CN117034480B - 基于参数化降维的压气机多型面一体化优化方法及平台 - Google Patents

基于参数化降维的压气机多型面一体化优化方法及平台 Download PDF

Info

Publication number
CN117034480B
CN117034480B CN202310835467.7A CN202310835467A CN117034480B CN 117034480 B CN117034480 B CN 117034480B CN 202310835467 A CN202310835467 A CN 202310835467A CN 117034480 B CN117034480 B CN 117034480B
Authority
CN
China
Prior art keywords
parameterization
optimization
compressor
control
dimension reduction
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.)
Active
Application number
CN202310835467.7A
Other languages
English (en)
Other versions
CN117034480A (zh
Inventor
向航
陈江
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202310835467.7A priority Critical patent/CN117034480B/zh
Publication of CN117034480A publication Critical patent/CN117034480A/zh
Application granted granted Critical
Publication of CN117034480B publication Critical patent/CN117034480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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]
    • 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)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明涉及压气机气动设计技术领域，特别是指一种基于参数化降维的压气机多型面一体化优化方法及平台，所述方法包括：S1、使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；S2、对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；S3、根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。采用本发明，能够以少量的控制参数进行压气机多型面一体化全几何变形，同时能够利用不同优化算法间的互补优势，避免单一算法在寻优效果或收敛速度上的局限性。

