CN117807893A - 高速离心泵叶轮多目标优化设计方法 - Google Patents

高速离心泵叶轮多目标优化设计方法 Download PDF

Info

Publication number
CN117807893A
CN117807893A CN202410206632.7A CN202410206632A CN117807893A CN 117807893 A CN117807893 A CN 117807893A CN 202410206632 A CN202410206632 A CN 202410206632A CN 117807893 A CN117807893 A CN 117807893A
Authority
CN
China
Prior art keywords
centrifugal pump
speed centrifugal
impeller
model
optimized
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
Application number
CN202410206632.7A
Other languages
English (en)
Other versions
CN117807893B (zh
Inventor
宋冬梅
刘雪垠
陈小明
钟林涛
李黎文
吴凯歌
李天赐
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.)
Sichuan Machinery Research And Design Institute Group Co ltd
Xihua University
Original Assignee
Sichuan Machinery Research And Design Institute Group Co ltd
Xihua 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 Sichuan Machinery Research And Design Institute Group Co ltd, Xihua University filed Critical Sichuan Machinery Research And Design Institute Group Co ltd
Priority to CN202410206632.7A priority Critical patent/CN117807893B/zh
Publication of CN117807893A publication Critical patent/CN117807893A/zh
Application granted granted Critical
Publication of CN117807893B publication Critical patent/CN117807893B/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]
    • G06F30/20—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]
    • G06F30/10—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明涉及高速离心泵的技术领域，提供了高速离心泵叶轮多目标优化设计方法，采用基于参考点的非支配排序遗传算法，以高速离心泵的水力效率最高、空化余量最小为优化目标，构建相应的优化目标函数，根据灵敏度分析，筛选出叶轮进口直径、叶轮出口宽度和叶片出口角三个参数，以该三个参数为参考点并结合非支配排序遗传算法进行多目标寻优计算，得到上述三个参数对应的最优几何参数值。相比于现有的高速离心泵优化设计方法，能够提高高速离心泵的扬程和泵效率以及降低高速离心泵的空化余量，泵内部流场得到明显改善。

Description

高速离心泵叶轮多目标优化设计方法
技术领域
本发明涉及高速离心泵的技术领域，特别涉及高速离心泵叶轮多目标优化设计方法。
背景技术
离心泵是一种用于介质输送的通用机械设备，应用于航空航天、石油化工、船舶以及冶金等领域。近年来，随着相关领域工程技术的发展，离心泵逐步向更高转速发展，高速离心泵转速较高，一般转速大于3600r/min，具有单级扬程高、结构紧凑、可靠性好、维护方便等优点，在介质输送系统中发挥着巨大的作用。相比普通离心泵，高速离心泵目前存在水力效率低、抗汽蚀性能差、运行不稳定等问题，如果采用普通离心泵叶轮设计方法进行研究，其性能参数无法达到设计要求。目前已经出现对高速泵诱导轮的前置空化抑制装置前、后倾角等几何参数进行优化，并进行了回流漩涡范围和强度分析，获得了最优参数组合，或者选取叶片出口宽度、叶轮出口直径、叶片数等7个参数进行正交，利用极差分析法研究了影响高速泵性能的主要和次要因素，并得出了高速离心泵的优化设计方式，但是上述优化设计方式无法针对具有半开式叶轮的高速离心泵进行准确的设计，不能有效降低高速离心泵的能量损失以及使泵效率和扬程均达到相应的设计要求，降低了高速离心泵的设计可靠性。
发明内容
针对现有技术存在的缺陷，本发明提供了一种高速离心泵叶轮多目标优化设计方法，其采用基于参考点的非支配排序遗传算法，以高速离心泵的水力效率最高、空化余量最小为优化目标，构建相应的优化目标函数，根据灵敏度分析，筛选出叶轮进口直径、叶轮出口宽度和叶片出口角三个参数，以该三个参数为参考点并结合非支配排序遗传算法进行多目标寻优计算，得到上述三个参数对应的最优几何参数值。相比于现有的高速离心泵优化设计方法，能够提高高速离心泵的扬程和泵效率以及降低高速离心泵的空化余量，使泵内部流场得到明显改善。
本发明提供高速离心泵叶轮多目标优化设计方法，包括如下步骤：
步骤S1，基于高速离心泵的部件结构信息，构建所述高速离心泵的初始模型；对所述初始模型进行CFD数值计算处理，得到所述初始模型对应的几何参数初始值；
步骤S2，构建高速离心泵的水力损失模型，对所述水力损失模型进行全局灵敏度分析，确定对所述高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于所述几何参数初始值，确定所有待优化目标参数各自的取值范围；
步骤S3，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于所述参数几何模型，生成相应的若干参数组合；基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；
步骤S4，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合；基于所述最优解集合，生成所述高速离心泵对应的结构模型。
