CN117556532A - 一种新型涡轮盘预旋系统多元件匹配的优化方法 - Google Patents
一种新型涡轮盘预旋系统多元件匹配的优化方法 Download PDFInfo
- Publication number
- CN117556532A CN117556532A CN202311469583.8A CN202311469583A CN117556532A CN 117556532 A CN117556532 A CN 117556532A CN 202311469583 A CN202311469583 A CN 202311469583A CN 117556532 A CN117556532 A CN 117556532A
- Authority
- CN
- China
- Prior art keywords
- turbine disk
- data
- neural network
- population
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000001816 cooling Methods 0.000 claims abstract description 12
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 210000000349 chromosome Anatomy 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000009987 spinning Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明提供了一种新型涡轮盘预旋系统多元件匹配的优化方法,包括:将要优化的结构变化参数正交分解,得到相应的优化组合;根据要求通过有限元软件进行新型涡轮盘的初步建模与计算;根据有限元软件计算结果训练BP神经网络;将训练好的BP神经网络与遗传算法耦合,实现程序自动迭代优化。本发明以BP神经网络与遗传算法为基本方法,实现新型涡轮盘预旋系统多元件匹配的最佳设计结构参数。该方法能够节省试验与计算的时间和资源,并得出提高涡轮盘冷却质量的最优的元件参数,解决了传统设计中缺少多元件匹配问题、设计参数受限等问题。其实施高效准确,迭代时间短,优化效果明显,可于涡轮盘多目标优化设计中推广使用。
Description
技术领域
本发明涉及航空发动机结构优化设计领域,具体涉及一种新型涡轮盘预旋系统多元件匹配的优化方法。
背景技术
随着航空发动机推重比不断提高,高压涡轮负荷越来越重,传统涡轮盘结构在一定程度上很难满足未来先进发动机的高推重比需求,发展涡轮盘新结构及优化设计方法是发动机结构设计的一个重要内容。近年来针对新型双腹板涡轮盘(TWD)结构进行了初步的研究。对于双腹板来说,两腹板之间的内腔是其独特的结构特征;除了能够冷却前后腹板的外腔外,冷却流体还可以流入内腔,从而有效地降低涡轮盘内部的温度。据相关文献显示,目前对双腹板涡轮盘的优化集中在分析盘体的总体设计和单一元件的优化,并提出优化设计的新结构。
空气系统位于航空发动机结构内部,从压气机和外涵道中引入冷却气流并用于冷却涡轮叶片、涡轮盘等热端部件。在现有结构中,气流通过预旋喷嘴进入涡轮盘腔并冲刷冷却涡轮盘,而后通过供气孔进入涡轮叶片。现阶段预旋系统的冷却效率不足以应对更高的涡轮前温度,迫切需要对预旋系统进行优化设计。根据相关文献显示,目前对预旋系统的优化集中在单元件的参数改进,缺乏对多元件匹配设计的思考与优化。
现阶段对航空发动机预旋系统的优化设计中,通常采用CFD数值仿真与试验结合的方法。但是只能针对特定形状、特定参数进行试验与计算,效率较低,设计变量较少、设计范围较局限,缺乏对设计参数变化、设计范围变化与设计变量与范围共同变化对预旋系统传热特性影响的研究。
发明内容
发明目的:本发明要解决的技术问题是针对新型双腹板涡轮盘的预旋系统设计过程效率低下,且设计参数单一,设计范围局限,尚有较大的优化空间的问题。提出一种基于BP神经网络与遗传算法耦合的优化方法,能够更高效、更准确对新型双腹板涡轮盘的预旋系统多参数匹配。
为解决上述问题,本发明采用如下技术方案:一种新型涡轮盘预旋系统多元件匹配的优化方法,包括以下步骤:
步骤1,设计多因素优化组合;
步骤2,得到多因素优化组合的模型数据,对涡轮盘系统的传热特性进行定量评价并得到数据样本;
步骤3,建立BP神经网络,将数据样本用于BP神经网络的训练,实现预测;
步骤4,将遗传算法与BP神经网络耦合,实现自动迭代优化。
步骤1中,将需要优化的目标参数进行正交设计,形成多因素的待优化组合作为基础样本。
步骤2中,用数值计算方法求解得到基础样本的模型数据,并通过命令流输出的自定义参数定量评估系统的传热特性,得到系统传热特性的数据样本。