Description

基于参数化降维的压气机多型面一体化优化方法及平台
技术领域
本发明涉及压气机气动设计技术领域，特别是指一种基于参数化降维的压气机多型面一体化优化方法及平台。
背景技术
压气机内部流动和几何型面都具有强三维特征，受气动设计方法和工具限制，目前从反问题设计角度难以实现对高负荷目标压气机设计结果的进一步精细化改进，尤其是难以把握局部几何型面变动对流动控制的影响。另一方面，压气机气动设计参数繁多，人工设计经验逐渐难以满足当前高性能压气机的精细化设计需求。
而结合三维CFD正问题数值分析的气动优化技术则可突破人工设计经验限制，实现自动化设计改进，是进一步挖掘压气机性能潜力的优选方法。但压气机气动优化仍存在精细化改进程度和设计变量数增加的矛盾，尤其在多级环境下，针对压气机内部复杂气动型面，不仅需关注局部几何的精细化变化调整，还要统筹全几何多型面的整体性设计改进。这将使优化设计变量急剧增加，易陷入“维数灾难”。
发明内容
本发明实施例提供了一种基于参数化降维的压气机多型面一体化优化方法及平台。所述技术方案如下：
一方面，提供了一种基于参数化降维的压气机多型面一体化优化方法，该方法由电子设备实现，该方法包括：
S1、使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
S2、对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
S3、根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。
可选地，所述S1，具体包括：
生成多组控制参数；
建立控制体多维空间映射，包括：2D平面框架-流道/叶型型线、3D曲面框架-叶片展开曲面、3D空间框架-叶片/端壁全几何；
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形，包括：平面-FFD/DFFD型线任意自由度整体参数化、曲面-FFD/DFFD叶片型面任意自由度整体参数化、空间-FFD/DFFD任意自由度整体参数化。
可选地，所述基于参数化降维的任意自由度整体参数化方法，具体包括：基于直接操纵参数化降维的任意自由度整体参数化方法或基于多层嵌套参数化降维的任意自由度整体参数化方法；
所述基于直接操纵参数化降维的任意自由度整体参数化方法包括：
在控制空间内自行定义直接操纵的控制点，控制点数量和位置完全自由给定；
根据实际移动的控制点位移，反求与目标几何直接发生变形作用的控制顶点的位移，所述控制顶点作为变形过程的中间变量不被赋予移动自由度，一直保持随动状态；
结合不同基函数和控制顶点网格密度，实现压气机几何变形；
所述基于多层嵌套参数化降维的任意自由度整体参数化方法包括：
将FFD控制体也作为被控变形几何，密网格控制体框架的众多顶点作为被控变形几何的离散点，采用少量控制顶点的参数化方法，实现对控制顶点的参数化控制，形成参数化方法嵌套；
更多层嵌套参数化方法的实现方式一致，采用外层方法对相邻内层方法控制点再进行一次参数化，中间层方法控制点均为中间变量，最终实际控制顶点取决于最外层方法，从而实现参数化降维。
可选地，所述基于多层嵌套参数化降维的任意自由度整体参数化方法，对于双层FFD嵌套方法，针对压气机构建双层FFD空间映射，内层FFD具有(l+1)(m+1)(n+1)划分的控制体，外层FFD具有(l′+1)(m′+1)(n′+1)划分的控制体，则内层控制顶点P由外层变形公式表达：
P′为外层控制顶点，R′为外层基函数，u′，v′，w′为内层控制顶点P在外层控制体中的参数坐标；
再基于内层FFD变形公式，目标压气机几何坐标"Q"表示为：
R为内层基函数，u，v，w为压气机几何在内层控制体中的参数坐标；
由此，通过外层控制顶点P′控制压气机几何变形，控制点数由(l+1)(m+1)(n+1)降为(l′+1)(m′+1)(n′+1)，实现了参数化降维，此外，外层FFD对内层顶点阵的控制是连续光滑的，变形作用经内层控制顶点传导，使变形后压气机几何仍具有较好光顺性，避免了单一FFD参数化优化时，控制体内部顶点随机移动导致的气动型面交叉或畸形。
可选地，所述S3中根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化，具体包括：
根据所述压气机性能，使用不同优化算法串联协作或并联协作，每一次迭代计算出新的多组控制参数，并使用任意自由度整体参数化方法，进行压气机多型面一体化全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，进行下一次迭代计算。
可选地，所述优化算法包括：改进Powell法与多岛遗传算法MIGA，S3中使用不同优化算法串联协作，对压气机进行迭代气动优化，具体包括：
先采用MIGA进行m步迭代，获取最优解信息传递给改进Powell法进行赋初值；
再进行n步改进Powell法迭代，此时的改进Powell法最优解若未满足优化终止条件，则传递返回到MIGA利用，重复此循环直到满足优化终止准则；
所述S3中使用不同优化算法并联协作，对压气机进行迭代气动优化，具体包括：
