CN115758918A - 一种多级离心泵空间导叶优化方法 - Google Patents

一种多级离心泵空间导叶优化方法 Download PDF

Info

Publication number
CN115758918A
CN115758918A CN202211169205.3A CN202211169205A CN115758918A CN 115758918 A CN115758918 A CN 115758918A CN 202211169205 A CN202211169205 A CN 202211169205A CN 115758918 A CN115758918 A CN 115758918A
Authority
CN
China
Prior art keywords
optimization
space guide
model
guide vane
centrifugal pump
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
Application number
CN202211169205.3A
Other languages
English (en)
Inventor
吴登昊
吴天鑫
宋渝
谷云庆
牟介刚
肖刚
吴振兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN202211169205.3A priority Critical patent/CN115758918A/zh
Publication of CN115758918A publication Critical patent/CN115758918A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

一种多级离心泵空间导叶优化方法，包括以下步骤：1)根据实际需求选择优化目标和变量；2)对优化变量进行抽样，并对各样本进行建模与仿真计算，建立训练数据库；3)基于训练数据库拟合代理模型，建立优化变量与目标的函数关系；4)使用寻优算法在参数范围内针对优化目标进行寻优，确定优化方案；5)对优化模型进行仿真计算，确定优化效果。本发明所提出的空间导叶设计方法可有效提高空间导叶的性能，大幅降低优化设计的成本和门槛。