步骤2中,所述模型数据的传热特性数据包括数值计算求解得到的涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,通过命令流自动输出。
步骤2中,所述涡轮盘径向温度均匀性的计算公式为:
其中是涡轮盘外侧壁面外壁面上自选特征点的平均温度,ti是第i个特征点的温度,S是温度变化,n是特征点数量。
步骤3中,所述建立BP神经网络包括样本数据采集、神经网络训练、网络验证,具体包括如下步骤;
步骤3-1,将待优化组合的基础样本作为输入变量;
步骤3-2,通过隐藏层将权重阈值前向传播;
步骤3-3,将系统传热特性的数据样本作为输出变量;
步骤3-4,误差反向传播,利用BP神经网络特有的梯度搜索技术,修正权值使误差数值达到最小;
步骤3-5,循环步骤3-1~步骤3-4,直到误差满足结束条件。
步骤3-3中,输出变量的传热特性的数据样本是指涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,输入与输出之间存在若干层隐藏层;
步骤3-5中,网络验证是通过预测值与实际值的误差值对比,结束条件是预测结果与实际结果误差低于阈值3%。
步骤4包括:
步骤4-1,将待优化组合参数设计变量编码为染色体,每个基因表示一个决策变量;
步骤4-2,随机生成初始结构参数作为基础种群;
步骤4-3,设置适应度函数:适应度函数被设置为涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr的加权和;
归一化函数为
式中X是归一化厚度数据,xi指选择的特征点的第i个数据,xmax指数据中最大值,xmin指数据中的最小值;
适应度函数Fitness为:
Fitness=w1f1+w2f2
式中,w1,w2代表权重系数;f1指归一化的涡轮盘最高温度Tmax,f2指归一化的涡轮盘径向温度均匀性Tvr;
步骤4-4,通过训练好的BP神经网络对每组种群染色体进行逐个建模,并计算各自的适应度函数;
步骤4-5,按适应度标准对各组染色体进行排序;
适应度标准为式中,F1,F2即计算的适应度函数。
步骤4-6,将一定数量(比如80%)的高顺位染色体作为精英成员,并将其保留至下一代;
步骤4-7,将其余染色体删去,保留的精英成员进行杂交、变异,形成全新的染色体,对种群进行补充,形成新的精英种群;
步骤4-8,循环步骤4-4~步骤4-7,直至满足染色体变化不大,群体趋于稳定或迭代次数满足最大代数,结束优化;此时得到更高质量的冷却涡轮盘结构参数和更优的元件间匹配。
步骤4中,通过设计最优的遗传算法影响参数得到最优种群,具体包括:父代种群数量,指每一代种群中精英成员的数量;子代种群数量,指精英成员产生新成员的数量;变异概率,指每一代种群中精英成员发生变异的概率;交叉概率,指每一代种群中精英成员发生交叉产生新成员的概率;更迭代数,指优化过程中总共迭代的次数。
将得到的更高质量的冷却涡轮盘结构参数和更优的元件间匹配进行建模和计算,对其传热特性进行定量评估,如果不符合预期则添加增量样本并重复步骤1~步骤4。
本发明能够根据涡轮盘系统的传热特性,扩大搜索范围,参数优化不再局限在某个特定值,实现自动迭代优化,设计出涡轮盘多元件多参数的最优组合。
有益效果:采用本发明方法后,解决了预旋系统元件优化设计效率低下,结果欠优的问题,填补了预旋系统多元件匹配设计空白,以BP神经网络和遗传算法为基本方法,以有限元计算软件为基本工具,通过程序实现计算机自动优化预旋系统多元件匹配,该方法可节省大量人力和计算量,并得出比特定角度、特定工况更优的预旋系统的多参数设计。该方法采用目前大热的深度学习、优化算法与数值仿真结合的方法,实施高效,迭代时间短,优化效果明显,易于在航空发动机预旋系统中推广使用。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明实施例中新型涡轮盘的有限元模型示意图。
图2是本发明实施例中新型涡轮盘的优化变量示意图。
图3是本发明实施例中新型涡轮盘预旋系统多元件匹配优化的设计方法流程图。
图4是本发明实施例中BP神经网络流程图。
图5是本发明实施例中遗传算法流程图。
图6是本发明实施例中BP神经网络的测试结果示意图。
图7是本发明实施例中遗传算法的收敛曲线示意图。
具体实施方式
本发明提供了一种新型涡轮盘预旋系统多元件匹配的优化方法,包括以下步骤:
步骤1,设计多因素优化组合;
步骤2,得到多因素优化组合的模型数据,对涡轮盘系统的传热特性进行定量评价并得到数据样本;
步骤3,建立BP神经网络,将数据样本用于BP神经网络的训练,实现预测;
步骤4,将遗传算法与BP神经网络耦合,实现自动迭代优化。
步骤1中,将需要优化的目标参数进行正交设计,形成多因素的待优化组合作为基础样本。
步骤2中,用数值计算方法求解得到基础样本的模型数据,并通过命令流输出的自定义参数定量评估系统的传热特性,得到系统传热特性的数据样本。