参与协作的改进Powell法和MIGA分别同时进行独立优化，在都完成各自迭代次数后，汇总各算法当前最优解并进行协作优化信息处理，筛选其中最佳优化结果返回给各算法，重复协作优化过程直到满足优化终止准则。
另一方面，提供了一种基于参数化降维的压气机多型面一体化优化平台，所述平台包括：本地计算机，所述本地计算机，用于：
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。
可选地，所述优化算法、参数化方法和CFD数值模拟均在所述本地计算机中运行，按照先MIGA迭代后改进Powell法迭代的顺序依次进行每次流场计算，当改进Powell法完成一轮迭代后，对两算法当前最优解进行比较，选择更优结果作为气动优化几何输出或返回重复协作循环。
可选地，所述本地计算机包括：主节点计算机1和从属节点计算机2，具体用于：
MIGA和改进Powell法寻优同时运行，以MIGA作为主要算法运行于主节点计算机1，在每次协作优化信息处理前后均与从属节点计算机2进行信息通讯，保证优化数据同步；
在从属节点计算机2上执行改进Powell法寻优，利用改进Powell法优化结果改善MIGA优化特性。
可选地，所述平台还包括：远程超算节点，所述优化算法间的并行在所述本地计算机上执行，远程超算节点负责执行单次流场计算的多核并行和优化算法内部不同样本点同时计算的并行，实现优化算法间、单次流场多核计算和优化算法内部的三层并行效果。
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参数化降维的压气机多型面一体化优化方法。
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参数化降维的压气机多型面一体化优化方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
采用本发明，能够以少量的控制参数进行压气机多型面一体化全几何变形，同时能够利用不同优化算法间的互补优势，避免单一算法在寻优效果或收敛速度上的局限性。
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参数化降维的压气机多型面一体化优化方法流程图；
图2是本发明实施例提供的多排叶片Bernstein基DFFD整体参数化示意图；
图3是本发明实施例提供的双层FFD框架嵌套示意图；
图4是本发明实施例提供的改进Powell法与MIGA串联协作流程图；
图5是本发明实施例提供的改进Powell法与MIGA并联协作流程图；
图6是本发明实施例提供的一种基于参数化降维的压气机多型面一体化优化平台框图；
图7是本发明实施例提供的另一种基于参数化降维的压气机多型面一体化优化平台框图；
图8是本发明实施例提供的并联协作气动优化平台框图；
图9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参数化降维的压气机多型面一体化优化方法，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所示的基于参数化降维的压气机多型面一体化优化方法流程图，该方法的处理流程可以包括如下的步骤：
S1、使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
S2、对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
S3、根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。
下面结合图2-图8，详细说明本发明实施例的一种基于参数化降维的压气机多型面一体化优化方法，包括：
S1、使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
可选地，所述S1，具体包括：
生成多组控制参数；
建立控制体多维空间映射，包括：2D平面框架-流道/叶型型线、3D曲面框架-叶片展开曲面、3D空间框架-叶片/端壁全几何；
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形，包括：平面-FFD/DFFD型线任意自由度整体参数化、曲面-FFD/DFFD叶片型面任意自由度整体参数化、空间-FFD/DFFD任意自由度整体参数化。
压气机几何参数化的最终目标是气动优化设计，控制参数数量和变形控制方式将直接影响气动优化速度和效果。针对不同气动优化对象和目标，参数化研究主要有两个发展方向：整体化全局控制和精细化局部控制。例如，多级压气机几何构型复杂，气动型面较多，在气动优化时难以对每排叶片都进行精细参数化控制，优化目标主要是提升整体综合性能，故对参数化方法的全局整体化变形控制能力要求较高。而对于单叶排、单级或多级中的典型级(对多级整机性能影响较大，如高负荷首级或低性能末级等)压气机，优化目标则是尽可能探索参数化改型设计空间，改善局部流动，最大限度挖掘性能潜力，其主要考核参数化方法的局部精细化变形控制能力。但无论是提升全局变形程度还是改善精细化控制效果，都会导致控制参数增加，从而降低气动优化速度，甚至陷入“维数灾难”，解决的关键在于构建针对压气机全部气动构型的整体参数化方法，且能在不增加过多设计变量前提下实现更全面或更精细的几何变形控制，从而降低优化耗时，提升优化效果。因此，需结合具体方法探究参数化降维策略，以更少控制参数实现更全面或更精细的变形控制。本发明实施例以FFD类方法为基础，提出直接操纵和多层方法嵌套两类参数化降维策略。
