KR102496082B1 - 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치 - Google Patents

원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치 Download PDF

Info

Publication number
KR102496082B1
KR102496082B1 KR1020220063995A KR20220063995A KR102496082B1 KR 102496082 B1 KR102496082 B1 KR 102496082B1 KR 1020220063995 A KR1020220063995 A KR 1020220063995A KR 20220063995 A KR20220063995 A KR 20220063995A KR 102496082 B1 KR102496082 B1 KR 102496082B1
Authority
KR
South Korea
Prior art keywords
design
centrifugal pump
surrogate model
numerical
simulation
Prior art date
Application number
KR1020220063995A
Other languages
English (en)
Inventor
김법렬
이동은
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020220063995A priority Critical patent/KR102496082B1/ko
Application granted granted Critical
Publication of KR102496082B1 publication Critical patent/KR102496082B1/ko

Links

Images

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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/18—Rotors
    • F04D29/22—Rotors specially for centrifugal pumps
    • F04D29/2205—Conventional flow pattern
    • F04D29/2222—Construction and assembly
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/18—Rotors
    • F04D29/22—Rotors specially for centrifugal pumps
    • F04D29/24—Vanes
    • F04D29/242—Geometry, shape
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2240/00—Components
    • F05D2240/20—Rotors
    • F05D2240/30—Characteristics of rotor blades, i.e. of any element transforming dynamic fluid energy to or from rotational energy and being attached to a rotor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

본 발명은 원심 펌프의 설계 최적화 방법 및 컴퓨팅 장치를 개시한다.
보다 자세하게, 설계 최적화 방법은 서로 다른 점도를 갖는 유체를 고려하여 원심 펌프를 구동하기 위한 임펠러에 포함된 블레이드의 길이 및 각도를 최적화된 설계 치수로 조정함으로써, 임펠러의 유압 손실을 개선하며, 이를 통한 원심 펌프의 성능을 향상시키는 방법을 제공한다.