在本申请公开的一个实施例中，在所述步骤S1中，基于高速离心泵的部件结构信息，构建所述高速离心泵的初始模型，包括：
基于高速离心泵的叶轮和蜗壳各自的形状结构信息，构建所述高速离心泵对应的单级高速离心泵初始模型；对所述单级高速离心泵初始模型进行初始模型运行仿真操作，得到所述单级高速离心泵初始模型的运行仿真数据结果；
基于所述运行仿真数据结果，确定所述单级高速离心泵初始模型允许进行调整的叶轮几何参数；其中，所述叶轮几何参数包括叶轮进口直径、叶轮出口宽度、叶片进口角、叶片出口角、叶片数、叶轮直径、叶片包角、蜗壳进口宽度、蜗壳基圆直径、隔舌安放角。
在本申请公开的一个实施例中，在所述步骤S1中，对所述初始模型进行CFD数值计算处理，得到所述初始模型对应的几何参数初始值，包括：
对所述单级高速离心泵初始模型进行非结构网格划分处理，得到关于所述单级高速离心泵初始模型的全局计算域集群；对所述全局计算域集群下属所有计算域进行关于所述单级高速离心泵初始模型的全流道CFD数值模拟，得到所述单级高速离心泵初始模型内部的水流状态信息；
基于所述水流状态信息，确定所述单级高速离心泵初始模型具有最优流量传输效率的情况下所述允许进行调整的叶轮几何参数对应的初始值。
在本申请公开的一个实施例中，在所述步骤S2中，构建高速离心泵的水力损失模型，对所述水力损失模型进行全局灵敏度分析，确定对所述高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于所述几何参数初始值，确定所有待优化目标参数各自的取值范围，包括：
基于高速离心泵的水力损失来源，确定所述高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建所述高速离心泵的全局水力损失模型；
对所述全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对所述高速离心泵进行多目标优化设计对应的待优化目标参数；再对所述待优化目标参数对应的几何参数初始值进行扩展，确定所有待优化目标参数各自的取值范围。
在本申请公开的一个实施例中，在所述步骤S2中，基于高速离心泵的水力损失来源，确定所述高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建所述高速离心泵的全局水力损失模型，包括：
基于高速离心泵的吸入式水力损失、叶轮进口水力损失、叶轮流道摩擦损失、叶轮内扩散收缩损失、进口液流变向水力损失、叶轮出口水力损失、蜗壳流道摩擦损失和蜗壳内扩散损失，分别一一对应确定所述高速离心泵对应的八个单一水力损失模型；再对所述八个单一水力损失模型进行融合处理，构建所述高速离心泵的全局水力损失模型。
在本申请公开的一个实施例中，在所述步骤S2中，对所述全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对所述高速离心泵进行多目标优化设计对应的待优化目标参数，包括：
对所述全局水力损失模型进行分析，得到所述高速离心泵的空化余量计算模型和水力效率计算模型；
对所述空化余量计算模型和所述水力效率计算模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数；其中，对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数包括叶轮进口直径、叶轮出口宽度和叶片出口角。
在本申请公开的一个实施例中，在所述步骤S3中，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于所述参数几何模型，生成相应的若干参数组合，包括：
对所有待优化目标参数各自的取值范围进行均匀抽样处理，选取得到关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，在CFturbo中一一对应建立相应的叶轮参数几何模型；再对所有叶轮参数几何模型分别进行CFD数值计算处理，得到与所有叶轮参数几何模型一一对应的若干参数组合；其中，所述参数组合为关于叶轮进口直径、叶轮出口宽度和叶片出口角的参数组合。
在本申请公开的一个实施例中，在所述步骤S3中，基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数，包括：
将所有参数组合中的一部分参数组合作为训练集，另一部分参数组合作为测试集，再基于所述训练集和所述测试集，依次对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；确定所述单一目标函数在SVM预测处理和CFD计算处理下对应的SVM预测值和CFD计算值；若所述SVM预测值和所述CFD计算值相等，则将所述单一目标函数作为所述待优化目标参数的最终单一目标函数；否则，从所述参数组合获取新的训练集和测试集，依次对SVM回归预测模型进行训练和测试处理，得到新的单一目标函数，直到新的单一目标函数对应的SVM预测值和CFD计算值相等为止。
在本申请公开的一个实施例中，在所述步骤S4中，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合，包括：
对所有待优化目标参数对应的所有单一目标函数进行整合处理，得到相应的多目标优化问题函数；基于非支配排序遗传算法，对所述多目标优化问题函数在所述取值范围内进行多目标寻优处理，得到关于所有待优化目标参数的最优解集合。
在本申请公开的一个实施例中，在所述步骤S4中，基于所述最优解集合，生成所述高速离心泵对应的结构模型，包括：
基于所述最优解集合，进行空间曲面拟合，从而生成所述高速离心泵对应的最优结构模型。
相比于现有技术，该高速离心泵叶轮多目标优化设计方法采用基于参考点的非支配排序遗传算法，以高速离心泵的水力效率最高、空化余量最小为优化目标，构建相应的优化目标函数，根据灵敏度分析，筛选出叶轮进口直径、叶轮出口宽度和叶片出口角三个参数，以该三个参数为参考点并结合非支配排序遗传算法进行多目标寻优计算，得到上述三个参数对应的最优几何参数值。相比于现有的高速离心泵优化设计方法，能够提高高速离心泵的扬程和泵效率以及降低高速离心泵的空化余量，使泵内部流场得到明显改善。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明提供的高速离心泵叶轮多目标优化设计方法的流程示意图；
图2为本发明提供的高速离心泵叶轮多目标优化设计方法中高速离心泵的流体域网格示意图；
图3为本发明提供的高速离心泵叶轮多目标优化设计方法中变量灵敏度的示意图；
图4为本发明提供的高速离心泵叶轮多目标优化设计方法中数据样本的空间分布示意图；