基础样本如表1所示:
表1
优化参数1 | 优化参数2 | 优化参数3 |
模型数据如表2所示:
表2
优化参数1 | 优化参数2 | 优化参数3 | Tmax | Tvr |
步骤2中,所述模型数据的传热特性数据包括数值计算求解得到的涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,通过命令流自动输出。
步骤2中,用数值计算方法求解得到设计组合的模型数据并通过有限元法定量评估系统的传热特性。有限元软件包括:ANSYS ICEM、ANSYS Workbench、ANSYS CFX2023R1等,实现自动建模、计算、后处理的循环迭代方法。
步骤2中,通过有限元法计算得到的多模型数据包括涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,通过ANSYS软件的命令流自动输出。
涡轮盘最高温度Tmax是评价冷却质量的最直接指标,而涡轮盘径向温度均匀性Tvr是评鉴涡轮盘局部热应力大小的指标。
步骤2中,所述涡轮盘径向温度均匀性的计算公式为:
其中是涡轮盘外侧壁面外壁面上自选特征点的平均温度,ti是选择的第i个特征点的温度,S是温度变化,n是特征点数量。
步骤3中,所述建立BP神经网络包括样本数据采集、神经网络训练、网络验证(可以通过编程语言python建立BP神经网络),具体包括如下步骤;
步骤3-1,将待优化组合的基础样本作为输入变量;
步骤3-2,通过隐藏层将权重阈值前向传播;
步骤3-3,将系统传热特性的数据样本作为输出变量;
步骤3-4,误差反向传播,利用BP神经网络特有的梯度搜索技术,修正权值使误差数值达到最小;
步骤3-5,循环步骤3-1~步骤3-4,直到误差满足结束条件。
步骤3-3中,输出变量的传热特性的数据样本是指涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,输入与输出之间存在若干层(比如20层)隐藏层;
步骤3-5中,网络验证是通过预测值与实际值的误差值对比,结束条件是预测结果与实际结果误差低于3%。
步骤4包括:
步骤4-1,将待优化组合参数设计变量编码为染色体,每个基因表示一个决策变量;
步骤4-2,随机生成初始结构参数作为基础种群;
步骤4-3,设置适应度函数:适应度函数被设置为涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr的加权和;
归一化函数为
式中X是归一化厚度数据,xi指选择的特征点的第i个数据,xmax指数据中最大值,xmin指数据中的最小值;
适应度函数Fitness为:
Fitness=w1f1+w2f2
式中,w1,w2代表权重系数。由于单位与数据大小不同,将两组数据归一化后加权。f1指归一化的涡轮盘最高温度Tmax,f2指归一化的涡轮盘径向温度均匀性Tvr。
步骤4-4,通过训练好的BP神经网络对每组种群染色体进行逐个建模,并计算各自的适应度函数;
步骤4-5,按适应度标准对各组染色体进行排序;
适应度标准为式中,F1,F2即计算的适应度函数。
步骤4-6,将一定数量(比如80%)的高顺位染色体作为精英成员,并将其保留至下一代;
步骤4-7,将其余染色体删去,保留的精英成员进行杂交、变异,形成全新的染色体,对种群进行补充,形成新的精英种群;
步骤4-8,循环步骤4-4~步骤4-7,直至满足染色体变化不大,群体趋于稳定或迭代次数满足最大代数,结束优化;此时得到更高质量的冷却涡轮盘结构参数和更优的元件间匹配。
步骤4中,通过设计最优的遗传算法影响参数得到最优种群,具体包括:父代种群数量,指每一代种群中精英成员的数量;子代种群数量,指精英成员产生新成员的数量;变异概率,指每一代种群中精英成员发生变异的概率;交叉概率,指每一代种群中精英成员发生交叉产生新成员的概率;更迭代数,指优化过程中总共迭代的次数。
将得到的更高质量的冷却涡轮盘结构参数和更优的元件间匹配进行建模和计算,对其传热特性进行定量评估,如果不符合预期则添加增量样本并重复步骤1~步骤4。
本发明一实施例中,以有限元软件ANSYS为建模计算软件,进行模型的建模、计算、后处理,以编程语言python搭建BP神经网络与遗传算法。本实施例仅对本发明作进一步详细说明,但并不构成对本发明的任何限制。
所述新型涡轮盘的优化参数为,第一级预旋的预旋喷嘴1的切向角度为24°~72°,第二级预旋的预旋喷嘴2的切向角度为24°~72°,单侧接收孔的切向角度为0°~30°。如表3所示,是该双辐板涡轮盘的相关参数。
表3
所述正交试验中,选择三因素七水平正交设计,共49组设计变量组合,此外添加两组特殊角度的组合。
所述新型涡轮盘的有限元模型中,使用Mesh、CFX2023R1与CFD-Post进行网格划分、计算与后处理。输出参数为涡轮盘最高温度Tmax和温度均匀性Tvr。