Description

원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치{DESIGN OPTIMIZITION METHOD FOR CENTRIFUGAL PUMP AND, COMPUTING APPARATUS FOR PERFORMING THE METHOD}
본 발명은 원심 펌프에 대한 설계 최적화 방법 및 컴퓨팅 장치에 관한 것으로, 보다 구체적으로는 서로 다른 점도를 갖는 유체가 펌핑되는 원심 펌프의 성능을 최적화하는 방법에 관한 것이다.
일반적으로 원심 펌프는 물, 기름, 화학 물질 및 슬러리를 운반하는 데 가장 널리 사용되는 회전식 펌프이다. 원심 펌프는 다양한 분야에서 널이 사용되나, 점성 유체를 운송하는 과정에서 가장 일반적인 문제가 발생한다. 다시 말해, 점성 유체는 운송되는 과정에서 점성 유체의 점도가 증가하게 되고, 점도의 증가로 인해 원심 펌프의 성능이 저하되는 문제를 포함한다.
이러한 문제점을 개선하기 위해, 연구자들은 원심 펌프의 성능에 관한 점성 오일의 영향을 연구해왔다. 연구를 통해 원심 펌프는 점성 유체가 유입되는 입구 재순환, 디스크 마찰 및 표피 마찰 손실로 인한 수두 손실 중 적어도 하나에 의해 성능이 감소하는 것을 확인하였다. 또한, 표피 마찰 및 디스크 마찰에 의한 원심 펌프의 손실은 점성 유체를 펌핑하는 동안에 발생되는 주요 손실 요인이다.
원심 펌프의 성능은 미국 수렵 협회(Hydraulic Institute)에서 제공하는 상관 관계 차트를 사용하여 원심 펌프의 내부에서 펌핑되는 다양한 점성 오일을 분석적으로 계산한다. 여기서, 원심 펌프의 성능은 상관 관계 차트 외에도 임펠러 또는 볼류트의 설계 매개 변수를 조작하여 성능을 개선하려는 방법이 존재한다. 설계 매개 변수는 랩 각도, 입구 블레이드 및 출구 블레이드 각도를 포함하며, 이는 원심 펌프의 성능에 영향을 미친다. 다시 말해, 랩 각도는 입력 전력 증가로 원심 펌프의 수두 및 유압 효율을 증가시킨다. 입구 블레이드 및 출구 블레이드의 각 각도는 입구 재순환 및 캐비테이션(Cavitation)의 성능 변화에 따른 효율을 증가시키며, 출구 블레이드 각도의 증가는 임펠러 또는, 볼류트의 유압 손실을 개선한다. 다만, 이는 원심 펌프의 흐름 패턴을 왜곡하게 된다.
원심 펌프는 광범위한 작동 범위 내에서 점성 유체를 처리함에 있어, 유체-고체 상호 작용의 총 표면적 증가로 인한 전단 손실을 줄일 수 있다. 그러나, 이는 설계 매개 변수 및 제약으로 인해 복잡하고 시간이 많이 걸리며, 다중 목표로 인한 복잡성을 더욱 증가시킨다.
본 발명은 원심 펌프에 유입된 점성 유체를 펌핑하는 과정에서의 잠재적인 성능을 개선하기 위해 원심 펌프의 설계 변수를 최적화하는 방법을 제공한다.
본 발명은 원심 펌프의 설계 변수를 이용하여 블레이드의 길이와 랩 각도를 조절함으로써, 최대 헤드 및 최소 입력 전력을 위한 최적의 임펠러를 설계함과 동시에 다양한 점도를 갖는 유체를 펌핑하는 방법을 제공한다.
본 발명은 인공 신경망 모델을 통해 복잡한 원심 펌프의 설계 변수를 학습한 후, 대리 모델을 통해 사전에 학습된 원심 펌프의 설계 변수에 관한 반복 학습을 수행함으로써, 보다 효율적으로 원심 펌프의 설계 포인트를 결정 및 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하는 방법을 제공한다.
본 발명은 대리 모델을 통해 반복 학습된 원심 펌프의 설계 변수의 신뢰성을 검증하기 위해 CFD 시뮬레이션을 재 수행함으로써, 유체가 펑핌되는 원심 펌프의 다중 목표에 따른 목적 함수를 최대화 및 최소화하는 방법을 제공한다.
본 발명의 일실시예에 따른 설계 최적화 방법은 원심 펌프의 성능을 파악하기 위한 실험 계획을 결정하는 단계; 실험 계획에 따른 원심 펌프로 유입된 유체의 흐름을 나타내는 수치 정보에 기초하여 수치 시뮬레이션을 수행하는 단계; 수치 시뮬레이션의 결과로 도출된 샘플 정보를 이용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하는 단계; 및 상기 대리 모델을 통해 예측된 원심 펌프의 설계 포인트를 이용하여 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하는 단계; 를 포함할 수 있다.
본 발명의 실시예에 따른 실험 계획을 결정하는 단계는, 원심 펌프를 구성하는 블레이드의 형상을 최적화하기 위한 원심 펌프의 설계 공간 및 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정할 수 있다.
본 발명의 실시예에 따른 실험 계획을 결정하는 단계는, 서로 다른 점도를 갖는 유체의 유변학적 특성을 고려하여 블레이드의 형상을 최적화하기 위한 실험 계획을 결정할 수 있다.
본 발명의 실시예에 따른 수치 시뮬레이션을 수행하는 단계는, 원심 펌프에서 펌핑되는 임펠러의 유동 영역을 결정하는 단계; 유동 해석을 통해 유동 영역에서 회전하는 유체에 대한 압력, 속도, 온도 중 적어도 하나의 수치 정보를 결정하는 단계; 및 수치 정보를 시각화하기 위한 수치 시뮬레이션을 수행하는 단계; 를 포함할 수 있다.
본 발명의 실시예에 따른 수치 시뮬레이션을 수행하는 단계는, 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위한 수치 시뮬레이션을 수행할 수 있다.
본 발명의 실시예에 따른 대리 모델을 수행하는 단계는, 대리 학습 모델 및 유전 알고리즘을 통해 샘플 정보를 학습하여 원심 펌프의 설계 포인트를 예측하기 위한 대리 모델을 수행할 수 있다.
본 발명의 실시예에 따른 대리 모델을 수행하는 단계는, 상기 학습된 샘플 정보로부터 원심 펌프에서 펌핑되는 유체의 순간 방점 지점과 샘플 설계 지점에서의 방전 비율을 고려하여 대리 모델을 수행할 수 있다.
본 발명의 실시예에 따른 원심 펌프의 설계 수치를 업데이트하는 단계는, 원심 펌프의 설계 포인트에 따른 원심 펌프에서 펌핑되는 유체의 점도가 사전에 설정된 점도의 특정 범위에 포함되는지 여부를 확인하는 단계; 및 확인 여부에 따른 원심 펌프의 설계 수치를 업데이트하는 단계; 를 포함할 수 있다.
본 발명의 다른 실시예에 따른 설계 최적화 방법은 서로 다른 점도를 갖는 유체가 유입되는 원심 펌프의 성능을 파악하기 위한 실험 계획을 결정하는 단계; 원심 펌프의 내부로 유입되는 유체가 원심 펌프의 임펠러 내 펌핑되는 유동 영역을 결정하는 단계; 유동 영역에서 회전하는 유체의 흐름에 따른 수치 정보를 이용하여 유동 해석에 따른 수치 시뮬레이션을 수행하는 단계; 수치 시뮬레이션을 통해 도출되는 샘플 정보를 유전 알고리즘에 적용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하는 단계; 대리 모델을 통해 설정된 샘플 설계 지점을 이용하여 수치 시뮬레이션의 결과로 도출된 샘플 정보를 검증하는 단계; 및 검증된 결과로부터 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하는 단계; 를 포함할 수 있다.
본 발명의 실시예에 따른 실험 계획을 결정하는 단계는, 원심 펌프를 구성하는 블레이드의 형상을 최적화하기 위한 원심 펌프의 설계 공간 및 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정할 수 있다.
본 발명의 실시예에 따른 실험 계획을 결정하는 단계는, 서로 다른 점도를 갖는 유체의 유변학적 특성을 고려하여 블레이드의 형상을 최적화하기 위한 실험 계획을 결정할 수 있다.
본 발명의 실시예에 따른 수치 시뮬레이션을 수행하는 단계는, 원심 펌프에서 펌핑되는 임펠러의 유동 영역을 결정하는 단계; 유동 해석(CFD: Computational Fluid Dynamics)을 통해 유동 영역에서 회전하는 유체에 대한 압력, 속도, 온도 중 적어도 하나의 수치 정보를 결정하는 단계; 및 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위한 수치 시뮬레이션을 수행하는 단계; 를 포함할 수 있다.
본 발명의 실시예에 따른 대리 모델을 수행하는 단계는, 대리 학습 모델 및 유전 알고리즘을 통해 샘플 정보를 학습하여 원심 펌프의 설계 포인트를 예측하기 위한 대리 모델을 수행할 수 있다.
본 발명의 실시예에 따른 대리 모델을 수행하는 단계는, 상기 학습된 샘플 정보로부터 원심 펌프에서 펌핑되는 유체의 순간 방점 지점과 샘플 설계 지점에서의 방전 비율을 고려하여 대리 모델을 수행할 수 있다.
본 발명의 실시예에 따른 원심 펌프의 설계 수치를 업데이트하는 단계는, 원심 펌프의 설계 포인트에 따른 원심 펌프에서 펌핑되는 유체의 점도가 사전에 설정된 점도의 특정 범위에 포함되는지 여부를 확인하여 원심 펌프의 설계 수치를 업데이트할 수 있다.
본 발명의 일실시예에 따른 설계 최적화 방법을 수행하는 컴퓨팅 장치에 있어서, 상기 컴퓨팅 장치는 프로세서를 포함하고, 상기 프로세서는, 원심 펌프의 성능을 파악하기 위한 실험 계획을 결정하고, 실험 계획에 따른 원심 펌프로 유입된 유체의 흐름을 나타내는 수치 정보에 기초하여 수치 시뮬레이션을 수행하고, 수치 시뮬레이션의 결과로 도출된 샘플 정보를 이용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하고, 상기 대리 모델을 통해 예측된 원심 펌프의 설계 포인트를 이용하여 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트할 수 있다.