图5为本发明提供的高速离心泵叶轮多目标优化设计方法中SNM预测效果示意图，其中图（a）为水力效率测试集误差分析，图（b）为空化余量测试集误差分析，图（c）为扬程测试集误差分析；
图6为本发明提供的高速离心泵叶轮多目标优化设计方法的最优解分布示意图；
图7为本发明提供的高速离心泵叶轮多目标优化设计方法中优化前后叶轮中间截面流线图；
图8为本发明提供的高速离心泵叶轮多目标优化设计方法中优化前后叶轮中间湍动能分布图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的高速离心泵叶轮多目标优化设计方法的流程示意图。该高速离心泵叶轮多目标优化设计方法包括：
步骤S1，基于高速离心泵的部件结构信息，构建该高速离心泵的初始模型；对该初始模型进行CFD数值计算处理，得到该初始模型对应的几何参数初始值；
步骤S2，构建高速离心泵的水力损失模型，对该水力损失模型进行全局灵敏度分析，确定对该高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于该几何参数初始值，确定所有待优化目标参数各自的取值范围；
步骤S3，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于该参数几何模型，生成相应的若干参数组合；基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；
步骤S4，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合；基于该最优解集合，生成该高速离心泵对应的结构模型。
该高速离心泵叶轮多目标优化设计方法采用基于参考点的非支配排序遗传算法，以高速离心泵的水力效率最高、空化余量最小为优化目标，构建相应的优化目标函数，根据灵敏度分析，筛选出叶轮进口直径、叶轮出口宽度和叶片出口角三个参数，以该三个参数为参考点并结合非支配排序遗传算法进行多目标寻优计算，得到上述三个参数对应的最优几何参数值。相比于现有的高速离心泵优化设计方法，能够提高高速离心泵的扬程和泵效率以及降低高速离心泵的空化余量，使泵内部流场得到明显改善。
优选地，在该步骤S1中，基于高速离心泵的部件结构信息，构建该高速离心泵的初始模型，包括：
基于高速离心泵的叶轮和蜗壳各自的形状结构信息，构建该高速离心泵对应的单级高速离心泵初始模型；对该单级高速离心泵初始模型进行初始模型运行仿真操作，得到该单级高速离心泵初始模型的运行仿真数据结果；
基于该运行仿真数据结果，确定该单级高速离心泵初始模型允许进行调整的叶轮几何参数；其中，该叶轮几何参数包括叶轮进口直径、叶轮出口宽度、叶片进口角、叶片出口角、叶片数、叶轮直径、叶片包角、蜗壳进口宽度、蜗壳基圆直径、隔舌安放角。
在上述技术方案中，基于高速离心泵的叶轮和蜗壳各自的形状结构信息，构建该高速离心泵对应的单级高速离心泵初始模型，并对其进行初始模型运行仿真操作，得到相应的运行仿真数据结果，能够对该单级高速离心泵初始模型的运行状态进行高匹配度的处理，便于后续有针对性地调整该单级高速离心泵初始模型下属的所有叶轮几何参数，从而准确筛选出其中允许进行调整的叶轮几何参数。
在实际操作中，该单级高速离心泵初始模型的叶轮为半开式，蜗壳为螺旋型，其主要设计参数为：设计流量Q=50m3/h,设计扬程H=220m，转速n=8000r/min，转速比ns=60，介质为清水。该单级高速离心泵初始模型主要参数如下面表1所示：
表1
优选地，在该步骤S1中，对该初始模型进行计算流体动力学（CFD）数值计算处理，得到该初始模型对应的几何参数初始值，包括：
对该单级高速离心泵初始模型进行非结构网格划分处理，得到关于该单级高速离心泵初始模型的全局计算域集群；对该全局计算域集群下属所有计算域进行关于该单级高速离心泵初始模型的全流道CFD数值模拟，得到该单级高速离心泵初始模型内部的水流状态信息；
基于该水流状态信息，确定该单级高速离心泵初始模型具有最优流量传输效率的情况下该允许进行调整的叶轮几何参数对应的初始值。
在上述技术方案中，高速离心泵整个流体域包括吸水室、叶轮、压水室三部分。为了流动充分发展，将泵进口和出口段进行适当延伸。采用ANSYS-ICEM进行非结构网格划分，叶片头部局部加密，对应的流体域如图2所示。采用ANSYS-CFX软件对双叶片潜污泵进行全流道数值模拟，由于高速泵内部流动复杂，存在旋转剪切流动和漩涡流动，因此湍流模型选择RNG k-e 模型。设置叶轮段为旋转域，转速8000r/min，相对于叶轮旋转域转速为0。交界面选择frozen rotor，进口边界选择质量流率Mass Flow Rate，出口边界选择Static Pressure。设置收敛精度10-6，步长5000步。通过对网格进行无关性验证，其对应的验证结果如下面表2所示：
表2
从上述表2可知，在网格超过200万后，网格数量变化引起的效率变化较小。为保证求解精度同时缩短计算时长，选取256万计算域网格数进行后续研究。
通过对该单级高速离心泵初始模型进行非结构网格划分处理，得到关于该单级高速离心泵初始模型的全局计算域集群，并对全局计算域集群下属所有计算域进行全流道CFD数值模拟，能够对该单级高速离心泵初始模型内部的水流状态信息进行准确的识别。再基于该水流状态信息，确定该单级高速离心泵初始模型具有最优流量传输效率情况下该允许进行调整的叶轮几何参数对应的初始值，这样能够对该单级高速离心泵初始模型进行叶轮几何参数的全面筛选，从中选择对于高速离心泵的运行具有显著贡献的叶轮几何参数，而不需要对所有叶轮几何参数进行调整改变，降低后续多目标优化计算的工作量。
优选地，在该步骤S2中，构建高速离心泵的水力损失模型，对该水力损失模型进行全局灵敏度分析，确定对该高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于该几何参数初始值，确定所有待优化目标参数各自的取值范围，包括：
基于高速离心泵的水力损失来源，确定该高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建该高速离心泵的全局水力损失模型；
对该全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对该高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对该高速离心泵进行多目标优化设计对应的待优化目标参数；再对该待优化目标参数对应的几何参数初始值进行扩展，确定所有待优化目标参数各自的取值范围。
