的映射模型。
5.根据权利要求2所述的方法,其特征在于,所述S32中的采用拉丁超立方抽样方法初始化样本数据包括:
S321、分别获取叶轮的多个局部几何区域对叶轮气动性能的影响效果;
S322、根据所述影响效果对所述多个局部几何区域进行排序;
S323、获取前预设个数的局部几何区域,对所述局部几何区域进行布局设计变量和设计空间,并采用拉丁超立方抽样方法初始化样本数据。
6.根据权利要求2所述的方法,其特征在于,所述S33中的基于所述叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型包括:
S331、基于所述叶轮几何构型与空间控制体的映射模型以及样本数据,求解叶轮几何构型与空间控制体的映射模型的非线性方程组的局部坐标;
S332、根据所述局部坐标得到叶轮的表面变化量;
S333、根据所述叶轮的表面变化量得到新的叶轮几何构型。
7.根据权利要求2所述的方法,其特征在于,所述S35中的对所述新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数包括:
S351、对所述新的叶轮网格模型进行数值计算,得到离心压气机叶轮的稳态流场;
S352、基于所述稳态流场,得到叶轮的多工况气动性能参数。
8.根据权利要求2所述的方法,其特征在于,所述S37中的更新样本数据的过程包括:
S371、对父代样本数据进行二元锦标赛、二进制交叉和多项式变异,得到子代样本数据;
S372、基于所述父代样本数据、子代样本数据以及快速非支配排序的进化算法,得到划分后的样本数据;
S373、基于所述划分后的样本数据以及空间密度算子模型排序方法,得到更新后的父代样本数据。
9.一种基于FFD的离心叶轮多工况局部构型气动优化装置,其特征在于,所述装置包括:
获取模块,用于获取离心压气机的叶轮几何构型;
输入模块,用于将所述叶轮几何构型输入到构建好的基于自由曲面变形FFD的气动优化模型;
输出模块,用于基于所述叶轮几何构型以及基于FFD的气动优化模型,得到所述离心压气机叶轮的多工况最优局部几何构型。
10.根据权利要求9所述的装置,其特征在于,输出模块,进一步用于:
S31、基于所述叶轮几何构型,构建叶轮几何构型与空间控制体的映射模型;
S32、采用拉丁超立方抽样方法初始化样本数据;
S33、基于所述叶轮几何构型与空间控制体的映射模型以及样本数据,得到新的叶轮几何构型;
S34、基于所述叶轮几何构型生成的网格模板文件,对所述新的叶轮几何构型进行网格划分,得到新的叶轮网格模型;
S35、对所述新的叶轮网格模型进行数值计算,得到叶轮的多工况气动性能参数;
S36、设定离心压气机叶轮多工况气动优化流程的目标函数和约束条件,并根据所述多工况气动性能参数,得到FFD控制框架上控制顶点的最优解;
S37、判断是否达到预设结束条件;若达到,则根据所述最优解得到离心压气机叶轮的多工况最优局部几何构型;若未达到,则更新样本数据,转去执行步骤S33。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205461.3A CN115481511B (zh) | 2022-09-30 | 2022-09-30 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205461.3A CN115481511B (zh) | 2022-09-30 | 2022-09-30 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115481511A true CN115481511A (zh) | 2022-12-16 |
CN115481511B CN115481511B (zh) | 2023-08-29 |
Family
ID=84394126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205461.3A Active CN115481511B (zh) | 2022-09-30 | 2022-09-30 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481511B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541995A (zh) * | 2023-07-05 | 2023-08-04 | 北京航空航天大学 | 一种多级压气机的全几何空间参数化变形方法及系统 |
CN117034480A (zh) * | 2023-07-07 | 2023-11-10 | 北京航空航天大学 | 基于参数化降维的压气机多型面一体化优化方法及平台 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166836A (zh) * | 2014-05-08 | 2014-11-26 | 清华大学深圳研究生院 | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
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 |
CN110008653A (zh) * | 2019-02-26 | 2019-07-12 | 西北工业大学 | 一种航空离心泵叶型优化设计方法 |
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 |
CN110851912A (zh) * | 2019-08-14 | 2020-02-28 | 湖南云顶智能科技有限公司 | 一种高超声速飞行器多目标气动设计方法 |
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 |
CN112001037A (zh) * | 2020-06-11 | 2020-11-27 | 北京科技大学 | 一种双性能整体叶盘铸造成形的仿真方法 |
CN112487570A (zh) * | 2020-11-13 | 2021-03-12 | 东南大学 | 基于自由变形技术的离心压缩机分流叶片形状优化方法 |
CN113569354A (zh) * | 2021-07-26 | 2021-10-29 | 中国科学院工程热物理研究所 | 一种叶轮机械叶片的自动优化方法 |
CN115017843A (zh) * | 2022-08-09 | 2022-09-06 | 钛灵特压缩机无锡有限公司 | 一种离心压缩机气动性能优化设计方法 |
-
2022
- 2022-09-30 CN CN202211205461.3A patent/CN115481511B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166836A (zh) * | 2014-05-08 | 2014-11-26 | 清华大学深圳研究生院 | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
