KR20220107840A - A method and apparatus for generating a pre-swirl stator performance prediction model - Google Patents

A method and apparatus for generating a pre-swirl stator performance prediction model Download PDF

Info

Publication number
KR20220107840A
KR20220107840A KR1020210011017A KR20210011017A KR20220107840A KR 20220107840 A KR20220107840 A KR 20220107840A KR 1020210011017 A KR1020210011017 A KR 1020210011017A KR 20210011017 A KR20210011017 A KR 20210011017A KR 20220107840 A KR20220107840 A KR 20220107840A
Authority
KR
South Korea
Prior art keywords
stator blade
current stator
current
model
performance
Prior art date
Application number
KR1020210011017A
Other languages
Korean (ko)
Inventor
남정우
Original Assignee
대우조선해양 주식회사
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 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020210011017A priority Critical patent/KR20220107840A/en
Publication of KR20220107840A publication Critical patent/KR20220107840A/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B71/00—Designing vessels; Predicting their performance
    • B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H5/00—Arrangements on vessels of propulsion elements directly acting on water
    • B63H5/07—Arrangements on vessels of propulsion elements directly acting on water of propellers
    • B63H5/16—Arrangements on vessels of propulsion elements directly acting on water of propellers characterised by being mounted in recesses; with stationary water-guiding elements; Means to prevent fouling of the propeller, e.g. guards, cages or screens
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Ocean & Marine Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

Proposed in the present invention are a pre-swirl stator performance prediction model generation method and generation apparatus, which can generate and collect additional CFD analysis including CFD data used in an existing design and operational conditions of a ship, and generate an optimal pre-swirl stator performance prediction model by machine learning on the same. The pre-swirl stator performance prediction model generation method comprises an existing design data collection step, a CFD performance analysis step for a pre-swirl stator shape, a performance evaluation model generation step, a model optimization step, and an optimization verification and evaluation step.

Description

전류고정날개 성능 예측 모델 생성 방법 및 전류고정날개 성능 예측 모델 생성 장치{A method and apparatus for generating a pre-swirl stator performance prediction model} Current stator blade performance prediction model generation method and current stator blade performance prediction model generation apparatus {A method and apparatus for generating a pre-swirl stator performance prediction model}

본 발명은 전류고정날개에 관한 것으로, 특히, 전류고정날개 설계 시 사용할 전류고정날개의 성능 예측 모델을 생성하는 방법에 관한 것이다. The present invention relates to a current stator blade, and more particularly, to a method of generating a performance prediction model of a current stator blade to be used when designing the current stator blade.

선박의 운항은 프로펠러의 회전에 의한 추진력을 사용하는데, 프로펠러가 회전 시 후류에서 프로펠러의 회전방향에 대한 접선방향의 속도성분(tangential velocity)이 불가피하게 생성된다. 이러한 접선방향의 속도성분은 좌현과 우현에서 각각 상부를 향하게 되며, 그 결과 프로펠러의 회전방향에 대한 접선방향의 속도성분이 선박의 추진효율을 감소시키는 원인으로 작용하게 된다.The operation of the ship uses the propulsion force caused by the rotation of the propeller, and when the propeller rotates, a tangential velocity with respect to the rotational direction of the propeller is inevitably generated in the wake. The speed component in the tangential direction is directed upward from the port and starboard, respectively, and as a result, the speed component in the tangential direction to the rotation direction of the propeller acts as a cause of reducing the propulsion efficiency of the ship.

이로 인해 프로펠러의 후류에서 소실되는 프로펠러의 운동에너지를 회수하기 위하여 다양한 구조가 적용되는데, 이 중에는 프로펠러의 전방에서 프로펠러의 축 방향 중심선에 대해 방사상으로 설치되는 전류 고정 날개가 있다. Due to this, various structures are applied to recover the kinetic energy of the propeller lost in the wake of the propeller. Among them, there is a current stator blade installed radially from the front of the propeller to the axial centerline of the propeller.

도 1은 전류고정날개 및 프로펠러의 사진이다. 1 is a photograph of a current stator blade and a propeller.