본 발명의 다른 실시예에 따른 설계 최적화 방법을 수행하는 컴퓨팅 장치에 있어서, 상기 컴퓨팅 장치는 프로세서를 포함하고, 상기 프로세서는, 서로 다른 점도를 갖는 유체가 유입되는 원심 펌프의 성능을 파악하기 위한 실험 계획을 결정하고, 원심 펌프의 내부로 유입되는 유체가 원심 펌프의 임펠러 내 펌핑되는 유동 영역을 결정하고, 유동 영역에서 회전하는 유체의 흐름에 따른 수치 정보를 이용하여 유동 해석에 따른 수치 시뮬레이션을 수행하고, 수치 시뮬레이션을 통해 도출되는 샘플 정보를 유전 알고리즘에 적용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하고, 대리 모델을 통해 설정된 샘플 설계 지점을 이용하여 수치 시뮬레이션의 결과로 도출된 샘플 정보를 검증하고, 검증된 결과로부터 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트할 수 있다.
본 발명의 일실시예에 따른 설계 최적화 방법은 원심 펌프에 유입된 점성 유체를 펌핑하는 과정에서의 잠재적인 성능을 개선하기 위해 원심 펌프의 설계 변수를 최적화할 수 있다.
본 발명의 일실시예에 따른 설계 최적화 방법은 원심 펌프의 설계 변수를 이용하여 블레이드의 길이와 랩 각도를 조절함으로써, 최대 헤드 및 최소 입력 전력을 위한 최적의 임펠러를 설계함과 동시에 다양한 점도를 갖는 유체를 펌핑할 수 있다.
본 발명의 일실시예에 따른 설계 최적화 방법은 인공 신경망 모델을 통해 복잡한 원심 펌프의 설계 변수를 학습한 후, 대리 모델을 통해 사전에 학습된 원심 펌프의 설계 변수에 관한 반복 학습을 수행함으로써, 보다 효율적으로 원심 펌프의 설계 포인트를 결정 및 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트할 수 있다.
본 발명의 일실시예에 따른 설계 최적화 방법은 대리 모델을 통해 반복 학습된 원심 펌프의 설계 변수의 신뢰성을 검증하기 위해 CFD 시뮬레이션을 재 수행함으로써, 유체가 펑핌되는 원심 펌프의 다중 목표에 따른 목적 함수를 최대화 및 최소화활 수 있다.
도 1은 본 발명의 일실시예에 따른 원심 펌프의 성능을 최적화하는 전반적인 구성을 설명하기 위해 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 설계 최적화 방법을 수행하는 컴퓨팅 장치의 프로세서를 설명하기 위해 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 원심 펌프의 흐름 영역, 임펠러의 흐름 영역 및 메쉬 구조를 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 수치 시뮬레이션을 통해 도출된 결과를 검증한 그래프이다.
도 5는 본 발명의 일실시예에 따른 원심 펌프에서 펌핑되는 유체의 점도 및 속도를 나타낸 그래프이다.
도 6은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체를 이용하여 수치 시뮬레이션을 수행하는 과정을 설명하기 위해 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체에 대한 원심 펌프의 성능을 비교하는 과정을 설명하기 위해 도시한 도면이다.
도 8 내지 도 10은 본 발명의 실시예에 따른 서로 다른 점도를 갖는 유체의 흐름 패턴을 분석하기 위해 도시한 도면이다.
도 11은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체에 따른 최대 헤드와 최소 입력 전력 간의 관계를 나타낸 도면이다.
도 12는 본 발명의 일실시예에 따른 랩 각도 및 스플리터 길이에 따른 점도 관계를 나타내는 수치를 나타낸 그래프이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 원심 펌프의 성능을 최적화하는 전반적인 구성을 설명하기 위해 도시한 도면이다.
도 1을 참고하면, 컴퓨팅 장치(101)는 원심 펌프(103, Centrifugal Pump)에 포함된 블레이드의 길이 및 랩 각도를 조절함으로써, 서로 다른 점도를 갖는 다양한 유체를 펌핑하도록 원심 펌프(103)의 임펠러(104, Impeller)를 최적화할 수 있다. 다시 말해, 컴퓨팅 장치(101)는 서로 다른 점도를 갖는 유체를 고려하여 원심 펌프(103)의 임펠러(104)에 포함된 블레이드의 길이 및 각도를 조정함으로써, 임펠러(104)의 유압 손실을 개선하며, 원심 펌프(103)의 성능을 향상시킬 수 있다.
원심 펌프(103)의 성능은 블레이드에 의해 임펠러에 형성되는 통로의 압력 변동인 와류 형성을 줄임으로써 향상될 수 있다. 유체에 따른 최적의 임펠러(104)로 설계된 원심 펌프(103)는 임펠러(10$)의 출구에서 역류 영역을 억제하는 유체 흐름을 균일하게 형성시킬 수 있다.
이와 관련하여, 원심 펌프(103)는 블레이드를 갖는 임펠러(104)를 포함할 수 있다. 임펠러(104)에 포함된 블레이드는 메인 블레이드(105, Main Blade)와 스플리터 블레이드(106, Splitter Blade)로 구분될 수 있으며, 본 발명은 원심 펌프(103)의 성능을 최적화하기 위해 임펠러(104)에 스플리터 블레이드(106)를 추가 배치할 수 있다. 여기서, 스플리터 블레이드(106)는 최적의 디자인으로 구성되기 위한 다양한 길이를 제외하고 메인 블레이드(105)의 프로파일과 동일한 특성으로 구성될 수 있다. 또한, 임펠러(104)는 반시계 방향으로 회전하고 유체는 입구에서 들어가 블레이드 통로를 통과하고 임펠러(104)의 출구로 이동할 수 있다. 이는 도 3의 (b)와 같이 나타낼 수 있다.
여기서, 메인 블레이드(105)는 임펠러(104) 상에 복수 개로 존재할 수 있으며, 임펠러(104)의 중심축을 기준으로 유체의 흐름 방향에 따라 일정 간격으로 이격 배치될 수 있다. 이격 배치된 복수의 메인 블레이드(105) 사이에는 적어도 하나의 스플리터 블레이드(106)가 배치될 수 있다. 일례로, 스플리터 블레이드(106)를 원심 펌프(103)의 임펠러 설계에 활용되는 것은 일반적으로 블레이드에서 발생하는 부하를 줄이고, 로터의 효율을 개선시킬 수 있다. 임펠러에 배치되는 블레이드는 최대 5개까지 배치 가능하며, 유압 효율을 개선하는데 최적일 수 있다. 일례로, 임펠러는 5개의 메인 블레이드(105)와 5개의 스플리터 블레이드(106)로 구성될 수 있으며, 총 10개의 블레이드를 포함할 수 있다.
본 발명은 스플리터 블레이드(106)를 임펠러(104)에 배치시킴으로써, 원심 펌프(103)에서 서로 다른 점도를 갖는 다양한 유체를 펌핑하는데 보다 유용할 수 있다. 다시 말해, 본 발명은 원심 펌프(103)의 성능을 향상시킬 수 있는 다양한 유체의 점도 및 원심 펌프(103)의 매개 변수에 영향을 받을 수 있다. 여기서, 매개 변수는 유체를 펌핑하는 동안 잠재적인 원심 펌프(103)의 성능을 개선하는 특성으로 식별되는 스플리터 블레이드(106)의 길이와 랩 각도를 포함할 수 있다. 일례로, 초기의 임펠러 설계는 5개의 블레이드와 랩 각도 170°가 있는 임펠러로 구성될 수 있다. 이에 따라, 본 발명은 위에서 언급한 바와 같이 최적화를 위해 스플리터 블레이드(106)가 유로에 구현될 수 있다.
본 발명은 서로 다른 점도의 유체를 펌핑하면서 원심 펌프(103)의 성능을 최적화하기 위해 인공 신경망 기반의 직접 설계 최적화 기술을 이용할 수 있다. 일례로, 컴퓨팅 장치(101)는 다목적 최적화를 위한 인공 신경망(ANN: Artificial Neural Network) 및 NSGA-II 진화 알고리즘을 사용하여 달성할 수 있다. 다만, 최적화 기술은 단일 목표 및/또는 다중 목표를 가질 수 있으며, 다중 목표를 갖는 최적화는 상충되는 목표로 인해 복잡성을 더욱 증가시킬 수 있다.
이에, 컴퓨팅 장치(101)는 원심 펌프(103)의 헤드를 최대화하고 입력 전력을 최소화하는 다중 목표에 관한 다목적 최적화를 수행할 수 있다. 컴퓨팅 장치(101)는 복잡한 설계 모델에 대한 직접 설계 방법으로 대리 모델을 이용한 다목적 최적화를 수행할 수 있다. 일례로, 대리 모델은 복잡한 설계를 처리하기 위한 적은 반복으로 최적의 설계를 수렴할 수 있다. 또한, 대리 모델은 다양한 최적화 모델 중 훈련된 인공 신경망을 사용하면 빠른 검색 알고리즘을 보다 효율적으로 적용할 수 있다.
보다 자세하게, 본 발명은 다목적 문제에 대한 파레토 최적 곡선을 얻기 위해 NSGA-II(Non-dominate Sorting Genetic Algorithm) 검색 알고리즘을 적용할 수 있다. NSGA-II는 공유 기능 접근 방식을 이전 버전 NSGA의 한계를 제거하는 복잡한 비교 접근 방식으로 대체 가능할 수 있다. 비교 접근 방식은 목적 함수의 양쪽에 있는 두 점의 평균 거리로 계산되는 밀도 추정 메트릭을 정의한 후 정의될 수 있다. 비교 접근 방식은 균일하게 퍼진 POF를 향한 알고리즘의 모든 단계에서 선택 프로세스를 지원할 수 있다. 결국, NAGA-II는 또한 실제 문제를 해결한다는 관점에서 제약 기반 다중 목표 최적화에 더 효율적으로 작용할 수 있다.