可选地，所述基于参数化降维的任意自由度整体参数化方法，具体包括：基于直接操纵参数化降维的任意自由度整体参数化方法或基于多层嵌套参数化降维的任意自由度整体参数化方法；
所述基于直接操纵参数化降维的任意自由度整体参数化方法包括：
在控制空间内自行定义直接操纵的控制点，控制点数量和位置完全自由给定；
这样避免了现有方法构造样条几何映射需布置大量控制顶点的缺陷，因此可任意增减参数化变形自由度，实现便捷、直观、灵活的参数化控制。DFFD即为FFD直接操纵策略的体现。
根据实际移动的控制点位移，反求与目标几何直接发生变形作用的控制顶点的位移，所述控制顶点作为变形过程的中间变量不被赋予移动自由度，一直保持随动状态；
这种反求控制顶点的策略不仅可用于DFFD方法，也同样适用于其他参数化方法，其目标是通过更少操纵点达到传统方法多控制顶点才能实现的变形效果，从而实现参数化降维。
结合不同基函数和控制顶点网格密度，实现压气机几何变形；
一个直接操纵控制点对目标几何的变形影响范围和程度取决于基函数和控制顶点分布。在不同基函数和控制顶点网格密度下，相同操纵控制点变动量对流道型线的变形影响差别较大。具体规律是控制顶点分布越密，直接操纵控制点的变形影响范围越小，但局部变形效果更明显，反之亦然。Bernstei n基整体性好，B样条基局部性好。
直接操纵的控制点产生的变形影响随距离增加而不断衰减，在适量直接操纵的控制点约束下，与直接操纵的控制点位置重合的目标几何点在直接操纵变形后仍与直接操纵的控制点重合。因此，将直接操纵的控制点置于目标几何型线/型面上的优势在于能最大限度利用直接操纵的控制点的变形影响力，提高参数化效率，并能精确约束目标几何变形后的形状，实现直观、精细化形状控制。对于流道变形效果，采用直接操纵策略仅需两个控制点即可实现，而采用现有移动控制顶点方式需变动对应变形区域附近的所有控制顶点，且每个控制顶点的位移量难以确定。
直接操纵策略不仅能对局部精细化变形控制起到参数化降维作用，对于全局整体性变形仍有重要意义。图2展示了对多级压气机多排叶片的Bernstei n基DFFD参数化控制。
直接操纵的控制点分布于各叶片表面用于调控叶片形状，但受Bernstei n基全局性作用，各排叶片变形并非完全独立，相邻叶排间(前排叶片尾缘和后排叶片前缘上)直接操纵的控制点不仅对本排叶片产生变形，也同样影响相邻叶片缘线区域形状。同理，叶片吸压力面变形也非独立，两型面上的操纵点由于距离较近，同样会相互对另一型面产生变形作用。因此，实际变形后的叶片几何并未与操纵点完全贴合，而是由多个控制点综合变形影响决定。这种邻近控制点变形作用相互影响的效应或许会影响参数化效率，但并非一定对压气机气动优化效果不利。相反，通过一个直接操纵的控制点同时牵引联动叶片吸压力面共同变形，甚至牵动不同叶片排一起变形，会进一步减少参数化优化变量，提高优化速度。虽然损失了部分参数化优化的探索设计空间，但在这部分设计空间中有很多是无效或低性能气动构型。在Bernstein基变形空间中控制点对目标几何的“牵连”变形作用较强，受影响的型线/型面均向同一方向变形，且这种作用产生的变形是一般是连续光滑的，变形后几何保型性较好。因此，Bernstein基直接操纵策略得到的叶片几何厚度变化较小，叶型奇异概率低，易于满足结构强度和加工需求，增强了气动优化结果的工程实用性；且相邻叶片缘线区域变形趋势相似，便于探索多叶排匹配优化设计；最重要的是仅需较少控制点即可完成多型面联合变形，实现了全局整体性变形的参数化降维。这些对多级压气机多叶排整体参数化优化意义深远。
所述基于多层嵌套参数化降维的任意自由度整体参数化方法包括：
将FFD控制体也作为被控变形几何，密网格控制体框架的众多顶点作为被控变形几何的离散点，采用少量控制顶点的参数化方法，实现对控制顶点的参数化控制，形成参数化方法嵌套；
更多层嵌套参数化方法的实现方式一致，采用外层方法对相邻内层方法控制点再进行一次参数化，中间层方法控制点均为中间变量，最终实际控制顶点取决于最外层方法，从而实现参数化降维。
可选地，所述基于多层嵌套参数化降维的任意自由度整体参数化方法，对于双层FFD嵌套方法，如图3所示，针对压气机构建双层FFD空间映射，内层FFD具有(l+1)(m+1)(n+1)划分的控制体，外层FFD具有(l′+1)(m′+1)(n′+1)划分的控制体，则内层控制顶点P由外层变形公式表达：
P′为外层控制顶点，R′为外层基函数，u′，v′，w′为内层控制顶点P在外层控制体中的参数坐标；
再基于内层FFD变形公式，目标压气机几何坐标"Q"表示为：
R为内层基函数，u，v，w为压气机几何在内层控制体中的参数坐标；