在上述技术方案中，高速离心泵叶轮的几何参数较多，通过灵敏度分析，可得到各主要参数对泵特性的灵敏度。此次灵敏度分析运用了水力损失模型。在高速离心泵内主要的水力损失来源于：吸入式水力损失Δh1、叶轮进口水力损失Δh2、叶轮流道摩擦损失Δh3、叶轮内扩散收缩损失Δh4、进口液流变向水力损失Δh5、叶轮出口水力损失Δh6、蜗壳流道摩擦损失Δh7、蜗壳内扩散损失Δh8。通过对以上8项水力损失进行计算，可得到基于水力损失模型的扬程H、水力效率,其表达式分别如下：/>（1）
（2）
在上述公式（1）和（2）中，H为扬程；HT为理论扬程；Δh为所有水力损失之和；h为总效率。
通过空化余量计算模型，可以得到空化余量的计算公式，其表达式如下：/>（3）
在上述公式（3）中，为叶片进口稍前的绝对速度；v0为叶片进口稍前的相对速度；w0为叶片进口的相对速度；/>为预设常数。
根据水力损失模型，采用扩展傅里叶幅度检验法（EFAST）对叶轮进口直径D j 、叶轮直径D 2 、叶轮出口宽度b 2 、叶片进口角β 1 、叶片出口角β 2 这5个参数进行了全局灵敏度分析，结果如图3所示。从图3的分析结果可知，对空化余量影响最大的是叶轮进口直径D j ，对水力效率影响最大的是叶轮出口宽度b 2 ，其余三个几何参数中对水力效率以及空化余量影响最大的是叶片出口角β 2 。因此，选择叶轮进口直径D j ，叶轮出口宽度b 2 以及叶片出口角β 2 作为设计变量进行多目标优化。
此外，叶轮进口直径D j ，叶轮出口宽度b 2 以及叶片出口角β 2 各自的取值范围如下面表3所示：
表3
通过上述方式，能够快速对高速离心泵叶轮的几何参数进行筛选和取值范围确定，为后续进行多目标优化计算确定相应的待优化目标参数，实现对高速离心泵的精确分析。
优选地，在该步骤S2中，基于高速离心泵的水力损失来源，确定该高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建该高速离心泵的全局水力损失模型，包括：
基于高速离心泵的吸入式水力损失、叶轮进口水力损失、叶轮流道摩擦损失、叶轮内扩散收缩损失、进口液流变向水力损失、叶轮出口水力损失、蜗壳流道摩擦损失和蜗壳内扩散损失，分别一一对应确定该高速离心泵对应的八个单一水力损失模型；再对该八个单一水力损失模型进行融合处理，构建该高速离心泵的全局水力损失模型。
在上述技术方案中，基于高速离心泵的吸入式水力损失、叶轮进口水力损失、叶轮流道摩擦损失、叶轮内扩散收缩损失、进口液流变向水力损失、叶轮出口水力损失、蜗壳流道摩擦损失和蜗壳内扩散损失，分别一一对应确定该高速离心泵对应的八个单一水力损失模型，并对该八个单一水力损失模型进行融合处理，能够将该高速离心泵整体的水力损失进行标定，便于对该高速离心泵的水力损失状态进行量化分析。
优选地，在该步骤S2中，对该全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对该高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对该高速离心泵进行多目标优化设计对应的待优化目标参数，包括：
对该全局水力损失模型进行分析，得到该高速离心泵的空化余量计算模型和水力效率计算模型；
对该空化余量计算模型和该水力效率计算模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对该高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数；其中，对该高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数包括叶轮进口直径、叶轮出口宽度和叶片出口角。
在上述技术方案中，对该全局水力损失模型进行分析，得到该高速离心泵的空化余量计算模型和水力效率计算模型，该空化余量计算模型和该水力效率计算模型能够作为确定该高速离心泵在何种几何参数条件下达到空化余量最小和水力效率最高的量化标定模型。再对该空化余量计算模型和该水力效率计算模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对该高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，这样能够有效缩小对该高速离心泵进行叶轮几何参数调整范围，减少后续进行多目标优化计算的工作量和提高优化计算的准确性。
优选地，在该步骤S3中，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于该参数几何模型，生成相应的若干参数组合，包括：
对所有待优化目标参数各自的取值范围进行均匀抽样处理，选取得到关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，在CFturbo中一一对应建立相应的叶轮参数几何模型；再对所有叶轮参数几何模型分别进行CFD数值计算处理，得到与所有叶轮参数几何模型一一对应的若干参数组合；其中，该参数组合为关于叶轮进口直径、叶轮出口宽度和叶片出口角的参数组合。
在上述技术方案中，为了保证样本点在变量区间分布的均匀性，选用拉丁超立方抽样生成60组参数样本，数据样本的空间分布如图4所示。具体地，根据样本值，可在CFturbo软件中建立60组叶轮参数几何模型，按照初始模型CFD数值计算方法，得到60组几何模型对应的参数组合。通过构建相应参数组合能够为后续对SVM回归预测模型进行训练和测试提供可靠的数据集。
优选地，在该步骤S3中，基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数，包括：
将所有参数组合中的一部分参数组合作为训练集，另一部分参数组合作为测试集，再基于该训练集和该测试集，依次对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；确定该单一目标函数在SVM预测处理和CFD计算处理下对应的SVM预测值和CFD计算值；若该SVM预测值和该CFD计算值相等，则将该单一目标函数作为该待优化目标参数的最终单一目标函数；否则，从该参数组合获取新的训练集和测试集，依次对SVM回归预测模型进行训练和测试处理，得到新的单一目标函数，直到新的单一目标函数对应的SVM预测值和CFD计算值相等为止。
在上述技术方案中，在实际操作中，SVM（Support Vector Machine,支持向量机）具有在样本较少的情况下仍能保持较好的泛化能力，适用于高维特征空间的预测问题、能够处理非线性关系等优点，本申请采用SVM回归预测模型，建立了叶轮参数与外特性之间的近似函数关系。SVM的应用分为训练集和测试集两个部分。在60组样本中，随机抽取50个样本作为训练集，剩余10个作为测试集。SVM逼近函数的过程较为简单，在此不加赘述。将测试集的SVM预测值与CFD计算值进行回归分析拟合，以评估近似函精度。SVM预测效果如图5所示，图5（a）-5（c）中的直线为45°对角线，其含义为SVM预测值与CFD计算值相等。决定系数R2越大，说明两者吻合性越好。从图5可以看出，水力效率、空化余量、扬程测试集误差分析的决定系数大于R2分别为0.91025、0.93140、0.99644，表明SVM的预测精度较高，十分可靠。