도 1a 및 도 1b를 참조하면, 전류고정날개(110)는 선박의 선미부에 설치되는 프로펠러(150)의 전방에 프로펠러(150)의 축 방향 중심선에 대하여 방사상으로 하나 이상의 블레이드(Blade, 110)로 구현된다는 것을 알 수 있다. Referring to Figures 1a and 1b, the current fixed wing 110 is one or more blades radially with respect to the axial centerline of the propeller 150 in front of the propeller 150 installed in the stern portion of the ship (Blade, 110) It can be seen that it is implemented as

선박의 전류고정날개(100)는 주로 저속 비대선에 적용되어 선박의 속도 성능을 향상시키도록 한다. 즉, 전류고정날개(100)는 프로펠러(150)에 의해 유기되는 접선방향의 속도와 반대되는 방향의 접선방향 속도를 제공하기 위하여 프로펠러(150)의 전방에서 고정날개(110)의 형태로 설치되며, 프로펠러(150)의 후류에서 회전방향 운동에너지의 손실을 최소화하고, 이를 통해 선박의 추진효율을 향상시킨다. The current fixed wing 100 of the ship is mainly applied to the low-speed large ship to improve the speed performance of the ship. That is, the current fixed blade 100 is installed in the form of a fixed blade 110 in front of the propeller 150 in order to provide a tangential speed in the opposite direction to the tangential speed induced by the propeller 150. , minimize the loss of rotational kinetic energy in the wake of the propeller 150, thereby improving the propulsion efficiency of the vessel.

전류고정날개(100)를 구성하는 각 블레이드(110)의 최적 각도는 선박 모형시험을 통해서 결정된다. 종래에는 선박의 해석 도구인 CFD(Computational Fluid Dynamics, 전산 유체역학)를 활용하여 전류고정날개(100) 표면에 작용하는 각종 물리량, 전류고정날개(100) 주변의 유체 흐름을 예측한 결과를 이용하여 전류고정날개(100)를 설계하였다. 여기서 전류고정날개(100)의 표면에 작용하는 물리량은 전류고정날개(100)의 표면에 작용하는 압력이나 전단력을 의미하고, 전류고정날개(100) 주변의 유체 흐름은 전류고정날개(100) 주변의 유속이나 유선을 의미한다. The optimal angle of each blade 110 constituting the current fixed blade 100 is determined through a ship model test. Conventionally, by using CFD (Computational Fluid Dynamics), which is a ship's analysis tool, various physical quantities acting on the surface of the current stator blade 100 and the fluid flow around the stator wing 100 were predicted. The current fixing blade 100 was designed. Here, the physical quantity acting on the surface of the current fixed blade 100 means a pressure or shear force acting on the surface of the current fixed blade 100, and the fluid flow around the current fixed blade 100 is around the current fixed blade 100. of the flow rate or streamline.

그러나 이러한 방식으로 결정되는 블레이드들의 최적 각도는 사양서의 보증 속도에 최적화된 각도로, 실제로 운항 중인 선박의 속도 또는 흘수 등의 다양한 조건에 따른 최적화된 각도를 제공하지 못하는 문제점이 있다. However, the optimum angle of the blades determined in this way is an angle optimized for the guaranteed speed of the specification, and there is a problem in that it is not possible to provide an optimized angle according to various conditions such as the speed or draft of the actually operating vessel.

대한민국 공개실용신안: 20-2018-0001134호(2018년 4월 24일)Republic of Korea Public Utility Model: No. 20-2018-0001134 (April 24, 2018)

본 발명이 해결하고자 하는 기술적 과제는, 기존 설계 시 사용한 CFD 데이터, 선박의 운항조건을 포함하는 추가 CFD 해석을 생성 & 수집하고, 이들에 대해 머신 러닝 학습을 통해 최적의 전류고정날개의 성능 예측 모델을 생성하는 전류고정날개 성능 예측 모델 생성방법을 제공하는 것에 있다. The technical problem to be solved by the present invention is to generate & collect additional CFD analysis including CFD data used in the existing design and operating conditions of the ship, and then learn the machine learning for the optimal current stator blade performance prediction model To provide a method for generating a current stator blade performance prediction model for generating

본 발명이 해결하고자 하는 다른 기술적 과제는, 기존 설계 시 사용한 CFD 데이터, 선박의 운항조건을 포함하는 추가 CFD 해석을 생성 & 수집하고, 이들에 대해 머신 러닝 학습을 통해 최적의 전류고정날개의 성능 예측 모델을 생성하는 전류고정날개 성은 예측 모델 생성장치를 제공하는 것에 있다. Another technical problem to be solved by the present invention is to generate & collect additional CFD analysis including CFD data used in the existing design and operating conditions of the ship, and predict the performance of the optimal current stator blade through machine learning learning for these The ability of the current stator to generate a model lies in providing a predictive model generator.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. will be able

상기 기술적 과제를 달성하기 위한 본 발명에 따른 전류고정날개 성능 예측 모델 생성방법은, A method of generating a current fixed blade performance prediction model according to the present invention for achieving the above technical problem,