이를 통해, 본 발명은 매개 변수를 기반으로 유체의 점도가 증가할수록 랩 각도가 감소되며, 랩 감소는 최소한의 입력 전력 증가로 헤드의 성능이 향상될 수 있다. 결국, 본 발명은 최대 헤드 및 최소 입력 전력을 위한 최적의 임펠러 설계와 함께 다양한 점도의 유체를 펌핑하기 위한 스플리터 블레이드(106)의 길이 및 랩 각도가 결합된 효과를 제시할 수 있다.
또한, 본 발명은 입력 전력을 최소화하는 것이 목표인 경우, 유체의 점도가 증가하면서 랩 각도가 감소하고, 랩 각도가 감소됨에 따라 입력 전력이 향상될 수 있다. 결국, 스플리터 블레이드(106)의 길이는 헤드를 개선하는 것보다 입력 전력을 최소화하는데 활용될 수 있다. 본 발명은 헤드를 개선하는 것보다는 입력 전력을 최소화함으로써, 스플리터 블레이드(106)의 길이를 줄이고, 스플리터 블레이드(106)의 줄어든 길이에 대응하여 저 점도를 갖는 유체(Low Specific Speed Oil)에 대한 입력 전력을 향상시킬 수 있습니다.
그러므로, 본 발명은 헤드와 입력 전력의 효율을 향상시키기 위해, 특정 점도 범위를 갖는 유체에 관한 원심 펌프(103)의 임펠러(104)에 대한 설계를 최적화하여 원심 펌프(103)의 성능을 향상시킬 수 있다.
도 2는 본 발명의 일실시예에 따른 컴퓨팅 장치의 프로세서를 설명하기 위해 도시한 도면이다.
도 2를 참고하면, 컴퓨팅 장치는 프로세서를 포함할 수 있으며, 프로세서는 메모리 및 스토리지를 포함할 수 있으며, 메모리는 프로세서에 의해 실행되는 프로그램을 로드(load)하는 동작을 수행하고, 스토리지는 프로세서에 의해 실행되는 프로그램을 저장하는 동작을 수행할 수 있다. 이에 따른 프로그램은 ① 시뮬레이션 과정(201)과 ② 최적화 과정(202)을 수행함으로써, 서로 다른 점도를 갖는 유체가 펌핑되는 원심 펌프의 성능을 최적화할 수 있다.
① 시뮬레이션 과정(Simulations Process)
본 발명에서의 시뮬레이션 과정은 원심 펌프의 형상을 선택 및 시뮬레이션을 수행하고, 시뮬레이션이 수행된 원심 펌프에 대한 실험적 테스트를 수행하는 과정일 수 있다.
단계(203)에서 프로그램은 다양한 유체의 흐름을 검토 및 시각화하기 위하여 원심 펌프를 선택하는 동작을 수행할 수 있다. 프로그램은 서로 다른 점도를 갖는 유체를 펌핑하기 위한 원심 펌프를 선택할 수 있다. 서로 다른 점도를 갖는 유체는 저 배속의 물과 오일이 혼합된 액체와 기체로, 전단 응력(shear stress) 또는, 외부의 힘(external force)에 의해 계속 변형되는 물질일 수 있다.
본 발명은 물 및/또는 오일을 펌핑하는 동안에 원심 펌프의 성능을 연구하기 위해 배관 시스템을 설정할 수 있다. 일례로, 본 발명은 배관 시스템과 함께 ISO 5198-1987 표준에 따라 원심 펌프의 실험적 흐름 루프를 설계할 수 있다. 이에 따라, 본 발명에서 사용 가능한 원심 펌프는 1,340rpm에서 20ft 헤드 및 220L/min 토출량의 설계 사양을 가진 저속 펌프일 수 있다. 입구 및 출구 압력은 기계적 압력 게이지를 사용하여 측정된 반면, 유량은 불확실성이 있는 초음파 질량 유량계를 통해 측정될 수 있다. 또한, 테스트에 사용된 원심 펌프의 불확도는 표 1과 같이 나타낼 수 있다.
계기(Instruments) 범위(Range)
압력계(Pressure Gauge) ± 0.5%
유량계(Flowmeter) ± 1%
유속계(Tachometer) ± 0.25%
전력계(PowerMeter) ± 0.25%
여기서, 입력 전력은 모터 손실을 포함하여 효율이 0.85인 에너지 미터를 사용하여 계산될 수 있다. 원심 펌프의 수력은 다음의 수학식 1을 사용하여 계산될 수 있다.
Figure 112022055248327-pat00001
여기서, P는 밀도, g는 중력 가속도, H는 펌프에 의해 생성된 헤드이며, 헤드는 다음의 수학식 2와 같이 나타낼 수 있다.
Figure 112022055248327-pat00002
여기서, P와 V는 펌프의 입구와 출구에서의 차압과 평균 유속을 나타낼 수 있다.
본 발명은 원심 펌프의 실험적 흐름 루프가 설계되면, 원심 펌프에 적용하기 위한 원심 펌프의 종류를 선택할 수 있다. 다시 말해, 프로그램은 유체의 유변학적 특성을 고려할 수 있으며, 프로그램은 물과 혼합 오일, 즉, 물, C1, C2 및 C3의 4 가지 형태로 구현된 서로 다른 유체를 원심 펌프에 적용하기 위한 원심 펌프의 종류를 선택할 수 있다.
단계(203)에서 프로그램은 원심 펌프의 흐름 영역에 따른 3차원에서 나비에 스토크스(Navier-Stokes) 방정식을 이용하여 전산 유체 역학(CFD, Computational Fluid Dynamics) 시뮬레이션을 수행할 수 있다. 여기서, 본 발명은 SST 난류 모델(Shear Stress Transport Turbulence Model)에 따른 나비에 스토크스 방정식을 사용하였으며, 전산 유체 역학 수치 알고리즘을 기반으로 유체 유동에 따른 지배 방정식을 이산화하기 위해 업-윈드 방식(Up-Wind)을 활용할 수 있다. 이에, 유체의 흐름은 일정하고 비압축성을 가지며, 3차원에서 레이놀즈 평균 나비에-스토크스(RANS: Reynolds Averaged Navier-Stokes Equations) 방정식은 다음의 수학식들과 같이 나타낼 수 있다.
Figure 112022055248327-pat00003
Figure 112022055248327-pat00004
상기 수학식 3은 연속 방정식이고, 수학식 4는 운동량 방정식을 나타낼 수 있다. 여기서,
Figure 112022055248327-pat00005
는 3차원 공간에서의 상대 유체 속도 벡터이고,
Figure 112022055248327-pat00006
는 반경 위치
Figure 112022055248327-pat00007
에서 임펠러의 각속도를 나타낼 수 있다. 점성 응력(
Figure 112022055248327-pat00008
)은 아래의 수학식 5와 같이 나타낼 수 있다.
Figure 112022055248327-pat00009
상기 수학식 5는 점성 및 난류 점도 항의 조합인 텐서 양을 나타낼 수 있다. 여기서,
Figure 112022055248327-pat00010
와
Figure 112022055248327-pat00011
는 각각 유체 점도와 평균 변형률 텐서의 곱을 나타내고, 수학식 3의 다음 항은 3차원 공간에서 레이놀즈 응력을 나타낼 수 있다. 유입 경계 조건과 유출 경계 조건은 각각 잔류 목표물
Figure 112022055248327-pat00012
의 수렴을 기준으로 총압력과 질량유량으로 설정할 수 있다.
단계(204)에서 프로그램은 전산 유체 역학(CFD) 시뮬레이션 된 수치 결과를 검증하는 동작을 수행할 수 있다. 본 발명에서 검증된 CFD 시뮬레이션은 최적화 과정에서의 수치 시뮬레이션(Numerical Simulations)을 수행하는데 활용될 수 있다.
② 최적화 과정(Optimization Process)
단계(205)에서 프로그램은 원심 펌프의 성능을 파악하기 위한 실험 계획(DOE: Design of Experiments)을 결정할 수 있다. 여기서, 본 발명은 원심 펌프의 성능을 향상시키기 위한 동작을 최적화의 문제로 공식화할 수 있다. 다시 말해, 최적화의 문제 두 개의 변수(분할기 블레이드 길이(X1) 및 랩 각도(X2)와 두 개의 목표 함수, 즉 헤드(H)의 최대화와 입력 전력(ψ)의 최소화로 공식화될 수 있다. 본 발명에서 제안하는 유형의 목표 함수는 하나의 목적이 개선되면, 다른 목적이 저하되기 때문에 종종 서로 일치하는 형태로 나타날 수 있다.
이에, 프로그램은 원심 펌프를 구성하는 블레이드의 형상을 최적화하기 위한 원심 펌프의 설계 공간 및 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정할 수 있다.
단계(206)에서 프로그램은 실험 계획에 따른 원심 펌프로 유입된 유체의 흐름을 나타내는 수치 정보에 기초하여 수치 시뮬레이션을 수행할 수 있다. 자세하게, 프로그램은 원심 펌프에서 펌핑되는 임펠러의 유동 영역을 결정할 수 있다. 프로그램은 유동 해석(CFD: Computational Fluid Dynamics)을 통해 유동 영역에서 회전하는 유체에 대한 압력, 속도, 온도 중 적어도 하나의 수치 정보를 결정할 수 있다. 프로그램은 수치 정보를 시각화하기 위한 수치 시뮬레이션을 수행할 수 있다.
여기서, 프로그램은 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위한 수치 시뮬레이션을 수행할 수 있다. 다시 말해, 터빈, 압축기 및 원심 펌프와 같은 복잡한 형상의 설계 최적화는 여러 설계 사례에 대한 수치 시뮬레이션이 몇 개월 시간이 걸릴 수 있으므로 시간이 많이 걸리는 문제가 존재한다. 이에, 본 발명은 대리 모델 기반의 직접 최적화 방법을 사용할 수 있다. 수치 시뮬레이션은 입력 변수 대 객관적 응답에 대한 데이터베이스를 생성하기 위해 샘플 설계 지점에서만 수행될 수 있다.