可见，将所有参数组合中的一部分参数组合作为训练集，另一部分参数组合作为测试集，这样能够为训练和测试SVM回归预测模型提供充分的数据支持。
优选地，在该步骤S4中，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合，包括：
对所有待优化目标参数对应的所有单一目标函数进行整合处理，得到相应的多目标优化问题函数；基于非支配排序遗传算法，对该多目标优化问题函数在该取值范围内进行多目标寻优处理，得到关于所有待优化目标参数的最优解集合。
在上述技术方案中，针对多目标优化问题，目前主要有两类算法：传统优化算法和智能优化算法。传统优化算法包括常用的加权算法、约束法等，这些算法是将多目标函数通过赋予权值等方法转化为单一目标函数，再对单一目标函数寻优，这类算法过于理想化,优化结果欠佳。其中，智能算法包括常见的蚁群算法、退火算法、遗传算法等算法，这些算法更能反映多目标优化问题的实质，近年来得到了广泛的应用。对所有待优化目标参数对应的所有单一目标函数进行整合处理，得到相应的多目标优化问题函数；基于非支配排序遗传算法，对该多目标优化问题函数在该取值范围内进行多目标寻优处理，得到关于所有待优化目标参数的最优解集合，这样能够实现快速准确的高速离心泵叶轮的多目标优化设计。
通常而言，多目标函数不存在唯一的解，而是存在一个最优解的集合，成为Pareto最优解集，集合中的元素被称为Pareto最优解或非支配解。为了保证优化目标的全局最优性和提高计算收敛速度，本申请采用基于参考点的非支配遗传算法（NSGA-Ⅲ）进行多目标寻优。在NSGA-Ⅲ算法程序中设定300个参考点，种群数量设为200，遗传迭代次数设为400。高速离心泵多目标优化问题的数学描述如下：（4）
在上述公式（4）中，，Dj∈[54,70]，b 2 ∈[4,14]，b 2 ∈[20,40]
通过上述方式，能够将高速离心泵叶轮参数设计转换为多目标优化问题的计算，最大限度降低多目标优化设计的难度和计算量。
优选地，在该步骤S4中，基于该最优解集合，生成该高速离心泵对应的结构模型，包括：
基于该最优解集合，进行空间曲面拟合，从而生成该高速离心泵对应的最优结构模型。
在上述技术方案中，基于该最优解集合，进行空间曲面拟合，从而生成该高速离心泵对应的最优结构模型，这样能够对该高速离心泵叶轮进行准确的结构构造。
下面将对本申请的高速离心泵叶轮多目标设计方法的具体实施例进行说明。经过400代的寻优，得到200组非支配最优解以及相对应的最优设计变量。寻优后的水力效率、空化余量和扬程的Pareto最优解分布如图6所示，可以清晰地看到解呈点状分布，集中在一个细窄的空间曲面上，极少数分布在端面位置，分布较为均匀，体现了NSGA-Ⅲ算法的多目标优化能力。
在200组非支配最优解中，以水力效率≥85.5%，空化余量≤9.6m，扬程≥220m为条件进行筛选，得到17组满足要求的解。选取水力效率最大的一组作为最优解，并对最优解进行建模仿真，得到初始模型方案与优化方案的性能对比，如下面表4所示。对比优化前后高速泵的水力性能，优化后泵水力效率提高了3.85%，空化余量降低了3.40%，扬程提高了6.73%。
表 4
还有，优化前后叶轮中间截面的速度流线和湍动能分布分别如图7和图8所示。从图7可以看出，优化前后速度流线图的分布大体一致，优化前叶轮叶片进口到出口的速度梯度较大。优化后速度梯度有明显减小，流速从叶片进口到出口均匀增加，在叶轮出口达到最大。同时优化后靠近叶片出口边以及叶片中部工作面相对速度减小，摩擦损失也更小，因此优化后水力效率有所提升。从图8可以看出，优化前湍动能主要分布在叶轮出口处以及叶片背面。优化后叶轮出口处湍动能有明显减小，叶片背面和叶片出口的湍流分布向叶片进口区域缩减，泵内损失减小，说明流场得到改善。
综上所述，第一，本申请对叶轮进口直径Dj、叶轮直径D2、叶轮出口宽度b2、叶片进口角β1、叶片出口角β2共5个参数进行了全局灵敏度分析，筛选出了3个影响显著的参数作为优化设计变量，即叶轮进口直径Dj、叶轮出口宽度b2、叶片出口角β2；第二，本申请选用拉丁超立方抽样对叶轮不同几何参数模型建立样本库，采用SVM对测试样本外特性进行预测，并将预测值与CFD计算值进行对比，得出样本集的水力效率、空化余量、扬程决定系数R2分别为0.91025、0.93140、0.99644，表明SVM的预测精度较高，十分可靠；第三，本申请基于NSGA-Ⅲ算法对高速泵进行优化，得到了最优设计参数为：叶轮进口直径Dj=55mm、叶轮出口宽度b2=6mm、叶片出口角β2=29°，优化后泵水力效率提高了3.85%，空化余量降低了3.40%，扬程提高了6.73%。
从上述实施例的内容可知，该高速离心泵叶轮多目标优化设计方法采用基于参考点的非支配排序遗传算法，以高速离心泵的水力效率最高、空化余量最小为优化目标，构建相应的优化目标函数，根据灵敏度分析，筛选出叶轮进口直径、叶轮出口宽度和叶片出口角三个参数，以该三个参数为参考点并结合非支配排序遗传算法进行多目标寻优计算，得到上述三个参数对应的最优几何参数值。相比于现有的高速离心泵优化设计方法，能够提高高速离心泵的扬程和泵效率以及降低高速离心泵的空化余量，使泵内部流场得到明显改善。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.高速离心泵叶轮多目标优化设计方法，其特征在于，包括如下步骤：
步骤S1，基于高速离心泵的部件结构信息，构建所述高速离心泵的初始模型；对所述初始模型进行CFD数值计算处理，得到所述初始模型对应的几何参数初始值；
步骤S2，构建高速离心泵的水力损失模型，对所述水力损失模型进行全局灵敏度分析，确定对所述高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于所述几何参数初始值，确定所有待优化目标参数各自的取值范围；
步骤S3，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于所述参数几何模型，生成相应的若干参数组合；基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；
步骤S4，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合；基于所述最优解集合，生成所述高速离心泵对应的结构模型。