由此，通过外层控制顶点P′控制压气机几何变形，控制点数由(l+1)(m+1)(n+1)降为(l′+1)(m′+1)(n′+1)，实现了参数化降维，此外，外层FFD对内层顶点阵的控制是连续光滑的，变形作用经内层控制顶点传导，使变形后压气机几何仍具有较好光顺性，避免了单一FFD参数化优化时，控制体内部顶点随机移动导致的气动型面交叉或畸形。
如图3所示的双层嵌套FFD对压气机几何的变形效果与仅用外层FFD时并不相同，且内外层方法可选用不同基函数和控制框架达到多种参数化变形特性。还可考虑不同参数化方法的组合，如样条-FFD、样条-DFFD、Hicks-Henne-FFD、CST-FFD、FFD-样条等。
S2、对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
S3、根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。
可选地，所述S3中根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化，具体包括：
根据所述压气机性能，使用不同优化算法串联协作或并联协作，每一次迭代计算出新的多组控制参数，并使用任意自由度整体参数化方法，进行压气机多型面一体化全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，进行下一次迭代计算。
参数化方法和控制参数范围决定压气机气动优化搜索的几何变形空间，优化算法和优化策略则主要影响优化速度和最优解特性。针对同一优化问题，不同算法的收敛速度和最优解差异较大。为减少压气机气动优化耗时，获取更佳优化结果，本发明实施例采用改进Powell法和多岛遗传算法MIGA相结合的协作优化策略，基于任意自由度整体参数化方法和CFD数值模拟，构建了适用于单一计算机和分布式并行计算的，基于参数化降维的压气机多型面一体化气动优化平台。通过优化平台分别对跨音转子开展多型线/型面一体化气动优化应用研究，验证了整体参数化方法和优化策略平台的有效性和工程实用价值，也为后续开展高负荷轴流斜流组合压气机精细化整体气动优化设计提供方法、技术、工具和经验支撑。
不同优化算法的优化特性存在较大差异，一般梯度类局部搜索算法收敛较快，但最优解易陷入局部收敛；启发式优化算法可全局寻优，鲁棒性和并行性较强，但在优化变量较多时收敛速度慢，收敛性较差。为利用不同优化算法间的互补优势，避免单一算法在寻优效果或收敛速度上的局限性，将多个可协作优化算法采用一定协作策略进行组合，通过优化信息传递比较实现不同方法的协作，在每次协作中选择最佳单一算法优化结果作为下次迭代初始信息，或满足协作优化终止准则退出优化。本发明实施例选择局部搜索能力较强的改进Powel l法和全局性良好的多岛遗传算法分别进行方法串联和并联协作，构建基于参数化降维的压气机多型面一体化优化平台。
Powel l法是一种有效直接搜索方法，搜索速度快，具有强局部搜索能力。在每次迭代时先依次沿n个已知方向搜索极值点并得到一个最优点，再沿此次迭代初始点和最优点的连线方向进行搜索，求得新最优点，并作为下次迭代初始点。再用最后的搜索方向取代前n个方向之一，构成下一次迭代的n个新搜索方向。
Powel l法本质上是共轭方向法，对于二次正定函数具有二次终止性。在原始Powel l法中，方向置换可能导致n个搜索方向线性相关，使得方法不再具有二次终止性，甚至无法得到极小值点。为避免搜索方向线性相关造成寻优退化，需改进Powel l法对搜索方向的替换规则，以保证当初始搜索方向线性无关时，后续每次迭代中n个搜索方向也线性无关，且搜索方向间共轭程度随迭代进行逐渐增加。
本发明实施例采用经修正的改进Powell法，计算步骤如下：
(1)任意给定迭代初始点x0和n个线性无关的初始搜索方向收敛精度ε＞0，令k＝1；
(2)令k＝k+1，从/>出发，依次沿/>进行精确一维搜索，得到相应点/>及对应目标函数值f1，f2，…fn，，如果||xn-x0||＜ε，则停止计算，得近似最优解/>否则，转(3)；
(3)求m，使
(4)计算
(5)如果与/>同时成立，则令/>求λn+1，使得/>令否则，令/>转(2)；
(6)令如果||xk-xk-1||＜ε，则终止计算，得近似最优解xk；否则，转(2)。
传统遗传算法以种群个体适应度为评价准则，核心步骤为比例选择运算、单点交叉运算和基本位变异运算，由此产生新一代种群。新代种群若满足优化终止条件则输出优化结果，否则进入下次迭代。算法中比例选择运算采用俄罗斯轮盘赌法则，个体被选中概率与其适应度值成正比；变异运算决定局部寻优能力，同时也保证种群多样性；交叉运算和变异运算相互配合，共同完成对设计空间的局部和全局寻优。
多岛遗传算法在传统遗传算法基础上增设多个“岛”，岛将大种群分成若干子种群，假设岛上个体可在岛间迁徙，在每个岛上采用传统遗传算法进行子种群进化寻优。每隔一定代数会按比例抽选岛上个体进行换岛迁移，从而增加种群多样性，提高遗传算法多峰搜索能力，避免过早收敛。因此，多岛遗传算法比传统遗传算法计算效率更高，全局搜索能力更强。
多岛遗传算法流程如下：