Description

一种多级离心泵空间导叶优化方法
技术领域
本发明属于流体机械水力设计方法领域，具体涉及一种泵用空间导叶优化设计方法，主要用于对空间导叶的几何形状进行优化设计，借助智能算法提升多级泵产品的水力性能。该方法能大幅降低空间导叶设计与优化的成本和时间，并能有效降低空间导叶内的能量损失，提升多级泵效率。
背景技术
空间导叶是一种泵用装置，在各种类型的多级泵中应用广泛。空间导叶常位于叶轮之后，其主要作用是：1)将上一级叶轮流出的液体运送到下一级叶轮的入口或出口管路；2)将流体的速度能转换成压力能。但导叶内流体流动情况复杂，在其流道中存在流动分离、回流、二次流等不稳定流动现象，会造成大量的能量损失。对空间导叶进行优化设计可以有效地改善导叶内的不稳定流动现象，降低泵内能量损失，提升泵的能效水平。
之前对于空间导叶的优化设计主要由设计人员根据其设计经验完成。设计人员通过不断调整空间导叶几何形状，并进行测试，找到一个相对较优的方案。这种方法极其依赖设计人员的设计经验，且优化效果不稳定，优化成本高。对此，需要一种优化效果稳定，且对设计经验依赖性小的高效空间导叶优化设计方法。
现有技术存在的技术问题是：1.空间导叶优化设计对设计人员的设计经验要求较高，导致优化设计的门槛高；2.传统优化方法依靠设计人员通过试验不断寻找优化模型，具有盲目性，导致优化效果不稳定，且优化过程耗费大量精力和成本。
发明内容
为了克服已有技术的不足,本发明提供一种结合数值模拟，代理模型和寻优算法的空间导叶优化设计方法。设计人员可以自由选择优化变量和优化目标，在智能算法的帮助下实现对空间导叶的性能优化，进而提升多级泵的能效水平。该方法对设计人员经验要求低，且优化效果稳定。因此，该方法具有重要的工程应用价值。。
本发明解决其技术问题所采用的技术方案是：
一种多级离心泵空间导叶优化方法，包括以下步骤：
1)选择优化目标和变量：确定优化目标后，通过因子筛选实验选择关键几何参数作为优化变量，或由设计人员根据实际情况自行选择优化变量；
2)建模与仿真：对空间导叶进行参数化建模，并对各优化变量进行抽样，再由仿真计算获得配有不同空间导叶离心泵的性能，搭建代理模型训练数据库(以下简称为数据库)；
3)拟合代理模型：使用不同代理模型算法拟合优化变量和优化目标之间的函数关系，选择其中性能最优的模型为预测模型；
4)寻找优化方案：使用寻优算法在变量范围内针对优化目标进行寻优，确定优化方案；
5)确认优化结果：对优化方案进行仿真计算，并对比仿真计算结果和代理模拟的预测结果；若误差过大，则将该优化方案加入数据库，并重复步骤3)-5)，若误差小于规定值，则优化完成。
进一步，所述的步骤1)的过程为：设计人员首先根据实际需求确定优化目标(可为单目标或多目标)；然后设计人员根据实际需求和尺寸限制对空间导叶的几何参数及其范围进行初步选择；再由因子筛选实验(如Plackett-Burman实验设计或部分因子实验设计)和仿真计算对几何参数的影响权重进行排序，据此选择优化变量。设计人员也可以不通过因子筛选实验，自行选择优化变量。
再进一步，所述的步骤2)的过程为：首先对空间导叶进行参数化建模。再使用拉丁超立方抽样法对优化变量抽样(一般抽样数为变量数的10到15倍)，并根据抽样数据建立不同的空间导叶模型。并对配有各空间导叶模型的离心泵进行仿真计算，获取离心泵性能数据作为数据库。
更进一步，所述的步骤3)的过程为：本步骤中代理模型用来预测配有不同空间导叶离心泵的水力性能。首先使用数据库训练不同代理模型(如高斯过程回归、支持向量机、人工神经网络等算法)，并比较各代理模型的性能，选择性能最优的模型作为最终的预测模型。
所述的步骤4)的过程为：借助预测模型，使用寻优算法对优化目标进行寻优即可获得优化方案。若为多目标寻优，寻优结果为Pareto前沿，设计人员应根据实际需求在Pareto前沿中寻找合适的优化方案。
所述的步骤5)的过程为：获得优化方案后，对其进行仿真计算。对比代理模型和仿真计算结果，若误差大于5％则将该模型加入数据库，重复步骤(3)-(5)；当误差小于5％，则认为优化完成。
本发明的有益效果主要表现在：1)本发明提出的空间导叶优化方法可有效改善空间导叶性能，提高多级泵水力性能。2)本发明提出的优化方法大幅度降低了空间导叶优化的门槛和开发成本，且优化效果稳定。3)设计人员可自由选择优化变量与目标，并且可从Pareto前沿选择符合需求的优化方案。4)本发明提出的优化方法可以通过一次优化过程获得多个符合不同目标要求的优化模型。
附图说明
图1为空间导叶优化设计流程图。
图2为优化变量示意图。
图3为原始模型的仿真计算和实验结果对比。
图4为神经网络结构图。
图5为寻优所得Pareto前沿。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种多级离心泵空间导叶优化方法，包括以下步骤：
1)选择优化目标和变量：确定优化目标后，通过因子筛选实验选择关键几何参数作为优化变量，或由设计人员根据实际情况自行选择优化变量；
所述的步骤1)的过程为：设计人员首先根据实际需求确定优化目标(可为单目标或多目标)；然后设计人员根据实际需求和尺寸限制对空间导叶的几何参数及其范围进行初步选择；再由因子筛选实验(如Plackett-Burman实验设计或部分因子实验设计)和仿真计算对几何参数的影响权重进行排序，据此选择优化变量。设计人员也可以不通过因子筛选实验，自行选择优化变量。
2)建模与仿真：对空间导叶进行参数化建模，并对各优化变量进行抽样，再由仿真计算获得配有不同空间导叶离心泵的性能，搭建代理模型训练数据库(以下简称为数据库)；
所述的步骤2)的过程为：首先对空间导叶进行参数化建模。再使用拉丁超立方抽样法对优化变量抽样(一般抽样数为变量数的10到15倍)，并根据抽样数据建立不同的空间导叶模型。并对配有各空间导叶模型的离心泵进行仿真计算，获取离心泵性能数据作为数据库。
3)拟合代理模型：使用不同代理模型算法拟合优化变量和优化目标之间的函数关系，选择其中性能最优的模型为预测模型；
所述的步骤3)的过程为：本步骤中代理模型用来预测配有不同空间导叶离心泵的水力性能。首先使用数据库训练不同代理模型(如高斯过程回归、支持向量机、人工神经网络等算法)，并比较各代理模型的性能，选择性能最优的模型作为最终的预测模型。
4)寻找优化方案：使用寻优算法在变量范围内针对优化目标进行寻优，确定优化方案；
所述的步骤4)的过程为：借助预测模型，使用寻优算法对优化目标进行寻优即可获得优化方案。若为多目标寻优，寻优结果为Pareto前沿，设计人员应根据实际需求在Pareto前沿中寻找合适的优化方案。
5)确认优化结果：对优化方案进行仿真计算，并对比仿真计算结果和代理模拟的预测结果；若误差过大，则将该优化方案加入数据库，并重复步骤3)-5)，若误差小于规定值，则优化完成。
所述的步骤5)的过程为：获得优化方案后，对其进行仿真计算。对比代理模型和仿真计算结果，若误差大于5％则将该模型加入数据库，重复步骤(3)-(5)；当误差小于5％，则认为优化完成。
本实施案例对一台立式多级离心泵的空间导叶进行多目标优化，最终将该离心泵的额定扬程提升了1.47m，CMEI值降低了1.89。
根据所述步骤1)，首先确定优化目标：额定扬程和最低效率指标(MEI，一种代表离心泵多工况能效指标)。由于本案例所有模型的MEI均等于0.7，故使用CMEI代替MEI，CMEI越低效率越高。确定目标后，本案例自行选择了优化变量及其范围(见表1和图2)。表1为优化参数及其范围。
Figure BDA0003862827550000061
表1
根据所述步骤2)，首先对空间导叶进行参数化建模，并对其进行仿真计算。图3为仿真结果和实验数据对比，最大误差小于3％，认定该模型和仿真计算是可用的。使用MATLAB软件对五个优化变量进行拉丁超立方抽样，总抽取50个模型，并对所有模型进行建模和仿真计算，建立数据库。
根据所述步骤3)，使用MATLAB拟合工具箱训练回归树，高斯过程回归，支持向量机和神经网络四个代理模型，并对比了四个代理模型的性能(表2)。结果表明神经网络的性能最优，选择其作为最终预测模型。图4为神经网络的结构图，本实施案例采用五输入双输出的单层BP神经网络，隐藏层神经元数为5，激活函数为tanh函数。
表2为各模型的均方误差。
Figure BDA0003862827550000062
表2
根据所述步骤4)，借助PlatEMO平台使用NSGA-II算法对额定扬程和CMEI进行多目标寻优，其表达见公式(1)。遗传算法的重要参数如下：种群数为100，迭代数是200次；经计算后获得Pareto前沿，并从中挑选了三个方案(如图5)。在尽可能提高效率的前提下，对比了3个方案的水力性能，最终决定选择CMEI值最高(B)的方案。
Figure BDA0003862827550000071
根据所述步骤5)，对优化方案进行建模和仿真计算。最终结果表明神经网络预测和仿真计算的扬程误差和CMEI误差均小于1％，证明神经网络预测是可靠的。最后对比优化方案和原始方案的水力性能，额定扬程提升了1.47m(3.2％)，CMEI值降低了1.89(1.5％)，性能大幅提升，证明优化成功。
本实施案例以扬程和MEI为目标，借助神经网络和遗传算法对一台立式多级离心泵的空间导叶进行了优化，结果表明本发明所提出的优化方法成功提升了离心泵水力性能。本发明主要用于对空间导叶进行可靠、稳定地优化设计，可以降低优化设计对优化人员经验的依赖性，并缩短产品开发周期和降低开发成本。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (6)