상기 기술적 과제를 달성하기 위한 본 발명에 따른 전류고정날개 성능 예측 모델 생성장치는, Current stator blade performance prediction model generation device according to the present invention for achieving the above technical problem,

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. will be able

상술한 바와 같이, 본 발명에 따른 전류고정날개 성능 예측 모델 생성 방법 및 전류고정날개 성능 예측 모델 생성 장치는 전류고정날개 설계에 있어, 머신 러닝(기계 학습)을 적용하여 설계 범위 내의 모든 가능한 요소를 짧은 시간 내에 검토해 볼 수 있으므로, 머신 러닝이 적용된 가장 좋은 설계를 선택할 수 있는 장점이 있다. As described above, the current stator blade performance prediction model generation method and the current stator blade performance prediction model generation apparatus according to the present invention apply machine learning (machine learning) in the design of the current stator blade, all possible elements within the design range It has the advantage of selecting the best design with machine learning applied because it can be reviewed in a short time.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned may be clearly understood by those of ordinary skill in the art from the following description. will be.

도 1은 전류고정날개 및 프로펠러의 사진이다.
도 2는 본 발명에 따른 전류고정날개 성능 예측 모델 생성 방법의 실시 예이다.
도 3은 모델 최적화단계를 수행하는 예를 설명한다.
도 4는 최적화된 성능평가모델을 적용하였을 때의 추진 효율과 실제의 추진 효율을 비교한 테이블이다.
도 5는 본 발명에 따른 전류고정날개 성능 예측 모델 생성 장치의 실시 예이다. 1 is a photograph of a current stator blade and a propeller.
Figure 2 is an embodiment of the current stator blade performance prediction model generation method according to the present invention.
3 illustrates an example of performing the model optimization step.
4 is a table comparing the propulsion efficiency and the actual propulsion efficiency when the optimized performance evaluation model is applied.
5 is an embodiment of a current stator blade performance prediction model generating apparatus according to the present invention.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 예시적인 실시 예를 설명하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다. In order to fully understand the present invention, the operational advantages of the present invention, and the objects achieved by the practice of the present invention, reference should be made to the accompanying drawings describing exemplary embodiments of the present invention and the contents described in the accompanying drawings.

이하 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. Hereinafter, the present invention will be described in detail by describing preferred embodiments of the present invention with reference to the accompanying drawings. Like reference numerals in each figure indicate like elements.

도 2는 본 발명에 따른 전류고정날개 성능 예측 모델 생성 방법의 실시 예이다. Figure 2 is an embodiment of the current stator blade performance prediction model generation method according to the present invention.

도 2를 참조하면, 본 발명에 따른 전류고정날개 성능 예측 모델 생성 방법(200)은 기존설계 데이터 수집단계(210), 전류고정날개 형상에 대한 CFD 성능 해석 단계(220), 성능평가모델 생성단계(230), 모델 최적화단계(240), 및 최적화 검증 & 평가 단계(250)를 포함한다. Referring to FIG. 2 , the method 200 for generating a current stator blade performance prediction model according to the present invention includes the existing design data collection step 210 , the CFD performance analysis step 220 for the current stator blade shape, and the performance evaluation model generation step 230 , a model optimization step 240 , and an optimization validation & evaluation step 250 .

기존설계 데이터 수집단계(210)에서는 기존에 전류고정날개 설계 시 사용하였던 CFD 데이터를 수집한다. In the existing design data collection step 210 , CFD data previously used in designing the current stator blade is collected.