단계(207)에서 프로그램은 수치 시뮬레이션의 결과로 도출된 샘플 정보를 이용하여 원심 펌프의 성능을 학습하기 위한 대리 모델(surrogate modeling)하는 동작을 수행할 수 있다. 구체적으로, 인공 신경망(ANN)은 인간의 신경계와 유사하게 작동하는 수학적 메타 모델이며, 인공 신경망에서 사용되는 입력 데이터는 최초에 설정된 가중치와 편향을 기반으로 모델을 훈련하는 데 사용될 수 있다.\
여기서, 인공 신경망(ANN)은 랩 각도 및 스플리터 길이와 같은 입력 매개 변수에 대한 응답을 생성하는데 사용될 수 있다. 인공 신경망 모델은 우선적으로 샘플 설계를 사용하여 알려진 입력 및 응답에 관한 매개 변수로 훈련될 수 있다. 인공 신경망 모델은 설계 범위 내에서 새로운 설계에 관한 매개 변수로 새로운 응답을 생성할 수 있다.
인공 신경망 모델은 확장된 개념을 포함할 수 있다. 다시 말해, 인공 신경망 모델에 따른 네트워크에서 예측된 값은 훈련 패턴을 통해 얻은 가중치에 저장될 수 있다. 여기서, 훈련 패턴은 다음의 오류 추정 절차로 수행될 수 있다.
일례로, MATLAB 함수 newrb는 RBNN 네트워크를 설계하기 위해 두 개의 매개변수, 확산 상수(Sc) 및 오차 목표(EG)에 의존할 수 있다. 네트워크 훈련은 확산 상수(Sc)를 변경하여 교차 검증 오차를 조정하여 수행될 수 있다. 오류 목표(EG)는 기본값(0과 동일)으로 설정될 수 있다. 이에, 방사형 기저 접근 방식을 사용하는 주요 이점은 방사형 기저 함수의 선형 특성으로 인해 계산 비용을 줄일 수 있다.
이후, 새로운 입력 데이터가 제공되면, 인공 신경망(ANN)은 사전에 훈련된 기존 데이터와 새로운 입력 데이터를 비교하여 자체적으로 출력 데이터를 예측할 수 있다. 이러한 방식은 이전 지식과 경험에서 예측하는 인간의 기능을 모방하는 형태일 수 있다. 수학적으로 방사형 기저 함수는 입력과 출력의 두 계층 사이에 숨겨진 계층으로 사용될 수 있으며, 이는 아래의 표 2와 같이 나타낼 수 있다.
Figure 112022055248327-pat00013
프로그램은 데이터 베이스를 사용하여 대리 모델을 수행할 수 있다. 대리 모델은 충실도가 높은 모델에서 생성된 응답을 모방하여 다음의 설계 공간에 대한 응답으로 예측할 수 있다. 이 후, 프로그램은 유전 알고리즘과 대리 모델을 결합하여 설계 공간 내에서 최적의 지점을 도출할 수 있다. 각 유체(물, C1, C2, C3)는 다중 목표 설계 최적화의 개별 사례로 간주될 수 있다. 프로그램은 각 경우에 대해 샘플 설계에서 먼저 CFD 시뮬레이션을 수행한 다음 NSGA-II 검색 알고리즘을 통해 응답을 생성하고 파레토 최적 솔루션 프런트(POF)를 생성하도록 ANN 모델을 훈련할 수 있다. POF는 CFD 시뮬레이션과 같은 충실도가 높은 모델을 사용하여 다시 검증해야 하는 대략적인 최적 전선입니다. 따라서 CFD 시뮬레이션은 POF의 클러스터 포인트에서 수행될 수 있다.단계(208)에서 프로그램은 설계 공간 내에서 최적의 지점을 도출함에 있어, 다중 목표에 따른 최적화 문제에 대해 최적 설계 솔루션 또는 POF(Pareto Optimal Front) 세트를 생성할 수 있다. 프로그램은 최적 설계 솔루션 또는 POF(Pareto Optimal Front) 세트에 대한 신뢰성을 검증하기 위해 CFD 시뮬레이션을 통해 다시 검증할 수 있다. 일례로, 본 발명은 비지배 GA(NSGA-II)와 대리 모델을 결합하여 원심 펌프에 관한 최적의 솔루션을 예측한 후, MATLAB 코드를 통해 최적의 솔루션을 나타내는 POF를 생성할 수 있다. POF는 신뢰성을 검증하기 위해 CFD 시뮬레이션을 통해 다시 검증을 수행할 수 있다.
단계(209)에서 프로그램은 CFD 시뮬레이션을 통해 재 검증이 수행된 POF가 특정 점도 범위에 포함되는지 여부를 확인할 수 있다.
특정 점도 범위에 포함되지 않은 경우(209: No), 프로그램은 단계(206)로 회귀되어 수치 시뮬레이션을 반복하여 수행할 수 있다.
특정 점도 범위에 포함된 경우(209: Yes), 단계(210)에서 프로그램은 대리 모델을 통해 예측된 원심 펌프의 설계 포인트를 이용하여 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트할 수 있다. 여기에서 단계 209에서 프로그램은 특정 유체 점도의 경우에만 POF를 확인하는 데 도움이 될 수 있다. 또한, 서로 다른 점도 최적화 사례의 POF를 결합하면, 랩 각도 및 스플리터 길이와 같은 임펠러의 설계에 관한 매개 변수와 점도의 관계를 도출할 수 있다. 이는 도 12의 R1을 통해 확인이 가능할 수 있다. 도 12는 랩 각도 및 스플리터 길이에 따른 점도 관계를 나타내는 새로운 수치를 나타낸 그래프일 수 있다. R1은 관계 R1. 관계 X1 및 X2에 대한 μ의 경우를 나타내는 것으로, 도 12의 (a)는 최대화 수두(H)를 나타내고, 도 12의 b)는 입력 전력 최소화()를 나타낼 수 있다.
도 3은 본 발명의 일실시예에 따른 원심 펌프의 흐름 영역, 임펠러의 흐름 영역 및 메쉬 구조를 설명하기 위해 도시한 도면이다.
도 3의 (a)를 참고하면, 본 발명은 기하학적 모델을 갖는 원심 펌프의 형상을 정의할 수 있다. 여기서, 원심 펌프의 형상은 케이싱(Casing, 301) 및 임펠러(Impeller, 104)를 포함할 수 있으며, 원심 펌프의 흐름 영역은 임펠러(104)의 허브(Hub Clearance, 302)와 슈라우드(Shroud Clearance, 303)에 인접한 클리어런스의 흐름 영역으로 구성될 수 있다. 일례로, 본 발명은 CATIA V5 모델러 및 ANSYS bladegen 16.1을 사용하여 생성된 원심 펌프의 흐름 영역을 도출할 수 있다.
여기서, 원심 펌프에 포함된 각 영역의 치수는 실제로 사용되는 원심 펌프의 작동 모델로서, 리버스 엔지니어링 기법을 통해 측정될 수 있다. 허브(302)의 입구 블레이드 각도는 10°, 허브(302)의 출구 블레이드 각도는 36°로 정의될 수 있다. 슈라우드(303)의 입구 블레이드 각도는 40°, 허브(302)의 출구 블레이드 각도는 36° 로 정의될 수 있다. 임펠러(104)는 복수의 블레이드가 배치될 수 있으며, 복수의 블레이드 각각은 입구 블레이드에서 임펠러의 출구까지 170°의 랩 각도를 가질 수 있다.
도 3의 (b)를 참고하면, 스플리터 블레이드(304)가 포함된 임펠러(104)의 흐름 영역은 기하학적 모델을 갖는 원심 펌프의 형상에 의해 조정될 수 있다. 여기서, 원심 펌프는 임펠러(104)를 포함하며, 임펠러(104)는 메인 블레이드(305) 및 스플리터 블레이드(304)를 포함할 수 있다. 스플리터 블레이드(304)의 프로파일은 메인 블레이드(305)의 프로파일을 따를 수 있다. 일례로, 임펠러(104)의 유동 영역은 ANSYS bladegen 모듈 16.1을 사용하여 생성된 유동 영역을 도출할 수 있다.
도 3의 (c)를 참고하면, 본 발명은 원심 펌프의 그리드를 생성할 수 있다. 임펠러(104)의 흐름 영역은 임펠러(104), 케이싱(301), 허브(302) 및 슈라이드(303)의 4가지 구성 요소로 분할될 수 있다. 케이싱(301), 허브(302) 및 슈라우드(303)은 고정된 형태로 구현되는 구성 요소일 수 있다. 여기서, 트레일링 에지(TE: Trailing Edge, 306)의 위치는 변경되지 않은 반면, 리딩 에지(LE: Leading Edge, 307)의 위치는 메인 블레이드(305)의 호 길이의 0.1-0.9 비율로 변경될 수 있다.
이에, 본 발명은 메쉬의 경우 구조화되지 않은 테트라 및 피라미드 요소가 생성될 수 있다. 본 발명은 임펠러(104)의 유로에 생성된 메쉬는 구조화되지 않은 사면체와 블레이드 표면 근처의 프리즘 층으로 구성될 수 있다. 본 발명은 벽에 가까운 경계 현상을 포착하는 것이 중요하므로 분석되는 유체의 점도에 따라 블레이드 근처의 Y+가 15에서 45까지 다양한 형태로 구현될 수 있다. 이는 최대 요소 크기 요구 사항을 제한하기 위해 그리드 독립성 테스트가 수행될 수 있다. 이는 다음의 표 3과 같이 나타낼 수 있다. 표 3은 그리드 요소 수가 증가할 때 펌프의 수두 상승을 보여주는 그래프일 수 있다. 이때, 헤드 상승은 310만 그리드 요소를 초과하는 요소 수와 무관할 수 있다.
Figure 112022055248327-pat00014
도 4는 본 발명의 일실시예에 따른 수치 시뮬레이션을 통해 도출된 결과를 검증한 그래프이다.도 4를 참고하면, 본 발명은 서로 다른 점도를 갖는 다양한 유체를 펌핑하는 원심 펌프의 성능을 개선하기 위한 수치 시뮬레이션을 수행할 수 있다. 일례로, 본 발명은 26mPa.s까지 다양한 점도를 갖는 유체에 관한 원심 펌프의 임펠러를 최적화 하기 위한 사례로 4 개의 유체를 고려하여 수행할 수 있다.
① 유체(물)
본 발명은 최적화의 첫 번째 유체로 물을 사용할 수 있다. 본 발명은 물이라는 유체가 펌핑되는 임펠러의 유동 영역을 시뮬레이션한 후, 시뮬레이션 된 결과를 도출할 수 있다. 본 발명은 최대 헤드 및 최소 입력 전력에 대한 임펠러의 설계 수치(Ref1)를 최적화 할 수 있다.
② 유체(혼합 오일, C1, C2, C3)
본 발명은 물(Ref1)을 기반으로 서로 다른 점도를 갖는 혼합 오일(C1, C2, C3)을 고려하여 임펠러의 유동 영역을 시뮬레이션 할 수 있다. 혼합 오일은 서로 다른 점도 4.5, 14 및 26mPa.s로 각각 제조될 수 있다. 이는 별도의 혼합 케이스로 최적화되며, 스플리터 블레이드의 길이와 랩 각도를 설계 변수로 변경하고 헤드 및 입력 전력 목적 함수를 최대화 및 최소화하여 수행될 수 있다.