1.一种多级离心泵空间导叶优化方法，其特征在于，所述方法包括以下步骤：
1)选择优化目标和变量：确定优化目标后，通过因子筛选实验选择关键几何参数作为优化变量，或由设计人员根据实际情况自行选择优化变量；
2)建模与仿真：对空间导叶进行参数化建模，并对各优化变量进行抽样，再由仿真计算获得配有不同空间导叶离心泵的性能，搭建代理模型训练数据库；
3)拟合代理模型：使用不同代理模型算法拟合优化变量和优化目标之间的函数关系，选择其中性能最优的模型为预测模型；
4)寻找优化方案：使用寻优算法在变量范围内针对优化目标进行寻优，确定优化方案；
5)确认优化结果：对优化方案进行仿真计算，并对比仿真计算结果和代理模拟的预测结果；若误差过大，则将该优化方案加入数据库，并重复步骤3)-5)，若误差小于规定值，则优化完成。
2.如权利要求1所述的一种多级离心泵空间导叶优化方法，其特征在于，所述的步骤1)的过程为：设计人员首先根据实际需求确定优化目标；然后设计人员根据实际需求和尺寸限制对空间导叶的几何参数及其范围进行初步选择；再由因子筛选实验和仿真计算对几何参数的影响权重进行排序，据此选择优化变量；或者是设计人员不通过因子筛选实验，自行选择优化变量。
3.如权利要求1或2所述的一种多级离心泵空间导叶优化方法，其特征在于，所述的步骤2)的过程为：首先对空间导叶进行参数化建模，再使用拉丁超立方抽样法对优化变量抽样，并根据抽样数据建立不同的空间导叶模型，并对配有各空间导叶模型的离心泵进行仿真计算，获取离心泵性能数据作为数据库。
4.如权利要求1或2所述的一种多级离心泵空间导叶优化方法，其特征在于，所述的步骤3)的过程为：代理模型用来预测配有不同空间导叶离心泵的水力性能，首先使用数据库训练不同代理模型，并比较各代理模型的性能，选择性能最优的模型作为最终的预测模型。
5.如权利要求1或2所述的一种多级离心泵空间导叶优化方法，其特征在于，所述的步骤4)的过程为：借助预测模型，使用寻优算法对优化目标进行寻优即可获得优化方案；若为多目标寻优，寻优结果为Pareto前沿，设计人员应根据实际需求在Pareto前沿中寻找合适的优化方案。
6.如权利要求1或2所述的一种多级离心泵空间导叶优化方法，其特征在于，所述的步骤5)的过程为：获得优化方案后，对其进行仿真计算；对比代理模型和仿真计算结果，若误差大于5％则将该模型加入数据库，重复步骤(3)-(5)；当误差小于5％，则认为优化完成。
CN202211169205.3A 2022-09-26 2022-09-26 一种多级离心泵空间导叶优化方法 Pending CN115758918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169205.3A CN115758918A (zh) 2022-09-26 2022-09-26 一种多级离心泵空间导叶优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169205.3A CN115758918A (zh) 2022-09-26 2022-09-26 一种多级离心泵空间导叶优化方法