所述有限元计算中,基于Workbench的参数化设计,可以将三个角度的组合作为输入变量,输出参数为涡轮盘最高温度Tmax和温度均匀性Tvr,实现基于ANSYS命令流的自动化设计。
所述涡轮盘温度径向均匀性的计算公式采用如下形式:
沿着外壁均匀选择5个特征点,其中是外壁面上所有特征点的平均温度,是该特征点的温度,S是温度变化,n是特征点数量。Tvr越小,径向均匀性越好。
所述通过编程语言python建立的BP神经网络,主要包括样本数据采集、神经网络训练、网络验证等步骤。输入变量是预旋喷嘴1周向角度、预旋喷嘴2周向角度、接受孔周向角度的多因素组合,输出变量是涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,输入与输出之间存在20层隐藏层,要求的结束条件是预测结果与实际结果误差低于3%。
所述BP神经网络的输入参数。由于4个参数并不是同一类参数,参数数值相差较大,为保证训练效果必须线对其进行归一化处理,将输入输出值处理映射到[0,1]之间,归一化采用以下公式:
式中,X是归一化后的数据,x是原始数据,xmin和xmax是原始数据中的最小值和最大值。
神经网络搭建好后对其进行训练,根据得到的50组数据并进行归一化处理。随机选择40组样本数据对建立好的神经网络进行训练,训练步数150000步,直到达到3%的误差率或达到最大训练步数,训练完成后再使用剩余的11组样本数据对其进行测试,验证BP神经网络的预测能力,如果预测的最高温度误差大于3%,则把该神经网络初始化重新训练,直到达到预测目的。
以编程语言python构建遗传算法,优化过程中,将目标函数简写为BP(x1,x2,x3,y1)=GA(R2,R3,R4),其中变量的取值范围确定为R2-(24,72),R3-(24,72),R4-(0,30).考虑到优化过程的影响因素,分析了父代种群数量(population_size)、子代种群数量(offspring_population_size)、交叉概率(pc)、和变异概率(pm)等参数对优化结果的影响。
所述遗传算法随机生成5000组随机组合,父代种群数量为200,子代种群数量200,交叉概率0.8,变异概率0.1,更迭代数50。优化终止条件为满足更迭代数即终止。
分别计算遗传算法的参数对优化结果的影响,得到表4和表5。
表4
表5
适应度函数被设置为涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr的加权和。
归一化函数为
式中,xi指该数据,xmax指数据中最大值,xmin指数据中的最小值
适应度函数Fitness=w1f1+w2f2
式中,w1,w2代表权重系数。由于单位与数据大小不同,将两组数据归一化后加权。f1指归一化的涡轮盘最高温度Tmax,f2指归一化的涡轮盘径向温度均匀性Tvr。。
该实施例的优化过程为用于测试的简单算例,运算时间约为5分钟,便能得到较为理想的预旋喷嘴1周向角度、预旋喷嘴2周向角度与接收孔周向角度三者的匹配优化设计方案,对比人工设计计算与试验从时间、人工成本上来说具有相当可观的优越性。
如图1所示是一种双辐板涡轮盘。两个轮毂分开,内腔是其独特的结构。前后辐板分别有两级预旋,第一级预旋的喷嘴指预旋喷嘴1,第二级预旋的叫预旋喷嘴2。在前腹板高半径处开有接收孔,盘缘上开有60个流体出口。
图2是本发明实施例中新型涡轮盘的优化变量示意图。在不同操作条件和工况下需要优化的三个变量分别为预旋喷嘴1周向角度、预旋喷嘴2周向角度、接收孔周向角度。
图3是本发明实施例中新型涡轮盘预旋系统多元件匹配优化的设计方法流程图。首先设计待优化参数,经过正交设计形成基础样本。根据基础样本通过CFD计算得到混合样本。根据混合样本数据,通过BP神经网络和遗传算法构成的代理模型扩大搜索范围,实现多目标的协同优化。最后经过检验,检验通过流程结束,否则通过增量样本继续细化优化范围。
图4是本发明实施例中BP神经网络流程图。输入层将三个角度作为输入变量,通过若干曾隐藏层的传递,达到输出层的预测结果。
图5是本发明实施例中遗传算法流程图。首先生成初始种群,根据适应度函数挑选精英成员,随后通过杂交、变异等操作形成新种群,再通过适应度函数的选择,判断是否达到了结束条件。
图6是本发明实施例中BP神经网络的测试结果示意图。通过11组预测数据与实际数据的对比测试,误差保持在5%以内。
图7是本发明实施例中遗传算法的收敛曲线示意图。横轴是迭代步数,纵轴是适应度标准。在1600时已经计算收敛。
根据工程实际需要,选择预旋系统的不同的多目标共同优化,最大化利用BP神经网络的学习决策能力、线性变化拟合能力和遗传算法全局搜索能力和对多模态问题的适应性,有效地提高设计方案的经济合理性,提高了在预旋系统优化方案中的竞争力。