2.如权利要求1所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S1中，基于高速离心泵的部件结构信息，构建所述高速离心泵的初始模型，包括：
基于高速离心泵的叶轮和蜗壳各自的形状结构信息，构建所述高速离心泵对应的单级高速离心泵初始模型；对所述单级高速离心泵初始模型进行初始模型运行仿真操作，得到所述单级高速离心泵初始模型的运行仿真数据结果；
基于所述运行仿真数据结果，确定所述单级高速离心泵初始模型允许进行调整的叶轮几何参数；其中，所述叶轮几何参数包括叶轮进口直径、叶轮出口宽度、叶片进口角、叶片出口角、叶片数、叶轮直径、叶片包角、蜗壳进口宽度、蜗壳基圆直径、隔舌安放角。
3.如权利要求2所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S1中，对所述初始模型进行CFD数值计算处理，得到所述初始模型对应的几何参数初始值，包括：
对所述单级高速离心泵初始模型进行非结构网格划分处理，得到关于所述单级高速离心泵初始模型的全局计算域集群；对所述全局计算域集群下属所有计算域进行关于所述单级高速离心泵初始模型的全流道CFD数值模拟，得到所述单级高速离心泵初始模型内部的水流状态信息；
基于所述水流状态信息，确定所述单级高速离心泵初始模型具有最优流量传输效率的情况下所述允许进行调整的叶轮几何参数对应的初始值。
4.如权利要求3所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S2中，构建高速离心泵的水力损失模型，对所述水力损失模型进行全局灵敏度分析，确定对所述高速离心泵进行多目标优化设计对应的所有待优化目标参数；基于所述几何参数初始值，确定所有待优化目标参数各自的取值范围，包括：
基于高速离心泵的水力损失来源，确定所述高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建所述高速离心泵的全局水力损失模型；
对所述全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对所述高速离心泵进行多目标优化设计对应的待优化目标参数；再对所述待优化目标参数对应的几何参数初始值进行扩展，确定所有待优化目标参数各自的取值范围。
5.如权利要求4所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S2中，基于高速离心泵的水力损失来源，确定所述高速离心泵对应的若干单一水力损失模型；再基于所有单一水力损失模型，构建所述高速离心泵的全局水力损失模型，包括：
基于高速离心泵的吸入式水力损失、叶轮进口水力损失、叶轮流道摩擦损失、叶轮内扩散收缩损失、进口液流变向水力损失、叶轮出口水力损失、蜗壳流道摩擦损失和蜗壳内扩散损失，分别一一对应确定所述高速离心泵对应的八个单一水力损失模型；再对所述八个单一水力损失模型进行融合处理，构建所述高速离心泵的全局水力损失模型。
6.如权利要求5所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S2中，对所述全局水力损失模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数，以此作为对所述高速离心泵进行多目标优化设计对应的待优化目标参数，包括：
对所述全局水力损失模型进行分析，得到所述高速离心泵的空化余量计算模型和水力效率计算模型；
对所述空化余量计算模型和所述水力效率计算模型进行关于所有允许进行调整的叶轮几何参数的调整改变，得到每个允许进行调整的叶轮几何参数发生改变时对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数；其中，对所述高速离心泵的空化余量和/或水力效率影响最大的若干叶轮几何参数包括叶轮进口直径、叶轮出口宽度和叶片出口角。
7.如权利要求6所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S3中，基于所有待优化目标参数各自的取值范围，选取关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，生成所有待优化目标参数对应的参数几何模型；基于所述参数几何模型，生成相应的若干参数组合，包括：
对所有待优化目标参数各自的取值范围进行均匀抽样处理，选取得到关于每个待优化目标参数的若干数据样本；基于选取的所有数据样本，在CFturbo中一一对应建立相应的叶轮参数几何模型；再对所有叶轮参数几何模型分别进行CFD数值计算处理，得到与所有叶轮参数几何模型一一对应的若干参数组合；其中，所述参数组合为关于叶轮进口直径、叶轮出口宽度和叶片出口角的参数组合。
8.如权利要求7所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S3中，基于所有参数组合，对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数，包括：
将所有参数组合中的一部分参数组合作为训练集，另一部分参数组合作为测试集，再基于所述训练集和所述测试集，依次对SVM回归预测模型进行训练和测试处理，得到关于每个待优化目标参数的单一目标函数；确定所述单一目标函数在SVM预测处理和CFD计算处理下对应的SVM预测值和CFD计算值；若所述SVM预测值和所述CFD计算值相等，则将所述单一目标函数作为所述待优化目标参数的最终单一目标函数；否则，从所述参数组合获取新的训练集和测试集，依次对SVM回归预测模型进行训练和测试处理，得到新的单一目标函数，直到新的单一目标函数对应的SVM预测值和CFD计算值相等为止。
9.如权利要求8所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S4中，对所有待优化目标参数的所有单一目标函数进行关于非支配排序遗传算法的多目标寻优处理，得到关于所有待优化目标参数的最优解集合，包括：
对所有待优化目标参数对应的所有单一目标函数进行整合处理，得到相应的多目标优化问题函数；基于非支配排序遗传算法，对所述多目标优化问题函数在所述取值范围内进行多目标寻优处理，得到关于所有待优化目标参数的最优解集合。
10.如权利要求9所述的高速离心泵叶轮多目标优化设计方法，其特征在于：
在所述步骤S4中，基于所述最优解集合，生成所述高速离心泵对应的结构模型，包括：
基于所述最优解集合，进行空间曲面拟合，从而生成所述高速离心泵对应的最优结构模型。