전류고정날개 형상에 대한 CFD 성능 해석 단계(220)에서는 특정의 전류고정날개를 설계할 때 고려하여야 할 추가 요소에 대해 CFD 해석을 수행한 데이터를 생성한다. 설계자가 고려해야 할 요소들로는 선박의 운항 조건, 전류고정날개에 작용하는 물리량, 전류고정날개 주변의 유체 흐름, 추진 효율, 전류고정날개의 형상이 있다. 선박의 운항 조건은 흘수, 선박의 운항 속도, 운항 지역, 운항 지역의 날씨, 파고, 조류 및 바람을 포함하며, 전류고정날개의 형상은 날개의 개수, 크기, 열림각, 길이 방향별 코드 분포, 및 section을 포함한다. 아래의 설명에서는 이해를 쉽게 하기 위하여, 선박의 운항 조건에 기초하여 전류고정날개 형상을 산출하는 과정에 대해서만 설명하고, 나머지 요소에 대해서는 전류고정날개 형상의 설명으로 갈음한다. 전류고정날개의 추진 효율은 정량적 데이터이지만, 전류고정날개에 작용하는 물리량 및 선박 주변의 유체의 흐름은 정량적 데이터가 아니고 정성적 데이터이다. In the CFD performance analysis step 220 for the current stator blade shape, data obtained by performing CFD analysis on additional factors to be considered when designing a specific current stator blade is generated. Factors to be considered by the designer are the operating conditions of the ship, the physical quantity acting on the current stator blade, the fluid flow around the current stator blade, propulsion efficiency, and the shape of the current stator blade. The ship's operating conditions include draft, ship's speed, operating area, weather in the operating area, wave height, current and wind. and section. In the following description, for ease of understanding, only the process of calculating the shape of the current stator blade based on the operating conditions of the ship will be described, and the remaining elements will be replaced with the description of the shape of the current stator blade. Although the propulsion efficiency of the current stator blade is quantitative data, the physical quantity acting on the current stator blade and the flow of fluid around the vessel are qualitative data, not quantitative data.

선박의 운항 조건인 흘수 및 운항 속도 중 적어도 하나의 값에 기초하여 적어도 하나의 전류고정날개의 최적 형상을 산출하기 위해서는, 전류고정날개의 형상에 대한 CFD 해석을 수행한다. 이 과정을 수행함으로써 전류고정날개 형상의 추진 효율을 예측하기 위해 데이터를 누적할 수 있다. 여기서 전류고정날개의 형상이 입력 데이터가 되고, 추진 효율 값이 출력 데이터가 될 것이다. In order to calculate the optimal shape of the at least one current stator blade based on at least one value of draft and operating speed, which are operating conditions of a ship, a CFD analysis is performed on the shape of the current stator blade. By performing this process, data can be accumulated to predict the propulsion efficiency of the current stator blade shape. Here, the shape of the current stator blade will be the input data, and the propulsion efficiency value will be the output data.

성능평가모델 생성단계(230)에서는 입력 데이터 즉 전류고정날개의 형상에 대해 검증이 확인된 기계 학습 알고리즘을 이용하여 기계 학습을 수행하여, 임의의 형상에서의 출력 데이터를 예측할 수 있는 모델을 생성한다. 여기서 기계 학습 알고리즘은, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 및 퍼셉트론(Perceptron) 등 다양하며, 본 발명에서는 이들 중 하나를 이용하여 기계학습을 수행할 것을 제안한다. In the performance evaluation model generation step 230, machine learning is performed using a machine learning algorithm that has been verified for the input data, that is, the shape of the current fixed blade, and a model capable of predicting output data in an arbitrary shape is generated. . Here, the machine learning algorithm includes a decision tree, a Bayesian network, a support vector machine, an artificial neural network, Adaboost, and a Perceptron. various, and the present invention proposes to perform machine learning using one of them.

모델 최적화단계(240)에서는 성능평가모델 생성단계(230)에서 생성한 성능평가모델에 최적화알고리즘을 적용하여 최고 추진 효율을 가지는 전류고정날개를 선정한다. 최적화알고리즘으로는 예를 들면 유전자 알고리즘을 사용하는 것이 바람직하고, 최적화알고리즘을 적용한다는 것은 입력 데이터를 변경하면서 출력데이터를 확인한다는 것을 의미한다. In the model optimization step 240, a current fixed blade having the highest propulsion efficiency is selected by applying an optimization algorithm to the performance evaluation model generated in the performance evaluation model generation step 230. It is preferable to use, for example, a genetic algorithm as the optimization algorithm, and applying the optimization algorithm means checking the output data while changing the input data.

도 3은 모델 최적화단계를 수행하는 예를 설명한다. 3 illustrates an example of performing the model optimization step.

도 3을 참조하면, 모델 최적화단계를 수행할 때의 입력 데이터는 3개의 전류고정날개의 각도가 사용되었고, 생성된 출력 데이터는 추진 효율이라는 것을 알 수 있다. 즉, 첫 번째 전류고정날개(No. 1), 두 번째 전류고정날개(No. 2) 및 세 번째 전류고정날개(No. 3)의 각도가 각각 -6°, 6° 및 10°일 때 추진 효율은 17040이고, -2°, -6° 및 6°일 때 추진 효율은 16692이고, 마지막으로 6°, 2° 및 10°일 때 추진 효율은 17074라는 것을 알 수 있다. Referring to FIG. 3 , it can be seen that the angle of three current stator blades is used as input data when performing the model optimization step, and the generated output data is propulsion efficiency. That is, propulsion when the angle of the first fixed blade (No. 1), the second fixed blade (No. 2) and the third fixed blade (No. 3) is -6°, 6° and 10°, respectively It can be seen that the efficiency is 17040, the propulsion efficiency at -2°, -6° and 6° is 16692, and finally the propulsion efficiency at 6°, 2° and 10° is 17074.