本发明提供了一种新型涡轮盘预旋系统多元件匹配的优化方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种新型涡轮盘预旋系统多元件匹配的优化方法,其特征在于,包括以下步骤:
步骤1,设计多因素优化组合;
步骤2,得到多因素优化组合的模型数据,对涡轮盘系统的传热特性进行定量评价并得到数据样本;
步骤3,建立BP神经网络,将数据样本用于BP神经网络的训练,实现预测;
步骤4,将遗传算法与BP神经网络耦合,实现自动迭代优化。
2.根据权利要求1所述的方法,其特征在于,步骤1中,将需要优化的目标参数进行正交设计,形成多因素的待优化组合作为基础样本。
3.根据权利要求2所述的方法,其特征在于,步骤2中,用数值计算方法求解得到基础样本的模型数据,并通过命令流输出的自定义参数定量评估系统的传热特性,得到系统传热特性的数据样本。
4.根据权利要求3所述的方法,其特征在于,步骤2中,所述模型数据的传热特性数据包括数值计算求解得到的涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,通过命令流自动输出。
5.根据权利要求4所述的方法,其特征在于,步骤2中,所述涡轮盘径向温度均匀性的计算公式为:
其中是涡轮盘外侧壁面外壁面上自选特征点的平均温度,ti是第i个特征点的温度,S是温度变化,n是特征点数量。
6.根据权利要求5所述的方法,其特征在于,步骤3中,所述建立BP神经网络包括样本数据采集、神经网络训练、网络验证,具体包括如下步骤;
步骤3-1,将待优化组合的基础样本作为输入变量;
步骤3-2,通过隐藏层将权重阈值前向传播;
步骤3-3,将系统传热特性的数据样本作为输出变量;
步骤3-4,误差反向传播,利用BP神经网络特有的梯度搜索技术,修正权值使误差数值达到最小;
步骤3-5,循环步骤3-1~步骤3-4,直到误差满足结束条件。
7.根据权利要求6所述的方法,其特征在于,
步骤3-3中,输出变量的传热特性的数据样本是指涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr,输入与输出之间存在若干层隐藏层;
步骤3-5中,网络验证是通过预测值与实际值的误差值对比,结束条件是预测结果与实际结果误差低于阈值。
8.根据权利要求7所述的方法,其特征在于,步骤4包括:
步骤4-1,将待优化组合参数设计变量编码为染色体,每个基因表示一个决策变量;
步骤4-2,随机生成初始结构参数作为基础种群;
步骤4-3,设置适应度函数:适应度函数被设置为涡轮盘最高温度Tmax与涡轮盘径向温度均匀性Tvr的加权和;
归一化函数为
式中X是归一化厚度数据,xi指选择的特征点的第i个数据,xmax指数据中最大值,xmin指数据中的最小值;
适应度函数Fitness为:
Fitness=w1f1+w2f2
式中,w1,w2代表权重系数;f1指归一化的涡轮盘最高温度Tmax,f2指归一化的涡轮盘径向温度均匀性Tvr;
步骤4-4,通过训练好的BP神经网络对每组种群染色体进行逐个建模,并计算各自的适应度函数;
步骤4-5,按适应度标准对各组染色体进行排序;
适应度标准为式中,F1,F2即计算的适应度函数;
步骤4-6,将一定数量的高顺位染色体作为精英成员,并将其保留至下一代;
步骤4-7,将其余染色体删去,保留的精英成员进行杂交、变异,形成全新的染色体,对种群进行补充,形成新的精英种群;
步骤4-8,循环步骤4-4~步骤4-7,直至满足染色体变化不大,群体趋于稳定或迭代次数满足最大代数,结束优化;此时得到更高质量的冷却涡轮盘结构参数和更优的元件间匹配。
9.根据权利要求8所述的方法,其特征在于,步骤4中,通过设计最优的遗传算法影响参数得到最优种群,具体包括:父代种群数量,指每一代种群中精英成员的数量;子代种群数量,指精英成员产生新成员的数量;变异概率,指每一代种群中精英成员发生变异的概率;交叉概率,指每一代种群中精英成员发生交叉产生新成员的概率;更迭代数,指优化过程中总共迭代的次数。
10.根据权利要求9所述的方法,其特征在于,将得到的更高质量的冷却涡轮盘结构参数和更优的元件间匹配进行建模和计算,对其传热特性进行定量评估,如果不符合预期则添加增量样本并重复步骤1~步骤4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469583.8A CN117556532A (zh) | 2023-11-07 | 2023-11-07 | 一种新型涡轮盘预旋系统多元件匹配的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469583.8A CN117556532A (zh) | 2023-11-07 | 2023-11-07 | 一种新型涡轮盘预旋系统多元件匹配的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556532A true CN117556532A (zh) | 2024-02-13 |