CN202410206632.7A 2024-02-26 2024-02-26 高速离心泵叶轮多目标优化设计方法 Active CN117807893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410206632.7A CN117807893B (zh) 2024-02-26 2024-02-26 高速离心泵叶轮多目标优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410206632.7A CN117807893B (zh) 2024-02-26 2024-02-26 高速离心泵叶轮多目标优化设计方法

Publications (2)

Publication Number Publication Date
CN117807893A true CN117807893A (zh) 2024-04-02
CN117807893B CN117807893B (zh) 2024-05-03

Family

ID=90425688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410206632.7A Active CN117807893B (zh) 2024-02-26 2024-02-26 高速离心泵叶轮多目标优化设计方法

Country Status (1)

Country Link
CN (1) CN117807893B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118332911A (zh) * 2024-04-24 2024-07-12 江苏大学流体机械温岭研究院 一种可即时降维的管道泵多目标协同优化方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR367958A (fr) * 1906-07-10 1906-11-14 Maison Peretti Gazogène nouveau à saturation continue pour boissons gazeuses, eaux minérales artificielles et vins écumeux
CN105275833A (zh) * 2015-10-30 2016-01-27 北京航空航天大学 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
US20180157838A1 (en) * 2016-12-07 2018-06-07 General Electric Company Feature and boundary tuning for threat detection in industrial asset control system
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN113177271A (zh) * 2021-03-31 2021-07-27 江苏大学 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
CN114548272A (zh) * 2022-02-22 2022-05-27 中国计量大学 一种离心泵空化状态识别方法
CN115758918A (zh) * 2022-09-26 2023-03-07 中国计量大学 一种多级离心泵空间导叶优化方法
CN116578843A (zh) * 2023-05-22 2023-08-11 合肥工业大学 离心泵诊断模型训练方法、诊断方法、系统、装置及介质
WO2023164526A1 (en) * 2022-02-25 2023-08-31 Schlumberger Technology Corporation Pump control framework
CN117235934A (zh) * 2023-10-28 2023-12-15 大连海事大学 一种离心泵退化监测与退化等级识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR367958A (fr) * 1906-07-10 1906-11-14 Maison Peretti Gazogène nouveau à saturation continue pour boissons gazeuses, eaux minérales artificielles et vins écumeux
CN105275833A (zh) * 2015-10-30 2016-01-27 北京航空航天大学 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20180157838A1 (en) * 2016-12-07 2018-06-07 General Electric Company Feature and boundary tuning for threat detection in industrial asset control system
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
CN113177271A (zh) * 2021-03-31 2021-07-27 江苏大学 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
CN114548272A (zh) * 2022-02-22 2022-05-27 中国计量大学 一种离心泵空化状态识别方法
WO2023164526A1 (en) * 2022-02-25 2023-08-31 Schlumberger Technology Corporation Pump control framework
CN115758918A (zh) * 2022-09-26 2023-03-07 中国计量大学 一种多级离心泵空间导叶优化方法
CN116578843A (zh) * 2023-05-22 2023-08-11 合肥工业大学 离心泵诊断模型训练方法、诊断方法、系统、装置及介质
CN117235934A (zh) * 2023-10-28 2023-12-15 大连海事大学 一种离心泵退化监测与退化等级识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
姜丙孝;杨军虎;白小榜;王晓晖;: "基于高维混合模型与遗传算法的离心泵叶片优化", 华中科技大学学报(自然科学版), no. 07, 31 December 2020 (2020-12-31), pages 133 - 137 *