최적화 검증 & 평가 단계(250)에서는 최적화알고리즘을 사용하여 최적화한 모델에 사용하여 추진 효율을 생성하고, 이를 미리 설정한 기준과 비교하여, 성능평가모델의 최적화를 검증하고 평가한다. In the optimization verification & evaluation step 250, propulsion efficiency is generated using the optimized model using the optimization algorithm, and compared with a preset standard, the optimization of the performance evaluation model is verified and evaluated.

도 4는 최적화된 성능평가모델을 적용하였을 때의 추진 효율과 실제의 추진 효율을 비교한 테이블이다. 4 is a table comparing the propulsion efficiency and the actual propulsion efficiency when the optimized performance evaluation model is applied.

도 4를 참조하면, 성능평가모델 생성단계(230)에서 생성한 성능평가모듈을 이용하여 예측한 전류고정날개의 추진 효율이 실제의 경우와 비교할 때 각각 0.17% 및 0.04% 정도의 차이만 존재할 뿐이라는 것을 알 수 있다. Referring to FIG. 4, the propulsion efficiency of the current fixed blades predicted using the performance evaluation module generated in the performance evaluation model generation step 230 is only about 0.17% and 0.04% difference, respectively, when compared with the actual case. it can be seen that

미리 설정한 차이기준이 설정되어 있고 설정 차이기준이 1%라고 가정할 때, 도 4의 경우와 같은 경우라면 차이기준을 밑도는 차이가 존재하므로, 성능평가모델 생성단계(230)에서 생성한 성능평가모듈은 기준을 통과(PASS)하였다고 할 수 있다. 만일 차이기준을 통과하지 못한다면(NOT PASS) 성능 평가 모델을 재생성하도록 하여야 한다. Assuming that a preset difference criterion is set and the set difference criterion is 1%, in the case of FIG. 4 , there is a difference below the difference criterion, so the performance evaluation generated in the performance evaluation model generation step 230 . The module can be said to have passed the standard. If the difference criterion is not passed (NOT PASS), the performance evaluation model should be regenerated.

전술한 도 2에 도시된 본 발명을 수행하는 프로그램, 프로그램을 저장한 기록매체, 기록매체에 저장된 프로그램을 수행하는 컴퓨터로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. It is possible to implement the program for performing the present invention shown in FIG. 2 described above, a recording medium storing the program, and a computer executing the program stored in the recording medium. The computer readable medium includes all kinds of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.

도 5는 본 발명에 따른 전류고정날개 성능 예측 모델 생성 장치의 실시 예이다. 5 is an embodiment of a current stator blade performance prediction model generating apparatus according to the present invention.

도 5를 참조하면, 본 발명에 따른 전류고정날개 성능 예측 모델 생성 장치(500)는 기존설계 데이터 수집부(510), 전류고정날개 형상에 대한 CFD 성능 해석부(520), 성능평가모델 생성부(530), 모델 최적화부(540), 및 최적화 검증 & 평가부(550)를 포함한다. 5, the current stator blade performance prediction model generating device 500 according to the present invention includes an existing design data collection unit 510, a CFD performance analysis unit 520 for the current stator blade shape, and a performance evaluation model generation unit 530 , a model optimization unit 540 , and an optimization verification & evaluation unit 550 .

기존설계 데이터 수집부(510)는 기존에 전류고정날개 설계 시 사용하였던 CFD 데이터를 수집한다. The existing design data collection unit 510 collects CFD data used in the design of the current fixed blades.

전류고정날개 형상에 대한 CFD 성능 해석부(520)는 특정의 전류고정날개를 설계하고 할 때 고려하여야 할 추가 요소에 대해 CFD 해석을 수행한 데이터를 생성 & 해석한다. 설계자가 고려해야 할 요소들로는 선박의 운항 조건, 전류고정날개에 작용하는 물리량, 전류고정날개 주변의 유체 흐름, 추진 효율, 전류고정날개의 형상이 있다. 선박의 운항 조건은 흘수, 선박의 운항 속도, 운항 지역, 운항 지역의 날씨, 파고, 조류 및 바람을 포함하며, 전류고정날개의 형상은 날개의 개수, 크기, 열림각, 길이 방향별 코드 분포, 및 section을 포함한다. The CFD performance analysis unit 520 for the shape of the current stator blade generates & analyzes data obtained by performing CFD analysis on additional factors to be considered when designing and performing a specific current stator blade. Factors to be considered by the designer are the operating conditions of the ship, the physical quantity acting on the current stator blade, the fluid flow around the current stator blade, propulsion efficiency, and the shape of the current stator blade. The ship's operating conditions include draft, ship's speed, operating area, weather in the operating area, wave height, current and wind. and section.