본 발명에서 서로 다른 점도를 갖는 혼합 오일로 시뮬레이션 된 결과에 따른 임펠러의 설계 수치는 각각 Ref2, Ref3 및 Ref4로 정의될 수 있다. 여기서, 임펠러의 설계 수치(Ref1, Ref2, Ref3, Ref4)는 원심 펌프의 성능을 향상시키기 위한 참조 설계에 해당할 수 있다.
이후, 본 발명은 동일한 원심 펌프의 임펠러로 각 유체들을 펌핑하면서, 각 유체들에 관한 임펠러의 실험 결과를 비교함으로써, 시뮬레이션 된 임펠러의 설계ㄴ 수치(Ref1, Ref2, Ref3, Ref4)를 검증할 수 있다. 이에 따르면, 도 4의 (a)에 표현된 그래프는 순간 방전(
Figure 112022055248327-pat00015
, Instantaneous Volume Flowrate)과 설계점(
Figure 112022055248327-pat00016
, Design point Volume Flowrate)에서의 방전 비율에 대한 실험적 및 수치적으로 시뮬레이션 된 헤드(H, Head rise, m)를 비교한 결과를 나타낼 수 있다.
또한, 도 4의 (b)에 표현된 그래프는 실험 및 수치 해석 동안의 원심 펌프에 대한 실험적 및 수치적으로 시뮬레이션 된 입력 전력(
Figure 112022055248327-pat00017
, Input power, watt)를 비교한 결과를 나타낼 수 있다. 이에, 두 그래프의 모든 수치 결과는 설계 지점에서 5% 미만의 편차로 실험 결과에 가깝게 나타날 수 있다.
도 5는 본 발명의 일실시예에 따른 원심 펌프에서 펌핑되는 유체의 점도 및 속도를 나타낸 그래프이다.
도 5를 참고하면, 혼합 오일은 동적 점도
Figure 112022055248327-pat00018
= 65mPa.s의 여과된 SAE 10W-40 윤활유를 상온 및 압력에서 디젤로 희석하여 제조된 오일일 수 있다. 혼합 오일은 윤활유의 점도를 변화시키도록 제조될 수 있다. 본 발명은 원심 펌프의 성능을 수행하여 유량 특성 곡선에 대한 헤드 및 입력 전력을 플롯 할 수 있다. 상온 및 압력에 따른 유체의 속성은 표 4와 같이 나타낼 수 있다.
유체
(Pumping Fluids)		 밀도
(Density, kg/m3)		 점도
(Dynamics Viscosity, mPa.s)
물 1,000 1
혼합오일(C1) 805 4.5
혼합오일(C2) 814 14
혼합오일(C3) 830 26
표 2를 참고하면, 밀도는 비중계를 통해 측정되고, 유체의 점도는 레오미터에 의해 측정되며, 도 5의 그래프는 유체에 의한 전단 응력과 점도에 대한 전단 속도의 영향을 확인할 수 있다. 도 5의 (a)의 그래프는 유체의 흐름이 일정하다는 것을 나타내는 그래프로, 전단 속도가 증가하더라도 서로 다른 점도(μ)를 갖는 혼합 오일은 일정한 간격으로 흐른다는 것을 확인할 수 있다. 도 5의 (b)의 그래프는 시간에 따른 유체의 전단 응력이 증가한다는 것을 나타내는 그래프로, 전단 속도가 증가할수록 유체의 전단 응력(τ, Shear stress, N/m2)이 증가하는 것을 확인할 수 있다. 또한, 점도가 높은 유체일수록 전단 응력이 급격하게 증가하며, 또한, 점도가 낮은 유체일수록 전단 응력이 완만하게 증가하는 것을 확인할 수 있다.
도 6은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체를 이용하여 수치 시뮬레이션을 수행하는 과정을 설명하기 위해 도시한 도면이다.
도 6을 참고하면, 본 발명은 스플리터 블레이드의 길이와 랩 각도를 다양하게 구현하고, 다양하게 구현된 길이와 랩 각도에 대응하여 물을 펌핑하는 원심 펌프의 임펠러의 설계 수치를 최적화할 수 있다. 본 발명은 물, C1, C2, C3을 포함하는 유체들 각각에 대한 최적화를 수행할 수 있다 이는 도 6의 (a) 내지 (d)로 표현된 그래프와 같이 각 최적화 사례 즉, POF(Pareto Optimal Front)를 표현할 수 있다.
본 발명은 최소한 횟수로 반복하여 획득한 것으로, 최종적으로 예측된 최적 솔루션(POF)을 그래프로 나타내며, 이는 수치 시뮬레이션을 통해 검증될 수 있다. 본 발명은 검증을 위해 다음의 표 5와 같이 나타낼 수 있다.
Figure 112022055248327-pat00019
여기서, 표 5는 각 경우에 대응하여 최적의 설계 포인트를 나타낸 표로, 본 발명은 검증을 위해 표 5와과 같이 각 POF 케이스에서 "Opt1a" 및 "Opt1e"와 같은 두 가지 극단적인 설계 포인트를 선택하고 시뮬레이션하여 응답을 확인할 수 있다.
도 7은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체에 대한 원심 펌프의 성능을 비교하는 과정을 설명하기 위해 도시한 도면이다.
도 7의 그래프는 각 설계 포인트에 관한 RMSD(Root Mean Square Deviation)에 대응하는 수치 시뮬레이션을 수행한 결과로, 원심 펌프의 성능을 나타낼 수 있다. 도 7의 그래프를 살펴보면, 참조 설계와 비교할 때 각 최적의 설계 포인트에 따른 원심 펌프의 성능은 입력 전력의 작은 상승으로 헤드의 성능을 개선할 수 있다.
도 8은 본 발명의 일실시예에 따른 유체에 따른 복수의 경우에 대한 최적 설계와 참조 설계의 중간 범위에서의 유선형을 나타낸 도면이다.
도 8을 살펴보면, 본 발명은 각 경우, 즉, 물, C1, C2, C3에 대해 최적화된 설계(Opt_a 및 Opt_e)를 참조 설계(Refs)와 비교할 수 있다. 도 8의 그래프는 흐름 패턴을 이해하기 위한 흐름 통로의 유선, 압력 등고선 및 와류 흐름 중 적어도 하나를 포함할 수 있다. 도 8의 그래프는 각 경우의 최적 설계와 참조 설계의 중간 경간에서의 유선형을 나타낼 수 있다.
자세하게, 각각의 경우 최대 헤드에 대한 설계인 최적 설계(Opt1a, Opt2a, Opt3a 및 Opt4a)는 각각 참조 설계(물, C1, C2, C3)에 비해 매끄러운 유선형을 나타낼 수 있다. 이러한, 형태는 참조 설계와 비교하여 최적화된 설계에서 더 적은 유량 재순환이 존재한다는 것을 나타낼 수 있다. 이는 더 높은 유속을 생성하는 균일한 블레이드의 로딩으로 인해 발생된 것일 수 있다. 따라서, 본 발명은 더 높은 유속이 발생할 수 있도록 케이싱에 높은 압력을 생성함으로써, 원심 펌프의 헤드를 개선할 수 있다.
도 9는 본 발명의 일실시예에 따른 유체에 따른 복수의 경우에 대한 압력 윤곽을 나타낸 도면이다.
도 9를 살펴보면, 본 발명은 각 경우에 대한 중간 스팬에서의 압력 윤곽을 나타낼 수 있다. 도 9의 그래프는 최적 설계(Opt_a 및 Opt_e)의 케이싱에서 고압 패턴의 증가가 관찰될 수 있으며, 이는 참조 설계와 비교하여 최적 설계에 대한 모든 경우에서의 헤드를 개선할 수 있다.
점성이 있는 경우에 따른 원심 펌프의 성능은 와류 코어 영역에 대한 속도 등고선을 플로팅함으로서, 향상시킬 수 있다. 와류는 유체 흐름의 속도장의 컬로 정의할 수 있습니다. 즉,
Figure 112022055248327-pat00020
여기서
Figure 112022055248327-pat00021
는 3D 공간(x, y 및 z)의 속도장 벡터일 수 있다. 원심 펌프에서 입자의 속도는 회전축으로부터의 거리에 반비례할 수 있다. 따라서, 본 발명은
Figure 112022055248327-pat00022
으로 표현될 수 있는 비회전 소용돌이가 생성되며, 점성력의 존재는 전단 응력의 작용에 따라 회전을 일으켜 각 변형을 발생시킬 수 있다.
도 10는 본 발명의 일실시예에 따른 유체에 따른 복수의 경우에 대한 유로의 와류 코어 영역을 나타낸 도면이다.
도 10을 살펴보면, 본 발명은 모든 경우의 와류 코어 기준 영역 및 최적화된 임펠러에서의 속도를 결정할 수 있다. 여기서, 점성력은 고점도 유체에서 더 지배적이며, 이는 유로에 와류를 생성하여 유체를 수송하기 위한 에너지를 증가시킴에 따라 원심 펌프의 헤드를 개선시킬 수 있다. 임펠러 출구에서 와류 코어 영역의 증가와 유속은 오일 C2 및 C3 케이스의 최적 설계(Opt3a, Opt4a, Opt3e 및 Opt4e)에서 쉽게 시각화 할 수 있다.
도 11은 본 발명의 일실시예에 따른 서로 다른 점도를 갖는 유체에 따른 최대 헤드와 최소 입력 전력 간의 관계를 나타낸 도면이다.
도 11을 살펴보면, 본 발명은 최대 헤드와 최소화된 입력 전력(I/P)을 위한 최적 설계를 설정할 수 있다. 도 11의 그래프와 같이 각 경우의 변수 X1 및 X2를 포함할 수 있으며, X1은 메인 블레이드 대비 스플리터 블레이드의 길이를 나타내고, X2는 메인 블레이드의 랩 각도를 나타낼 수 있다.
한편, 본 발명에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 전송매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
101: 컴퓨팅 장치(Computing Apparatus)
102: 프로세서(Processor)
103: 원심 펌프(Centrifugal Pump)
104: 임펠러(Impeller)
105: 메인 블레이드(Main Blade)
106: 스플리터 블레이드(Splitter Blade)