宋冬梅;廖功磊;刘雪垠;杨怀学;: "基于湍流数值模拟的双吸离心泵性能预测", 机械, no. 08, 25 August 2017 (2017-08-25), pages 24 - 27 *
张翔等: "基于PB-NSGA-Ⅲ算法的高速离心泵叶轮性能优化研究", 机电工程, 7 September 2023 (2023-09-07), pages 1948 - 1956 *
汪家琼;孔繁余;: "多级离心泵叶轮与导叶水力性能优化研究", 华中科技大学学报(自然科学版), no. 03, 23 March 2013 (2013-03-23), pages 97 - 101 *
蔡佑林;王立祥;张新;: "混流泵叶轮三元可控速度矩的设计", 流体机械, no. 11, 28 November 2005 (2005-11-28), pages 14 - 16 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118332911A (zh) * 2024-04-24 2024-07-12 江苏大学流体机械温岭研究院 一种可即时降维的管道泵多目标协同优化方法及系统

Also Published As

Publication number Publication date
CN117807893B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN117807893B (zh) 高速离心泵叶轮多目标优化设计方法
Trigg et al. Automatic genetic optimization approach to two-dimensional blade profile design for steam turbines
Pei et al. Multi-point optimization on meridional shape of a centrifugal pump impeller for performance improvement
Wang et al. Application of different surrogate models on the optimization of centrifugal pump
Pei et al. Multiparameter optimization for the nonlinear performance improvement of centrifugal pumps using a multilayer neural network
Li et al. Multipoint and multiobjective optimization of a centrifugal compressor impeller based on genetic algorithm
Zhang et al. Optimization of a centrifugal pump to improve hydraulic efficiency and reduce hydro-induced vibration
KR102496082B1 (ko) 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치
CN111046504B (zh) 一种适用于仿生叶片泵几何参数的低噪声优化方法
Zhao et al. Multiobjective optimization of a tubular pump to improve the applicable operating head and hydraulic performance
Bashiri et al. Design optimization of a centrifugal pump using particle swarm optimization algorithm
Rong et al. Improving the hydraulic performance of a high-speed submersible axial flow pump based on CFD technology
Nguyen et al. Hydrodynamic optimization of the impeller and diffuser vane of an axial-flow pump
Han et al. Multiple parameters and multiple conditions optimization based on two steps strategy for an axial flow pump
Lin et al. Performance prediction and optimization of hydrogenation feed pump based on particle swarm optimization–least squares support vector regression surrogate model
Wu et al. Multi-parameter optimization and analysis on performance of a mixed flow pump
CN117150672A (zh) 一种离心泵叶片厚度自动寻优方法
Yi et al. Investigation on the optimal design and flow mechanism of high pressure ratio impeller with machine learning method
Xu et al. Development of a low flow coefficient single stage centrifugal compressor
CN114398838A (zh) 一种考虑性能约束的离心泵性能智能预测方法
CN114297793A (zh) 海水淡化泵叶轮结构多学科优化设计方法
Zangeneh et al. A fast 3D inverse design based multi-objective optimization strategy for design of pumps
CN112784375B (zh) 一种基于离散型遗传算法的高效低脉动叶片泵优化方法
Popov et al. Optimization Method of the Multistage Axial Compressors Using CFD Simulation
CN114201926B (zh) 离心泵性能曲线样本获取方法及其在机器学习中的应用

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