성능평가모델 생성부(530)는 입력 데이터 즉 전류고정날개의 형상에 대해 검증이 확인된 기계 학습 알고리즘을 이용하여 기계 학습을 수행하여, 임의의 형상에서의 출력 데이터를 예측할 수 있는 모델을 생성한다. 여기서 기계 학습 알고리즘은, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 및 퍼셉트론(Perceptron) 등 다양하며, 본 발명에서는 이들 중 하나를 이용하여 기계학습을 수행할 것을 제안한다. The performance evaluation model generation unit 530 performs machine learning using a machine learning algorithm that has been verified for the input data, that is, the shape of the fixed current blade, and generates a model capable of predicting output data in an arbitrary shape. . Here, the machine learning algorithm includes a decision tree, a Bayesian network, a support vector machine, an artificial neural network, Adaboost, and a Perceptron. various, and the present invention proposes to perform machine learning using one of them.

모델 최적화부(540)는 성능평가모델 생성부(530)에서 생성한 성능평가모델에 최적화알고리즘을 적용하여 최고 추진 효율을 가지는 전류고정날개를 선정한다. 최적화알고리즘으로는 예를 들면 유전자 알고리즘을 사용하는 것이 바람직하고, 최적화알고리즘을 적용한다는 것은 입력 데이터를 변경하면서 출력데이터를 확인한다는 것을 의미한다. The model optimization unit 540 applies an optimization algorithm to the performance evaluation model generated by the performance evaluation model generation unit 530 to select a current fixed blade having the highest propulsion efficiency. It is preferable to use, for example, a genetic algorithm as the optimization algorithm, and applying the optimization algorithm means checking the output data while changing the input data.

최적화 검증 & 평가부(550)는 최적화알고리즘을 사용하여 최적화한 모델에 사용하여 추진 효율을 생성하고, 이를 미리 설정한 기준과 비교하여, 성능평가모델의 최적화를 검증하고 평가한다. The optimization verification & evaluation unit 550 generates propulsion efficiency using the optimized model using the optimization algorithm, compares it with a preset standard, and verifies and evaluates the optimization of the performance evaluation model.

이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 기술자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방 가능함은 명백한 사실이다. In the above, the technical idea of the present invention has been described together with the accompanying drawings, but this is an exemplary description of a preferred embodiment of the present invention and does not limit the present invention. In addition, it is a clear fact that any person skilled in the art to which the present invention pertains can make various modifications and imitations without departing from the scope of the technical spirit of the present invention.

510: 기존설계 데이터 수집부
520: 전류고정날개 형상에 대한 CFD 성능 해석부
530: 성능평가모델 생성부
540: 모델 최적화부
550: 최적화 검증 & 평가부 510: Existing design data collection unit
520: CFD performance analysis unit for the shape of the current stator blade
530: performance evaluation model generation unit
540: model optimization unit
550: Optimization Validation & Evaluation Unit

Claims (10)