(1)初始化种群；
(2)计算个体适应度；
(3)根据个体适应度在种群所有个体适应度总和中所占比例，选择优良个体进入下一代；
(4)按交叉概率进行交叉操作；
(5)按变异概率进行突变操作；
(6)满足优化终止条件，输出适应度最优个体作为最优解，否则转(2)。
可选地，所述优化算法包括：改进Powell法与多岛遗传算法MIGA，S3中使用不同优化算法串联协作，对压气机进行迭代气动优化，如图4所示，具体包括：
先采用MIGA进行m步迭代，获取最优解信息传递给改进Powell法进行赋初值；
再进行n步改进Powell法迭代，此时的改进Powell法最优解若未满足优化终止条件，则传递返回到MIGA利用，重复此循环直到满足优化终止准则；
通过每次协作，Powell法局部快速寻优可辅助MIGA进行种群个体筛选，提升样本良率，改善MIGA全局优化效果；同时，经协作信息处理，较差最优解被舍弃，一定程度上避免了陷入局部最优。
两算法迭代步数的分配对协作优化计算性能有较大影响。一般在能确定各个优化算法获取最优值的效率时，采用自适应迭代步数提高协作效率；或使各算法在一次协作优化过程中具有相同或相近的流场计算次数。但改进Powell法和MIGA对于不同气动优化问题的效率难以确定，故本发明实施例采用相同迭代步数。
改进Powell法与MIGA串联协作方式简单，实现难度小，适合单计算机使用，可提升全局优化效果。但缺点是计算量明显增加且无法实现不同算法间的并行计算。
所述S3中使用不同优化算法并联协作，对压气机进行迭代气动优化，如图5所示，具体包括：
参与协作的改进Powell法和MIGA分别同时进行独立优化，在都完成各自迭代次数后，汇总各算法当前最优解并进行协作优化信息处理，筛选其中最佳优化结果返回给各算法，重复协作优化过程直到满足优化终止准则。
由图5可见，参与协作的MIGA和Powell法在每次协作优化过程中分别独立寻优，相互不产生优化信息交换，在都完成各自迭代次数后才进行协作信息处理，满足并行计算条件。相比于单一优化算法，并联协作可在每次协作过程中跳过次于协作优化结果的单一算法局部最优解，且能淘汰掉满足单一算法终止条件但不满足协作优化终止准则的最优解，改善全局优化特性。
如图6所示，本发明实施例提供了一种基于参数化降维的压气机多型面一体化优化平台，所述平台包括：本地计算机，所述本地计算机，用于：
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化。
可选地，所述优化算法、参数化方法和CFD数值模拟均在所述本地计算机中运行，按照先MIGA迭代后改进Powell法迭代的顺序依次进行每次流场计算，当改进Powell法完成一轮迭代后，对两算法当前最优解进行比较，选择更优结果作为气动优化几何输出或返回重复协作循环。
可选地，如图7所示，所述本地计算机包括：主节点计算机1和从属节点计算机2，具体用于：
MIGA和改进Powell法寻优同时运行，以MIGA作为主要算法运行于主节点计算机1，在每次协作优化信息处理前后均与从属节点计算机2进行信息通讯，保证优化数据同步；
在从属节点计算机2上执行改进Powell法寻优，利用改进Powell法优化结果改善MIGA优化特性。
得益于超算强大并行计算能力，可在远程超算节点上运行优化过程中计算量最大的三维流场计算，减少整体气动优化时间。采用文件流和控制流方式进行数据交互和计算作业调度，对本地计算机、登陆节点、计算节点上的优化模块分别进行集成或开发。优化设计人员不改变在本机实施优化操作的习惯，只需在本机优化工作流中集成参数化程序和Isight、Dakota或自编算法等优化算法工具，通过网络可直接便捷接入高性能计算节点，负责网格前处理、CFD计算等大计算量工作，并通过SSH上传下载实现远程与本地的数据同步。
可选地，如图8所示，所述平台还包括：远程超算节点，所述优化算法间的并行在所述本地计算机上执行，远程超算节点负责执行单次流场计算的多核并行和优化算法内部不同样本点同时计算的并行，实现优化算法间、单次流场多核计算和优化算法内部的三层并行效果。
并联协作气动优化平台可在改善优化效果的同时大幅减少整体优化时间，实现多级压气机多维多自由度整体气动优化设计。
本发明实施例提供的一种基于参数化降维的压气机多型面一体化优化平台，其功能结构与本发明实施例提供的一种基于参数化降维的压气机多型面一体化优化方法相对应，在此不再赘述。
图9是本发明实施例提供的一种电子设备900的结构示意图，该电子设备900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)901和一个或一个以上的存储器902，其中，所述存储器902中存储有至少一条指令，所述至少一条指令由所述处理器901加载并执行以实现上述基于参数化降维的压气机多型面一体化优化方法的步骤。
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参数化降维的压气机多型面一体化优化方法。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 (7)