Claims (17)

  1. 원심 펌프의 성능을 향상시키는 동작을 최적화 문제로 공식화하기 위해 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획(DOE: Design of Experiments)을 결정하는 단계 - 상기 최적화 문제는, 두 개의 변수(스플리터 블레이드 길이(X1) 및 랩 각도(X2)와 두 개의 목표 함수, 즉 헤드(H)의 최대화와 입력 전력(ø)의 최소화로 공식화됨 - ;
    실험 계획에 따른 원심 펌프로 유입된 유체의 흐름을 나타내는 수치 정보에 기초하여 수치 시뮬레이션(Numerical Simulations)을 수행하는 단계;
    수치 시뮬레이션의 결과로 도출된 샘플 정보를 이용하여 원심 펌프의 성능을 학습하기 위한 대리 모델(surrogate model)을 수행하는 단계; 및
    상기 대리 모델을 통해 예측된 원심 펌프의 설계 포인트를 이용하여 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하는 단계;
    를 포함하고,
    상기 수치 시뮬레이션을 수행하는 단계는,
    상기 수치 시뮬레이션을 수행하기 이전에,
    물 및/또는 오일의 조합에 따른 서로 다른 형태로 구현되는 유체가 펌핑되는 동안에 원심 펌프의 성능을 파악하기 위한 배관 시스템으로 원심 펌프의 실험적 흐름 루프를 설계하는 단계;
    상기 설계된 원심 펌프의 실험적 흐름 루프를 기반으로 원심 펌프에 적용 가능한 원심 펌프의 종류를 선택하는 단계;
    상기 선택된 원심 펌프의 종류에 따른 원심 펌프의 흐름 영역에서의 나비에 스토크스(Navier-Stokes) 방정식을 이용하여 전산 유체 역학(CFD, Computational Fluid Dynamics) 시뮬레이션을 수행하는 단계; 및
    상기 전산 유체 역학(CFD) 시뮬레이션이 수행된 수치 정보를 검증하는 동작을 수행하는 단계
    를 포함하고,
    상기 실험 계획이 결정된 이후에,
    상기 실험 계획에 따른 검증이 완료된 시뮬레이션의 결과에 대한 유동 해석(CFD: Computational Fluid Dynamics)을 통해 상기 수치 정보를 결정한 후, 상기 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위해 수치 시뮬레이션을 수행하고,
    상기 대리 모델을 수행하는 단계는,
    상기 수행된 수치 시뮬레이션의 결과로 도출된 샘플 정보를 기반으로 모방 및 설계 공간에 대한 응답으로 예측하는 대리 모델을 수행하고 - 상기 대리 모델은, 인공 신경망을 통해 랩 각도 및 스플리터 블레이드 길이와 같은 입력 매개 변수에 대한 응답을 훈련하여 설계 범위 내에서 설계 수치를 업데이트하기 위한 새로운 설계에 관한 매개 변수로써 새로운 응답을 예측하며, 상기 새로운 설계에 관한 매개 변수는, 샘플 설계를 사용하여 알려진 입력 및 응답에 관한 매개 변수로 훈련된 것으로, 설계 범위 내에서의 대리 모델로 도출되는 설계에 관한 매개 변수임 - ,
    상기 원심 펌프의 설계 수치를 업데이트하는 단계는,
    상기 수행된 대리 모델 및 유전 알고리즘을 결합하여 상기 설계 공간 내에서 최적의 지점이 되는 원심 펌프의 설계 포인트를 예측하는 단계 - 상기 원심 펌프의 설계 포인트는 입력 전력(ø)의 작은 상승으로 헤드(H)의 성능이 최대가 되는 최적의 포인트임 -; 및
    상기 예측된 원심 펌프의 설계 포인트를 이용하여 상기 실험 계획에 따른 원심 펌프의 헤드(H)와 입력 전력(ø)의 효율이 향상되도록 상기 원심 펌프의 설계 수치를 업데이트하는 단계
    를 포함하는 설계 최적화 방법.
  2. 제1항에 있어서,
    상기 실험 계획을 결정하는 단계는,
    원심 펌프를 구성하는 스플리터 블레이드의 형상을 최적화하기 위한 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정하는 설계 최적화 방법.
  3. 제1항에 있어서,
    상기 실험 계획을 결정하는 단계는,
    서로 다른 점도를 갖는 유체의 유변학적 특성을 고려하여 스플리터 블레이드의 형상을 최적화하기 위한 실험 계획을 결정하는 설계 최적화 방법.
  4. 제1항에 있어서,
    상기 수치 시뮬레이션을 수행하는 단계는,
    원심 펌프에서 펌핑되는 임펠러의 유동 영역을 결정하는 단계;
    유동 해석(CFD: Computational Fluid Dynamics)을 통해 유동 영역에서 회전하는 유체에 대한 압력, 속도, 온도 중 적어도 하나의 수치 정보를 결정하는 단계; 및
    수치 정보를 시각화하기 위한 수치 시뮬레이션을 수행하는 단계;
    를 포함하는 설계 최적화 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 대리 모델을 수행하는 단계는,
    대리 학습 모델 및 유전 알고리즘을 통해 샘플 정보를 학습하여 원심 펌프의 설계 포인트를 예측하기 위한 대리 모델을 수행하는 설계 최적화 방법.
  7. 제6항에 있어서,
    상기 대리 모델을 수행하는 단계는,
    상기 학습된 샘플 정보로부터 원심 펌프에서 펌핑되는 유체의 순간 방전 지점과 샘플 설계 지점에서의 방전 비율을 고려하여 대리 모델을 수행하는 설계 최적화 방법.
  8. 제1항에 있어서,
    상기 원심 펌프의 설계 수치를 업데이트하는 단계는,
    원심 펌프의 설계 포인트에 따른 원심 펌프에서 펌핑되는 유체의 점도가 사전에 설정된 점도의 특정 범위에 포함되는지 여부를 확인하는 단계; 및
    확인 여부에 따른 원심 펌프의 설계 수치를 업데이트하는 단계;
    를 포함하는 설계 최적화 방법.
  9. 서로 다른 점도를 갖는 유체가 유입되는 원심 펌프의 성능을 향상시키는 동작을 최적화 문제로 공식화하기 위해 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정하는 단계 - 상기 최적화 문제는, 두 개의 변수(스플리터 블레이드 길이(X1) 및 랩 각도(X2)와 두 개의 목표 함수, 즉 헤드(H)의 최대화와 입력 전력(ψ)의 최소화로 공식화됨 -;
    원심 펌프의 내부로 유입되는 유체가 원심 펌프의 임펠러 내 펌핑되는 유동 영역을 결정하는 단계;
    유동 영역에서 회전하는 유체의 흐름에 따른 수치 정보를 이용하여 유동 해석에 따른 수치 시뮬레이션을 수행하는 단계;
    수치 시뮬레이션을 통해 도출되는 샘플 정보를 유전 알고리즘에 적용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하는 단계;
    대리 모델을 통해 설정된 샘플 설계 지점을 이용하여 수치 시뮬레이션의 결과로 도출된 샘플 정보를 검증하는 단계; 및
    검증된 결과로부터 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하는 단계;
    를 포함하고,
    상기 수치 시뮬레이션을 수행하는 단계는,
    상기 수치 시뮬레이션을 수행하기 이전에,
    물 및/또는 오일의 조합에 따른 서로 다른 형태로 구현되는 유체가 펌핑되는 동안에 원심 펌프의 성능을 파악하기 위한 배관 시스템으로 원심 펌프의 실험적 흐름 루프를 설계하는 단계;
    상기 설계된 원심 펌프의 실험적 흐름 루프를 기반으로 원심 펌프에 적용 가능한 원심 펌프의 종류를 선택하는 단계;
    상기 선택된 원심 펌프의 종류에 따른 원심 펌프의 흐름 영역에서의 나비에 스토크스(Navier-Stokes) 방정식을 이용하여 전산 유체 역학(CFD, Computational Fluid Dynamics) 시뮬레이션을 수행하는 단계; 및
    상기 전산 유체 역학(CFD) 시뮬레이션 된 수치 정보를 검증하는 동작을 수행하는 단계
    를 포함하고,
    상기 실험 계획이 결정된 이후에,
    상기 실험 계획에 따른 검증이 완료된 시뮬레이션의 결과에 대한 유동 해석(CFD: Computational Fluid Dynamics)을 통해 상기 수치 정보를 결정한 후, 상기 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위해 수치 시뮬레이션을 수행하고,
    상기 대리 모델을 수행하는 단계는,
    상기 수행된 수치 시뮬레이션의 결과로 도출된 샘플 정보를 기반으로 모방 및 설계 공간에 대한 응답으로 예측하는 대리 모델을 수행하고 - 상기 대리 모델은, 인공 신경망을 통해 랩 각도 및 스플리터 길이와 같은 입력 매개 변수에 대한 응답을 훈련하여 설계 범위 내에서 설계 수치를 업데이트하기 위한 새로운 설계에 관한 매개 변수로써 새로운 응답을 예측하며, 상기 새로운 설계에 관한 매개 변수는, 샘플 설계를 사용하여 알려진 입력 및 응답에 관한 매개 변수로 훈련된 것으로, 설계 범위 내에서의 대리 모델로 도출되는 설계에 관한 매개 변수임 - ,
    상기 원심 펌프의 설계 수치를 업데이트하는 단계는,
    상기 수행된 대리 모델 및 유전 알고리즘을 결합하여 상기 설계 공간 내에서 최적의 지점이 되는 원심 펌프의 설계 포인트를 예측하는 단계 - 상기 원심 펌프의 설계 포인트는 입력 전력(ø)의 작은 상승으로 헤드(H)의 성능이 최대가 되는 최적의 포인트임 -; 및
    상기 예측된 원심 펌프의 설계 포인트를 이용하여 상기 실험 계획에 따른 원심 펌프의 헤드(H)와 입력 전력(ø)의 효율이 향상되도록 상기 원심 펌프의 설계 수치를 업데이트하는 하는 단계
    를 포함하는 설계 최적화 방법.
  10. 제9항에 있어서,
    상기 실험 계획을 결정하는 단계는,
    원심 펌프를 구성하는 스플리터 블레이드의 형상을 최적화하기 위한 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정하는 설계 최적화 방법.
  11. 제9항에 있어서,
    상기 실험 계획을 결정하는 단계는,
    서로 다른 점도를 갖는 유체의 유변학적 특성을 고려하여 스플리터 블레이드의 형상을 최적화하기 위한 실험 계획을 결정하는 설계 최적화 방법.
  12. 제9항에 있어서,
    상기 수치 시뮬레이션을 수행하는 단계는,
    원심 펌프에서 펌핑되는 임펠러의 유동 영역을 결정하는 단계;
    유동 해석(CFD: Computational Fluid Dynamics)을 통해 유동 영역에서 회전하는 유체에 대한 압력, 속도, 온도 중 적어도 하나의 수치 정보를 결정하는 단계; 및
    수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위한 수치 시뮬레이션을 수행하는 단계;
    를 포함하는 설계 최적화 방법.
  13. 제9항에 있어서,
    상기 대리 모델을 수행하는 단계는,
    대리 학습 모델 및 유전 알고리즘을 통해 샘플 정보를 학습하여 원심 펌프의 설계 포인트를 예측하기 위한 대리 모델을 수행하는 설계 최적화 방법.
  14. 제13항에 있어서,
    상기 대리 모델을 수행하는 단계는,
    상기 학습된 샘플 정보로부터 원심 펌프에서 펌핑되는 유체의 순간 방전 지점과 샘플 설계 지점에서의 방전 비율을 고려하여 대리 모델을 수행하는 설계 최적화 방법.
  15. 제9항에 있어서,
    상기 원심 펌프의 설계 수치를 업데이트하는 단계는,
    원심 펌프의 설계 포인트에 따른 원심 펌프에서 펌핑되는 유체의 점도가 사전에 설정된 점도의 특정 범위에 포함되는지 여부를 확인하여 원심 펌프의 설계 수치를 업데이트하는 설계 최적화 방법.
  16. 설계 최적화 방법을 수행하는 컴퓨팅 장치에 있어서,
    상기 컴퓨팅 장치는 프로세서를 포함하고,
    상기 프로세서는,
    원심 펌프의 성능을 향상시키는 동작을 최적화 문제로 공식화하기 위해 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정하고 - 상기 최적화 문제는, 두 개의 변수(스플리터 블레이드 길이(X1) 및 랩 각도(X2)와 두 개의 목표 함수, 즉 헤드(H)의 최대화와 입력 전력(ψ)의 최소화로 공식화됨 -,
    실험 계획에 따른 원심 펌프로 유입된 유체의 흐름을 나타내는 수치 정보에 기초하여 수치 시뮬레이션을 수행하고,
    수치 시뮬레이션의 결과로 도출된 샘플 정보를 이용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하고,
    상기 대리 모델을 통해 예측된 원심 펌프의 설계 포인트를 이용하여 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하고,
    상기 수치 시뮬레이션을 수행함에 있어,
    상기 수치 시뮬레이션을 수행하기 이전에,
    물 및/또는 오일의 조합에 따른 서로 다른 형태로 구현되는 유체가 펌핑되는 동안에 원심 펌프의 성능을 파악하기 위한 배관 시스템으로 원심 펌프의 실험적 흐름 루프를 설계하고,
    상기 설계된 원심 펌프의 실험적 흐름 루프를 기반으로 원심 펌프에 적용 가능한 원심 펌프의 종류를 선택하고,
    상기 선택된 원심 펌프의 종류에 따른 원심 펌프의 흐름 영역에서의 나비에 스토크스(Navier-Stokes) 방정식을 이용하여 전산 유체 역학(CFD, Computational Fluid Dynamics) 시뮬레이션을 수행하고,
    상기 전산 유체 역학(CFD) 시뮬레이션 된 수치 정보를 검증하는 동작을 수행하며,
    상기 실험 계획이 결정된 이후에,
    상기 실험 계획에 따른 검증이 완료된 시뮬레이션의 결과에 대한 유동 해석(CFD: Computational Fluid Dynamics)을 통해 상기 수치 정보를 결정한 후, 상기 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위해 수치 시뮬레이션을 수행하고,
    상기 대리 모델을 수행함에 있어,
    상기 수행된 수치 시뮬레이션의 결과로 도출된 샘플 정보를 기반으로 모방 및 설계 공간에 대한 응답으로 예측하는 대리 모델을 수행하고 - 상기 대리 모델은, 인공 신경망을 통해 랩 각도 및 스플리터 길이와 같은 입력 매개 변수에 대한 응답을 훈련하여 설계 범위 내에서 설계 수치를 업데이트하기 위한 새로운 설계에 관한 매개 변수로써 새로운 응답을 예측하며, 상기 새로운 설계에 관한 매개 변수는, 샘플 설계를 사용하여 알려진 입력 및 응답에 관한 매개 변수로 훈련된 것으로, 설계 범위 내에서의 대리 모델로 도출되는 설계에 관한 매개 변수임 - ,
    상기 원심 펌프의 설계 수치를 업데이트함에 있어,
    상기 수행된 대리 모델 및 유전 알고리즘을 결합하여 상기 설계 공간 내에서 최적의 지점이 되는 원심 펌프의 설계 포인트- 상기 원심 펌프의 설계 포인트는 입력 전력(ø)의 작은 상승으로 헤드(H)의 성능이 최대가 되는 최적의 포인트임 -를 예측하고,
    상기 예측된 원심 펌프의 설계 포인트를 이용하여 상기 실험 계획에 따른 원심 펌프의 헤드(H)와 입력 전력(ø)의 효율이 향상되도록 상기 원심 펌프의 설계 수치를 업데이트하는 컴퓨팅 장치.
  17. 설계 최적화 방법을 수행하는 컴퓨팅 장치에 있어서,
    상기 컴퓨팅 장치는 프로세서를 포함하고,
    상기 프로세서는,
    서로 다른 점도를 갖는 유체가 유입되는 원심 펌프의 성능을 향상시키는 동작을 최적화 문제로 공식화하기 위해 원심 펌프의 설계 공간 및 스플리터 블레이드의 설계 변수 중 적어도 하나를 포함하는 실험 계획을 결정하고 - 상기 최적화 문제는, 두 개의 변수(스플리터 블레이드 길이(X1) 및 랩 각도(X2)와 두 개의 목표 함수, 즉 헤드(H)의 최대화와 입력 전력(ψ)의 최소화로 공식화됨 -,
    원심 펌프의 내부로 유입되는 유체가 원심 펌프의 임펠러 내 펌핑되는 유동 영역을 결정하고,
    유동 영역에서 회전하는 유체의 흐름에 따른 수치 정보를 이용하여 유동 해석에 따른 수치 시뮬레이션을 수행하고,
    수치 시뮬레이션을 통해 도출되는 샘플 정보를 유전 알고리즘에 적용하여 원심 펌프의 성능을 학습하기 위한 대리 모델을 수행하고,
    대리 모델을 통해 설정된 샘플 설계 지점을 이용하여 수치 시뮬레이션의 결과로 도출된 샘플 정보를 검증하고,
    검증된 결과로부터 실험 계획에 따른 원심 펌프의 설계 수치를 업데이트하고,
    상기 수치 시뮬레이션을 수행함에 있어,
    상기 수치 시뮬레이션을 수행하기 이전에,
    물 및/또는 오일의 조합에 따른 서로 다른 형태로 구현되는 유체가 펌핑되는 동안에 원심 펌프의 성능을 파악하기 위한 배관 시스템으로 원심 펌프의 실험적 흐름 루프를 설계하고,
    상기 설계된 원심 펌프의 실험적 흐름 루프를 기반으로 원심 펌프에 적용 가능한 원심 펌프의 종류를 선택하고,
    상기 선택된 원심 펌프의 종류에 따른 원심 펌프의 흐름 영역에서의 나비에 스토크스(Navier-Stokes) 방정식을 이용하여 전산 유체 역학(CFD, Computational Fluid Dynamics) 시뮬레이션을 수행하고,
    상기 전산 유체 역학(CFD) 시뮬레이션 된 수치 정보를 검증하는 동작을 수행하며,
    상기 실험 계획이 결정된 이후에,
    상기 실험 계획에 따른 검증이 완료된 시뮬레이션의 결과에 대한 유동 해석(CFD: Computational Fluid Dynamics)을 통해 상기 수치 정보를 결정한 후, 상기 수치 정보를 기반으로 유체의 흐름에 따른 샘플 설계 지점 별로 시각화하기 위해 수치 시뮬레이션을 수행하고,
    상기 대리 모델을 수행함에 있어,
    상기 수행된 수치 시뮬레이션의 결과로 도출된 샘플 정보를 기반으로 모방 및 설계 공간에 대한 응답으로 예측하는 대리 모델을 수행하고 - 상기 대리 모델은, 인공 신경망을 통해 랩 각도 및 스플리터 길이와 같은 입력 매개 변수에 대한 응답을 훈련하여 설계 범위 내에서 설계 수치를 업데이트하기 위한 새로운 설계에 관한 매개 변수로써 새로운 응답을 예측하며, 상기 새로운 설계에 관한 매개 변수는, 샘플 설계를 사용하여 알려진 입력 및 응답에 관한 매개 변수로 훈련된 것으로, 설계 범위 내에서의 대리 모델로 도출되는 설계에 관한 매개 변수임 - ,
    상기 원심 펌프의 설계 수치를 업데이트함에 있어,
    상기 수행된 대리 모델 및 유전 알고리즘을 결합하여 상기 설계 공간 내에서 최적의 지점이 되는 원심 펌프의 설계 포인트- 상기 원심 펌프의 설계 포인트는 입력 전력(ø)의 작은 상승으로 헤드(H)의 성능이 최대가 되는 최적의 포인트임 -를 예측하고,
    상기 예측된 원심 펌프의 설계 포인트를 이용하여 상기 실험 계획에 따른 원심 펌프의 헤드(H)와 입력 전력(ø)의 효율이 향상되도록 상기 원심 펌프의 설계 수치를 업데이트하는 컴퓨팅 장치.
KR1020220063995A 2022-05-25 2022-05-25 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치 KR102496082B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220063995A KR102496082B1 (ko) 2022-05-25 2022-05-25 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220063995A KR102496082B1 (ko) 2022-05-25 2022-05-25 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치