기존 전류고정날개 설계 시 사용하였던 CFD 데이터를 수집하는 기존설계 데이터 수집단계;
특정의 전류고정날개를 설계할 때 고려하여야 할 추가 요소에 대해 CFD 해석을 수행한 데이터를 생성하는 전류고정날개 형상에 대한 CFD 성능 해석 단계;
입력 데이터인 상기 전류고정날개의 형상에 대해 검증이 확인된 기계 학습 알고리즘을 이용하여 기계 학습을 수행하여, 임의의 형상에서의 출력 데이터를 예측할 수 있는 모델을 생성하는 성능평가모델 생성단계;
상기 성능평가모델 생성단계에서 생성한 성능평가모델에 최적화알고리즘을 적용하여 최고 추진 효율을 가지는 전류고정날개를 최적화하는 모델 최적화단계; 및
최적화알고리즘을 사용하여 최적화한 모델에 사용하여 추진 효율을 생성하고 생성된 추진 효율을 미리 설정한 기준과 비교하여, 성능평가모델의 최적화를 검증하고 평가하는 최적화 검증 & 평가 단계; 를
포함하는 전류고정날개 성능 예측 모델 생성방법. Existing design data collection step of collecting the CFD data used in the design of the existing current stator blade;
CFD performance analysis step for the shape of the current stator blade to generate data obtained by performing CFD analysis on additional factors to be considered when designing a specific current stator blade;
A performance evaluation model generation step of generating a model capable of predicting output data in an arbitrary shape by performing machine learning using a machine learning algorithm whose verification has been confirmed for the shape of the current stator blade as input data;
a model optimization step of optimizing a current fixed blade having the highest propulsion efficiency by applying an optimization algorithm to the performance evaluation model generated in the performance evaluation model generation step; and
an optimization verification & evaluation step of generating propulsion efficiency using the optimized model using the optimization algorithm and comparing the generated propulsion efficiency with a preset standard to verify and evaluate the optimization of the performance evaluation model; cast
Current stator blade performance prediction model generation method including. 제1항에서, 상기 설계할 때 고려해야 할 요소는,
선박의 운항 조건, 전류고정날개에 작용하는 물리량, 전류고정날개 주변의 유체 흐름, 추진 효율, 전류고정날개의 형상 중 적어도 하나인 전류고정날개 성능 예측 모델 생성방법. In claim 1, the factors to be considered when designing,
Current stator blade performance prediction model generation method, which is at least one of the ship's operating conditions, physical quantity acting on the current stator blade, fluid flow around the current stator blade, propulsion efficiency, and the shape of the current stator blade. 제2항에서, 상기 선박의 운항 조건은,
흘수, 선박의 운항 속도, 운항 지역, 운항 지역의 날씨, 파고, 조류 및 바람을 포함하는 전류고정날개 성능 예측 모델 생성방법. In claim 2, the operating conditions of the ship,
A method of generating a current stator blade performance prediction model including draft, vessel operating speed, operating area, weather in the operating area, wave height, current and wind. 제2항에서, 상기 전류고정날개의 형상은,
날개의 개수, 크기, 열림각, 길이 방향별 코드 분포, 및 section을 포함하는 전류고정날개 성능 예측 모델 생성방법. The method of claim 2, wherein the shape of the current fixing blade,
A method of generating a current stator blade performance prediction model including the number of blades, size, opening angle, code distribution for each longitudinal direction, and section. 제1항에서, 상기 기계 학습 알고리즘은,
의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 및 퍼셉트론(Perceptron) 중 하나인 전류고정날개 성능 예측 모델 생성방법. The method of claim 1, wherein the machine learning algorithm comprises:
Current stator blade performance as one of Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, Adaboost, and Perceptron How to create a predictive model. 제1항에서, 상기 최적화 알고리즘은,
유전자 알고리즘인 전류고정날개 성능 예측 모델 생성방법. The method of claim 1, wherein the optimization algorithm comprises:
Genetic algorithm, a method of generating a model for predicting the performance of a current stator blade. 기존 전류고정날개 설계 시 사용하였던 CFD 데이터를 수집하는 기존설계 데이터 수집부;
특정의 전류고정날개를 설계하고 할 때 고려하여야 할 추가 요소에 대해 CFD 해석을 수행한 데이터를 생성 & 해석하는 전류고정날개 형상에 대한 CFD 성능 해석부;
입력 데이터인 전류고정날개의 형상에 대해 검증이 확인된 기계 학습 알고리즘을 이용하여 기계 학습을 수행하여, 임의의 형상에서의 출력 데이터를 예측할 수 있는 모델을 생성하는 성능평가모델 생성부;
상기 성능평가모델 생성부에서 생성한 성능평가모델에 최적화알고리즘을 적용하여 최고 추진 효율을 가지는 전류고정날개 모델을 최적화하는 모델 최적화부; 및
최적화알고리즘을 사용하여 최적화한 모델에 사용하여 추진 효율을 생성하고, 이를 미리 설정한 기준과 비교하여, 성능평가모델의 최적화를 검증하고 평가하는 최적화 검증 & 평가부를 포함하는 전류고정날개 성능 예측 모델 생성장치. an existing design data collection unit that collects CFD data used in designing the existing current stator blades;
CFD performance analysis unit for the shape of the current stator blade that generates & analyzes the data performed CFD analysis for additional factors to be considered when designing and performing a specific current stator blade;
a performance evaluation model generation unit for generating a model capable of predicting output data in an arbitrary shape by performing machine learning using a machine learning algorithm whose verification has been confirmed for the shape of the current stator blade as input data;
a model optimization unit for optimizing a current fixed blade model having the highest propulsion efficiency by applying an optimization algorithm to the performance evaluation model generated by the performance evaluation model generation unit; and
Propulsion efficiency is generated using the optimized model using the optimization algorithm, and compared with a preset standard, the current stator blade performance prediction model including the optimization verification & evaluation unit that verifies and evaluates the optimization of the performance evaluation model Device. 제1항 내지 제6항 중 어느 하나의 항에 기재된 방법을 수행하는 명령어를 포함하는 프로그램. A program comprising instructions for performing the method according to any one of claims 1 to 6. 제8항의 상기 프로그램을 저장하는 기록매체. A recording medium storing the program of claim 8 . 제9항의 상기 기록매체에 저장된 프로그램을 수행하는 컴퓨터. A computer executing the program stored in the recording medium of claim 9 .
KR1020210011017A 2021-01-26 2021-01-26 A method and apparatus for generating a pre-swirl stator performance prediction model KR20220107840A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210011017A KR20220107840A (en) 2021-01-26 2021-01-26 A method and apparatus for generating a pre-swirl stator performance prediction model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210011017A KR20220107840A (en) 2021-01-26 2021-01-26 A method and apparatus for generating a pre-swirl stator performance prediction model