Family
ID=89819601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311469583.8A Pending CN117556532A (zh) | 2023-11-07 | 2023-11-07 | 一种新型涡轮盘预旋系统多元件匹配的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952038A (zh) * | 2024-03-25 | 2024-04-30 | 中国航发四川燃气涡轮研究院 | 一种预旋供气系统的气动优化设计方法 |
-
2023
- 2023-11-07 CN CN202311469583.8A patent/CN117556532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952038A (zh) * | 2024-03-25 | 2024-04-30 | 中国航发四川燃气涡轮研究院 | 一种预旋供气系统的气动优化设计方法 |
CN117952038B (zh) * | 2024-03-25 | 2024-05-31 | 中国航发四川燃气涡轮研究院 | 一种预旋供气系统的气动优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Review of design optimization methods for turbomachinery aerodynamics | |
CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 | |
CN114022693B (zh) | 一种基于双重自监督的单细胞RNA-seq数据聚类方法 | |
CN112488315A (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
CN102902772A (zh) | 一种基于多目标优化的Web社区发现方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
Liang et al. | Improved adaptive non-dominated sorting genetic algorithm with elite strategy for solving multi-objective flexible job-shop scheduling problem | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
US20230197205A1 (en) | Bioretrosynthetic method and system based on and-or tree and single-step reaction template prediction | |
CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
CN116933485A (zh) | 一种遗传贪心组合算法的装配序列规划方法 | |
Wang et al. | Transfer optimization in accelerating the design of turbomachinery cascades | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
CN111985153B (zh) | 基于神经网络和遗传算法的硅基光子器件仿真方法和系统 | |
CN115221770A (zh) | 一种基于精英种群遗传算法的电力信息系统迁移方法 | |
CN111639797A (zh) | 基于Gumbel-softmax技术的组合优化方法 | |
CN112632728A (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
CN118014316B (zh) | 基于无性遗传算法的阻塞流水车间调度方法及电子设备 | |
CN109902007A (zh) | 一种基于点染色模型的测试用例生成方法 | |
CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 | |
Burlaka et al. | Axial Compressor Map Generation Leveraging Autonomous Self-Training AI |
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 |