1.一种基于参数化降维的压气机多型面一体化优化方法，其特征在于，所述方法包括：
S1、使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
S2、对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
S3、根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化；
所述S1，具体包括：
生成多组控制参数；
建立控制体多维空间映射，包括：2D平面框架-流道/叶型型线、3D曲面框架-叶片展开曲面、3D空间框架-叶片/端壁全几何；
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形，包括：平面-FFD/DFFD型线任意自由度整体参数化、曲面-FFD/DFFD叶片型面任意自由度整体参数化、空间-FFD/DFFD任意自由度整体参数化；
所述基于参数化降维的任意自由度整体参数化方法，具体包括：基于直接操纵参数化降维的任意自由度整体参数化方法或基于多层嵌套参数化降维的任意自由度整体参数化方法；
所述基于直接操纵参数化降维的任意自由度整体参数化方法包括：
在控制空间内自行定义直接操纵的控制点，控制点数量和位置完全自由给定；
根据实际移动的控制点位移，反求与目标几何直接发生变形作用的控制顶点的位移，所述控制顶点作为变形过程的中间变量不被赋予移动自由度，一直保持随动状态；
结合不同基函数和控制顶点网格密度，实现压气机几何变形；
所述基于多层嵌套参数化降维的任意自由度整体参数化方法包括：
将FFD控制体也作为被控变形几何，密网格控制体框架的众多顶点作为被控变形几何的离散点，采用少量控制顶点的参数化方法，实现对控制顶点的参数化控制，形成参数化方法嵌套；
更多层嵌套参数化方法的实现方式一致，采用外层方法对相邻内层方法控制点再进行一次参数化，中间层方法控制点均为中间变量，最终实际控制顶点取决于最外层方法，从而实现参数化降维；
所述优化算法包括：改进Powell法与多岛遗传算法MIGA，S3中使用不同优化算法串联协作，对压气机进行迭代气动优化，具体包括：
先采用MIGA进行m步迭代，获取最优解信息传递给改进Powell法进行赋初值；
再进行n步改进Powell法迭代，此时的改进Powell法最优解若未满足优化终止条件，则传递返回到MIGA利用，重复此循环直到满足优化终止准则；
所述S3中使用不同优化算法并联协作，对压气机进行迭代气动优化，具体包括：
参与协作的改进Powell法和MIGA分别同时进行独立优化，在都完成各自迭代次数后，汇总各算法当前最优解并进行协作优化信息处理，筛选其中最佳优化结果返回给各算法，重复协作优化过程直到满足优化终止准则。
2.根据权利要求1所述的方法，其特征在于，所述基于多层嵌套参数化降维的任意自由度整体参数化方法，对于双层FFD嵌套方法，针对压气机构建双层FFD空间映射，内层FFD具有(l+1)(m+1)(n+1)划分的控制体，外层FFD具有(l′+1)(m′+1)(n′+1)划分的控制体，则内层控制顶点P由外层变形公式表达：
P′为外层控制顶点，R′为外层基函数，u′，v′，w′为内层控制顶点P在外层控制体中的参数坐标；
再基于内层FFD变形公式，目标压气机几何坐标Q表示为：
R为内层基函数，u，v，w为压气机几何在内层控制体中的参数坐标；由此，通过外层控制顶点P′控制压气机几何变形，控制点数由(l+1)(m+1)(n+1)降为(l′+1)(m′+1)(n′+1)，实现了参数化降维。
3.根据权利要求1所述的方法，其特征在于，所述S3中根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化，具体包括：
根据所述压气机性能，使用不同优化算法串联协作或并联协作，每一次迭代计算出新的多组控制参数，并使用任意自由度整体参数化方法，进行压气机多型面一体化全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，进行下一次迭代计算。
4.一种基于参数化降维的压气机多型面一体化优化平台，其特征在于，所述平台包括：本地计算机，所述本地计算机，用于：
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形；
对变形后的压气机几何进行CFD数值模拟，确定变形后的压气机几何对应的压气机性能；
根据所述压气机性能，使用不同优化算法串联协作或并联协作，对压气机进行迭代气动优化；
所述使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形，具体包括：
生成多组控制参数；
建立控制体多维空间映射，包括：2D平面框架-流道/叶型型线、3D曲面框架-叶片展开曲面、3D空间框架-叶片/端壁全几何；
使用基于参数化降维的任意自由度整体参数化方法，以更少的控制参数进行压气机多型面一体化初始全几何变形，包括：平面-FFD/DFFD型线任意自由度整体参数化、曲面-FFD/DFFD叶片型面任意自由度整体参数化、空间-FFD/DFFD任意自由度整体参数化；
所述基于参数化降维的任意自由度整体参数化方法，具体包括：基于直接操纵参数化降维的任意自由度整体参数化方法或基于多层嵌套参数化降维的任意自由度整体参数化方法；
所述基于直接操纵参数化降维的任意自由度整体参数化方法包括：
在控制空间内自行定义直接操纵的控制点，控制点数量和位置完全自由给定；
根据实际移动的控制点位移，反求与目标几何直接发生变形作用的控制顶点的位移，所述控制顶点作为变形过程的中间变量不被赋予移动自由度，一直保持随动状态；
结合不同基函数和控制顶点网格密度，实现压气机几何变形；
所述基于多层嵌套参数化降维的任意自由度整体参数化方法包括：
将FFD控制体也作为被控变形几何，密网格控制体框架的众多顶点作为被控变形几何的离散点，采用少量控制顶点的参数化方法，实现对控制顶点的参数化控制，形成参数化方法嵌套；
更多层嵌套参数化方法的实现方式一致，采用外层方法对相邻内层方法控制点再进行一次参数化，中间层方法控制点均为中间变量，最终实际控制顶点取决于最外层方法，从而实现参数化降维；
所述优化算法包括：改进Powell法与多岛遗传算法MIGA，S3中使用不同优化算法串联协作，对压气机进行迭代气动优化，具体包括：
先采用MIGA进行m步迭代，获取最优解信息传递给改进Powell法进行赋初值；
再进行n步改进Powel l法迭代，此时的改进Powel l法最优解若未满足优化终止条件，则传递返回到MIGA利用，重复此循环直到满足优化终止准则；
所述使用不同优化算法并联协作，对压气机进行迭代气动优化，具体包括：
参与协作的改进Powell法和MIGA分别同时进行独立优化，在都完成各自迭代次数后，汇总各算法当前最优解并进行协作优化信息处理，筛选其中最佳优化结果返回给各算法，重复协作优化过程直到满足优化终止准则。
5.根据权利要求4所述的平台，其特征在于，所述优化算法、参数化方法和CFD数值模拟均在所述本地计算机中运行，按照先MIGA迭代后改进Powel l法迭代的顺序依次进行每次流场计算，当改进Powel l法完成一轮迭代后，对两算法当前最优解进行比较，选择更优结果作为气动优化几何输出或返回重复协作循环。
6.根据权利要求4所述的平台，其特征在于，所述本地计算机包括：主节点计算机1和从属节点计算机2，具体用于：
MIGA和改进Powell法寻优同时运行，以MIGA作为主要算法运行于主节点计算机1，在每次协作优化信息处理前后均与从属节点计算机2进行信息通讯，保证优化数据同步；
在从属节点计算机2上执行改进Powel l法寻优，利用改进Powel l法优化结果改善MIGA优化特性。
7.根据权利要求4所述的平台，其特征在于，所述平台还包括：远程超算节点，所述优化算法间的并行在所述本地计算机上执行，远程超算节点负责执行单次流场计算的多核并行和优化算法内部不同样本点同时计算的并行。
CN202310835467.7A 2023-07-07 2023-07-07 基于参数化降维的压气机多型面一体化优化方法及平台 Active CN117034480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310835467.7A CN117034480B (zh) 2023-07-07 2023-07-07 基于参数化降维的压气机多型面一体化优化方法及平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310835467.7A CN117034480B (zh) 2023-07-07 2023-07-07 基于参数化降维的压气机多型面一体化优化方法及平台