Publications (1)

Publication Number Publication Date
KR20220107840A true KR20220107840A (en) 2022-08-02

Family

ID=82845740

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210011017A KR20220107840A (en) 2021-01-26 2021-01-26 A method and apparatus for generating a pre-swirl stator performance prediction model

Country Status (1)

Country Link
KR (1) KR20220107840A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180001134U (en) 2016-10-14 2018-04-24 대우조선해양 주식회사 Resonance avoidance type pre-swirl stator

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180001134U (en) 2016-10-14 2018-04-24 대우조선해양 주식회사 Resonance avoidance type pre-swirl stator

Similar Documents

Publication Publication Date Title
Lawson et al. Development and verification of a computational fluid dynamics model of a horizontal-axis tidal current turbine
Wen et al. A numerical study on the angle of attack to the blade of a horizontal-axis offshore floating wind turbine under static and dynamic yawed conditions
Marten et al. Nonlinear lifting line theory applied to vertical axis wind turbines: Development of a practical design tool
Hansen Airfoil optimization for wind turbine application
Shives Hydrodynamic modeling, optimization and performance assessment for ducted and non-ducted tidal turbines
Ghaemi et al. Analysis of hull, propeller and engine interactions in regular waves by a combination of experiment and simulation
Walker et al. Digital twins of the mooring line tension for floating offshore wind turbines to improve monitoring, lifespan, and safety
Berger et al. A two-stage optimisation method for full-scale marine propellers working behind a ship
Trentin et al. Screening analysis and unconstrained optimization of a small-scale vertical axis wind turbine
Li et al. Optimal design of horizontal axis tidal current turbine blade
Win Naung et al. Aerodynamic analysis of a wind turbine with elevated inflow turbulence and wake using harmonic method
KR20220107840A (en) A method and apparatus for generating a pre-swirl stator performance prediction model
Yurtseven et al. The numerical investigation of spindle torque for a controllable pitch propeller in feathering maneuver
Osman et al. Added mass and damping forces of a floating tidal turbine undergoing pendulum motion
Davidson LESFOIL: A European project on large eddy simulations around a high-lift airfoil at high Reynolds number
Jiang et al. Modeling and analysis of offshore floating wind turbines
Gallardo et al. Hammerstein–wiener based reduced-order model for vortex-induced non-linear fluid–structure interaction
Sacher et al. Sail trimming FSI simulation-comparison of viscous and inviscid flow models to optimise upwind sails trim
Kumar et al. Design optimization of a horizontal axis tidal stream turbine blade using CFD
Li et al. Unsteady flow characteristics during runaway process in Francis turbine: Insights from numerical investigation
Majumder et al. Numerical investigation of significance of duct angle of attack and duct position in a ducted propeller in the presence of propeller boss cap fin
KR20220108650A (en) A angle adjustable pre-swirl stator management method and angle adjustable pre-swirl stator management system
Sanvito et al. Assessing the sensitivity of stall-regulated wind turbine power to blade design using high-fidelity cfd
Deluca et al. Scalable coupled ocean and water turbine modeling for assessing ocean energy extraction
Liu et al. On long-term fatigue damage estimation for a floating offshore wind turbine using a surrogate model