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 |
CN110008653A (zh) * | 2019-02-26 | 2019-07-12 | 西北工业大学 | 一种航空离心泵叶型优化设计方法 |
CN110851912A (zh) * | 2019-08-14 | 2020-02-28 | 湖南云顶智能科技有限公司 | 一种高超声速飞行器多目标气动设计方法 |
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 |
CN112001037A (zh) * | 2020-06-11 | 2020-11-27 | 北京科技大学 | 一种双性能整体叶盘铸造成形的仿真方法 |
CN112487570A (zh) * | 2020-11-13 | 2021-03-12 | 东南大学 | 基于自由变形技术的离心压缩机分流叶片形状优化方法 |
CN113569354A (zh) * | 2021-07-26 | 2021-10-29 | 中国科学院工程热物理研究所 | 一种叶轮机械叶片的自动优化方法 |
CN115017843A (zh) * | 2022-08-09 | 2022-09-06 | 钛灵特压缩机无锡有限公司 | 一种离心压缩机气动性能优化设计方法 |
Non-Patent Citations (2)
Title |
---|
刘基盛,李威等: ""一种新颖的离心叶轮多工况气动优化设计方法"", vol. 43, no. 11, pages 1 - 13 * |
邵佳丰,罗晨等: ""基于自由变形技术的分流叶片形状优化设计"", vol. 36, no. 6, pages 1315 - 1322 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541995A (zh) * | 2023-07-05 | 2023-08-04 | 北京航空航天大学 | 一种多级压气机的全几何空间参数化变形方法及系统 |
CN116541995B (zh) * | 2023-07-05 | 2023-09-15 | 北京航空航天大学 | 一种多级压气机的全几何空间参数化变形方法及系统 |
CN117034480A (zh) * | 2023-07-07 | 2023-11-10 | 北京航空航天大学 | 基于参数化降维的压气机多型面一体化优化方法及平台 |
CN117034480B (zh) * | 2023-07-07 | 2024-03-22 | 北京航空航天大学 | 基于参数化降维的压气机多型面一体化优化方法及平台 |
Also Published As
Publication number | Publication date |
---|---|
CN115481511B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115481511B (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 | |
Li et al. | Review of design optimization methods for turbomachinery aerodynamics | |
CN110727995B (zh) | 叶片形状的构造方法、叶片以及计算机设备 | |
CN108647370B (zh) | 基于双环迭代的无人直升机气动外形优化设计方法 | |
Samad et al. | Shape optimization of an axial compressor blade by multi-objective genetic algorithm | |
CN110750855B (zh) | 一种外形定尺寸限制下的蜗壳型线设计方法 | |
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 | |
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 | |
CN112417773B (zh) | 多级轴流膨胀机的多学科优化设计方法、装置及设备 | |
CN112115558A (zh) | 一种基于人群搜索算法的汽轮机叶栅型线参数化重构方法 | |
CN116050031A (zh) | 轴流叶轮叶片设计方法、装置、存储介质及电子设备 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN115774968A (zh) | 基于递归分解的曲面网格生成方法及系统、计算机设备 | |
CN114861315B (zh) | 一种基于机器学习的叶轮机二维叶型优化方法 | |
CN115510583B (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 | |
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 | |
CN116263840A (zh) | 基于一体化模型的叶片cad/cae协同设计方法 | |
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 | |
CN115481510A (zh) | 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置 | |
Epstein et al. | Constrained aerodynamic optimization of three-dimensional wings driven by Navier-Stokes computations | |
Chen et al. | Integrated optimization method for transonic turbine based on direct free-form deformation and prescreening differential evolutionary optimizer | |
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 | |
CN115048730B (zh) | 基于网格位移的轴对称超声速喷管优化设计方法和装置 | |
Zhu et al. | Multi-objective optimization design of airfoil and wing | |
Liu et al. | Data-Driven Aerodynamic Optimization of a 15-Stage Compressor With Tandem Outlet Guide Vanes |
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 |