Publications (2)

Publication Number Publication Date
CN117034480A CN117034480A (zh) 2023-11-10
CN117034480B true CN117034480B (zh) 2024-03-22

Family

ID=88623386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310835467.7A Active CN117034480B (zh) 2023-07-07 2023-07-07 基于参数化降维的压气机多型面一体化优化方法及平台

Country Status (1)

Country Link
CN (1) CN117034480B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统
CN112685852A (zh) * 2020-12-22 2021-04-20 中国船舶重工集团公司第七0三研究所 一种保持通流结构继承性的轴流压气机负荷定制化气动优化方法
CN114595655A (zh) * 2022-03-07 2022-06-07 西安交通大学 一种可调制狭窄空间冷却气流形态的屏蔽罩形状设计方法
CN115481510A (zh) * 2022-09-30 2022-12-16 北京科技大学 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
CN115481511A (zh) * 2022-09-30 2022-12-16 北京科技大学 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
CN115510583A (zh) * 2022-09-30 2022-12-23 北京科技大学 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
CA3170541A1 (en) * 2021-11-08 2023-05-08 Pratt & Whitney Canada Corp. Method of controlling the geometrical configuration of a variable geometry element in a gas turbine engine compressor stage

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统
CN112685852A (zh) * 2020-12-22 2021-04-20 中国船舶重工集团公司第七0三研究所 一种保持通流结构继承性的轴流压气机负荷定制化气动优化方法
CA3170541A1 (en) * 2021-11-08 2023-05-08 Pratt & Whitney Canada Corp. Method of controlling the geometrical configuration of a variable geometry element in a gas turbine engine compressor stage
CN114595655A (zh) * 2022-03-07 2022-06-07 西安交通大学 一种可调制狭窄空间冷却气流形态的屏蔽罩形状设计方法
CN115481510A (zh) * 2022-09-30 2022-12-16 北京科技大学 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
CN115481511A (zh) * 2022-09-30 2022-12-16 北京科技大学 基于ffd的离心叶轮多工况局部构型气动优化方法及装置
CN115510583A (zh) * 2022-09-30 2022-12-23 北京科技大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Aerothermodynamics optimal design of a multistage axial compressor in a gas turbine using directly manipulated free-form deformation;Hang Xiang等;《Case Studies in Thermal Engineering》;全文 *
压气机叶片几何气动性能优化设计方法综述;黄松等;《推进技术》;全文 *
燃气轮机多级轴流压气机快捷一体化气动设计与性能优化研究;向航等;《热能动力工程》;第36卷(第9期);全文 *
高维转子-轴承系统非线性动力稳定性分析;崔颖等;《哈尔滨工业大学学报》(11);全文 *

Also Published As

Publication number Publication date
CN117034480A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN109145427B (zh) 一种基于三周期极小曲面的多孔结构设计与优化方法
Yu et al. A max–min ant colony system for assembly sequence planning
CN111709097B (zh) 一种基于零亏格网格曲面连续变形的柔顺机构生成方法
JP2007200302A (ja) 収束基準を利用する多目的最適化のためのモデルベースおよび遺伝ベースの子孫生成の組み合わせ
CN104978498A (zh) 生物分子网络拓扑结构比对的自适应方法
CN105118091A (zh) 一种构建多精度非均匀地质网格曲面模型的方法和系统
CN113296520A (zh) 融合a*与改进灰狼算法的巡检机器人路径规划方法
CN115345988A (zh) 基于顶点重要度的二次误差度量边折叠bim轻量化方法
CN114756974B (zh) 一种考虑物面法向信息的壁面距离计算方法
CN115688276A (zh) 一种基于离散伴随方法的飞行器外形自动化优化方法、系统、设备、介质
CN117034480B (zh) 基于参数化降维的压气机多型面一体化优化方法及平台
CN115186806A (zh) 一种支持跨节点自动微分的分布式图神经网络训练方法
CN113342999B (zh) 一种基于多层跳序树结构的变分辨率点云简化方法
CN105869210A (zh) 三维地质表面模型中的插值数据处理方法
Qin et al. Surface reconstruction from unorganized point clouds based on edge growing
CN115310209B (zh) 基于vae的气动形状迁移优化方法及相关装置
CN113111612B (zh) 一种基于自适应空间剖分的离散点云重复点快速查找方法
Ülker NURBS curve fitting using artificial immune system
CN114756980A (zh) 基于Info-GAN的多设计空间耦合气动形状优化方法及系统
CN111027142B (zh) 考虑制造成本的多组件形式薄壁梁结构设计方法
CN113673042A (zh) 基于声环境仿真的船舶降噪系统设计方法、系统、介质及终端
Chauhan et al. Wing shape optimization using FFD and twist parameterization
CN105869209A (zh) 三维地质表面模型中的畸形三角形数据处理方法
CN115630467B (zh) 一种压气机叶片设计优化方法和装置
Zhang et al. A flexible and efficient optimization design framework for the shape of blend-wing-body underwater glider

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