Publications (1)

Publication Number Publication Date
CN115758918A true CN115758918A (zh) 2023-03-07

Family

ID=85351919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169205.3A Pending CN115758918A (zh) 2022-09-26 2022-09-26 一种多级离心泵空间导叶优化方法

Country Status (1)

Country Link
CN (1) CN115758918A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807893A (zh) * 2024-02-26 2024-04-02 四川省机械研究设计院(集团)有限公司 高速离心泵叶轮多目标优化设计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807893A (zh) * 2024-02-26 2024-04-02 四川省机械研究设计院(集团)有限公司 高速离心泵叶轮多目标优化设计方法
CN117807893B (zh) * 2024-02-26 2024-05-03 四川省机械研究设计院(集团)有限公司 高速离心泵叶轮多目标优化设计方法

Similar Documents

Publication Publication Date Title
Li et al. Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms
CN104091028A (zh) 一种螺旋油楔轴承的多目标优化设计方法
CN110533484A (zh) 一种基于pca和改进bp神经网络的产品销量预测方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
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
CN115758918A (zh) 一种多级离心泵空间导叶优化方法
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
CN113177271A (zh) 改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法
CN108710764A (zh) 一种基于混合近似模型的双吸泵多目标优化设计方法
Hu et al. Broadening the operating range of pump-turbine to deep-part load by runner optimization
CN106845696B (zh) 一种智能优化水资源配置方法
CN112270139A (zh) 基于母型库的燃料电池离心压缩机气动优化设计方法
CN113361047B (zh) 面向多层感知结构的叶轮高维优化及选型方法
Liu et al. Two schemes of multi-objective aerodynamic optimization for centrifugal impeller using response surface model and genetic algorithm
Nguyen et al. Hydrodynamic optimization of the impeller and diffuser vane of an axial-flow pump
CN113158356B (zh) 一种低温液体膨胀机抗空化整流锥协同优化设计方法
CN108446452A (zh) 一种混流泵叶轮鲁棒优化设计方法
Li et al. Optimization of rough transonic axial compressor
CN107038295A (zh) 一种水锤泵内部流道评价及优化方法
CN116595682A (zh) 一种叶片泵瞬态过程性能优化设计方法
Kyriacou et al. Evolutionary algorithm based optimization of hydraulic machines utilizing a state-of-the-art block coupled CFD solver and parametric geometry and mesh generation tools
Wang et al. Transfer optimization in accelerating the design of turbomachinery cascades
Ning et al. Three-dimensional aerodynamic optimization of a multi-stage axial compressor
Lee et al. Optimization framework using surrogate model for aerodynamically improved 3D turbine blade design
Kontoleontos et al. Multilevel design optimization of hydraulic turbines based on hierarchical metamodel-assisted evolutionary algorithms

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