Publications (1)

Publication Number Publication Date
KR102496082B1 true KR102496082B1 (ko) 2023-02-06

Family

ID=85224548

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220063995A KR102496082B1 (ko) 2022-05-25 2022-05-25 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치

Country Status (1)

Country Link
KR (1) KR102496082B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150962A (zh) * 2023-08-30 2023-12-01 中国地质大学（武汉） 一种随机采样的涌浪超越概率计算方法、设备及存储设备
CN117150951A (zh) * 2023-08-10 2023-12-01 中国船舶集团有限公司第七一九研究所 一种泵类设备三维流场计算加速方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020047161A (ja) * 2018-09-21 2020-03-26 株式会社Ｓｕｂａｒｕ インテークダクト設計方法、インテークダクト設計プログラム及びインテークダクト設計装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020047161A (ja) * 2018-09-21 2020-03-26 株式会社Ｓｕｂａｒｕ インテークダクト設計方法、インテークダクト設計プログラム及びインテークダクト設計装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Journal of the Korean Society of Manufacturing Technology Engineers* *
Journal of the Korean Society of Marine Engineering* *
한국유체기계학회 동계 학술대회 논문집* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150951A (zh) * 2023-08-10 2023-12-01 中国船舶集团有限公司第七一九研究所 一种泵类设备三维流场计算加速方法
CN117150951B (zh) * 2023-08-10 2024-03-01 中国船舶集团有限公司第七一九研究所 一种泵类设备三维流场计算加速方法
CN117150962A (zh) * 2023-08-30 2023-12-01 中国地质大学（武汉） 一种随机采样的涌浪超越概率计算方法、设备及存储设备
CN117150962B (zh) * 2023-08-30 2024-04-02 中国地质大学（武汉） 一种随机采样的涌浪超越概率计算方法、设备及存储设备

Similar Documents

Publication Publication Date Title
KR102496082B1 (ko) 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치
Ekradi et al. Performance improvement of a transonic centrifugal compressor impeller with splitter blade by three-dimensional optimization
Derakhshan et al. The comparison of incomplete sensitivities and Genetic algorithms applications in 3D radial turbomachinery blade optimization
Kim et al. Analysis and optimization of a vaned diffuser in a mixed flow pump to improve hydrodynamic performance
Wang et al. Fundamental analysis on rotor-stator interaction in a diffuser pump by vortex method
Cho et al. Optimal design of a centrifugal compressor impeller using evolutionary algorithms
De Maesschalck et al. Blade tip shape optimization for enhanced turbine aerothermal performance
De Donno et al. Shape optimization of the ERCOFTAC centrifugal pump impeller using open-source software
Jaiswal et al. Surrogate-based design optimization of a centrifugal pump impeller
Ayli et al. Determination and generalization of the effects of design parameters on Francis turbine runner performance
Siddique et al. Design optimization of the centrifugal pumps via low fidelity models
Krzemianowski et al. High specific speed Francis turbine for small hydro purposes-Design methodology based on solving the inverse problem in fluid mechanics and the cavitation test experience
Anagnostopoulos CFD analysis and design effects in a radial pump impeller
Gao et al. A flow model for tip leakage flow in turbomachinery using a square duct with a longitudinal slit
Parikh et al. Maximizing the performance of pump inducers using CFD-based multi-objective optimization
Maral et al. A genetic algorithm based multi-objective optimization of squealer tip geometry in axial flow turbines: a constant tip gap approach
Zhou et al. The optimal hydraulic design of centrifugal impeller using genetic Algorithm with BVF
Zhang et al. Multi-objective optimization of a high specific speed centrifugal volute pump using three-dimensional inverse design coupled with computational fluid dynamics simulations
Mengistu et al. Single and multipoint shape optimization of gas turbine blade cascades
Mohammadi et al. Probabilistic CFD analysis on the flow field and performance of the FDA centrifugal blood pump
Bellary et al. Improvement of efficiency by design optimization of a centrifugal pump impeller
Bellary et al. An alternative approach to surrogate averaging for a centrifugal impeller shape optimisation
Li et al. Optimization of rough transonic axial compressor
Milas et al. Multi-regime shape optimization of fan vanes for energy conversion efficiency using CFD, 3D optical scanning and parameterization
Liu et al. Application of biharmonic equation in impeller profile optimization design of an aero-centrifugal pump

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant