一种中低比转速叶轮多工况智能优化方法技术

本发明专利技术涉及一种中低比转速叶轮多工况智能优化方法，包括：填写遗传算法运行所需要的参数，调用算法脚本，随机初始化种群染色体，调用对象函数脚本，建立叶轮水体模型。绘制叶轮网格。进行多工况的定常数值模拟，得到其不同工况下的外特性性能。将所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，反馈至算法程序评价各个染色体对计算域的适应度，并对其降序排列。判断最优结果是否满足优化要求，若是，则结束优化，输出优化结果；否则，对结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求。本发明专利技术有效避免了多工况优化设计中不同工况下效率提高不均的现象。

【技术实现步骤摘要】
一种中低比转速叶轮多工况智能优化方法
本专利技术属于泵优化设计领域，尤其是中低比转速的离心泵叶轮及其优化设计办法。
技术介绍
泵是重要的通用机械，广泛应用于各行各业。其中，中低比转速泵有小流量，大扬程的特点，被主要应用于高楼供水、消防等压力需求较高的场所。据相关资料统计，泵类能耗占全国年发电总量的17％以上，因此优化泵的效率对于节能减排具有重要意义。另外，实际使用中，该类泵种时常运行在非设计工况下，而较窄的高效运行区域也造成了不小的资源浪费。为了拓宽中低比转速的高效运行区，设计者引入了对该类泵种的多工况优化设计方法。目前，常用的多工况优化设计方法的目标一般为提高多个工况下的效率，但这类方法的弊端在于无法预知每个工况下效率的提升幅度，即存在优化后高效区依然狭窄的问题。
技术实现思路
针对现有技术中存在的不足，本专利技术提供了一种基于“效率屋”(HouseofEfficiency，如图1)理论的中低比转速离心泵叶轮的多工况优化设计方法，以提高该类泵种在非设计工况下的工作能力。本专利技术是通过以下技术手段实现上述技术目的的。一种中低比转速叶轮多工况智能优化方法，包括以下步骤：(1)采用Matlab2017b运行计算脚本主程序并填写遗传算法运行所需要的参数(可采用默认设置)。(2)调用算法脚本，代入步骤1中所输入的参数，随机初始化种群染色体，以使种群在计算域内具有多样性。(3)调用对象函数脚本，读取步骤2中每条染色体的参数，导入到CFTurbo10.0中建立叶轮水体模型。(4)将步骤3中所得的叶轮水体模型导入ANSYSICEM18.0中绘制叶轮网格。(5)将步骤4中所得的叶轮网格导入到ANSYSFluent18.0中，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能(效率、扬程)。(6)将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，反馈至算法程序评价各个染色体对计算域的适应度，并对其降序排列。(7)判断最优结果是否满足优化要求，若是，则结束优化，输出优化结果；否则，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求。上述方案中，采用五阶贝塞尔曲线表叶片安放角的变化趋势。上述方案中，使用3个工况(0.8倍、1.0倍和1.2倍设计流量点)下的效率作为优化目标函数。上述方案中，使用4个工况(关闭状态，0.8倍、1.0倍和1.2倍设计流量点)下的效率进行多项式拟合来求解“效率屋”的值。上述方案中，对结果进行拟合后计算“效率屋”评价值，处理方法满足下公式：式中，S为“效率屋”面积，φ为流量系数，η为效率，φ1为积分上限。上述方案中，以“效率屋”的值作为遗传算法中染色体的评价值，评价染色体对于计算域的适应度。本专利技术的有益效果：1.本专利技术采用“效率屋”作为评价函数对中低比转速叶轮进行多工况优化，有效避免了多工况优化设计中不同工况下效率提高不均的现象。2.本专利技术采用智能算法(GA)作为优化算法结合CFD计算，对参数化的叶轮进行优化，其具有高精度，适用范围广的优点。附图说明图1为本专利技术所述的“效率屋”示意图图2为本专利技术所述多工况优化方法的逻辑流程图。图3为叶片安放角贝塞尔曲线示意图。图4为CFTurbo自动生成的模型示意图。图5为ICEM自动生成网格示意图。图6为优化前后效率屋对比图。具体实施方式下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。一种中低比转速叶轮多工况智能优化方法，包含以下步骤：1.采用Matlab2017b运行计算脚本主程序并填写遗传算法运行所需要的参数(可采用默认设置)。2.调用算法脚本，代入步骤1中所输入的参数，随机初始化种群染色体，以使种群在计算域内具有多样性。3.调用对象函数脚本，读取步骤2中每条染色体的参数，导入到CFTurbo10.0中建立叶轮水体模型。4.将步骤3中所得的叶轮水体模型导入ANSYSICEM18.0中绘制叶轮网格。5.将步骤4中所得的叶轮网格导入到ANSYSFluent18.0中，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能(效率、扬程)。6.将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，反馈至算法程序评价各个染色体对计算域的适应度，并对其降序排列。7.判断最优结果是否满足优化要求，若是，则结束优化，输出优化结果；否则，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求。进一步的，所述的遗传算法所需参数包括：种群规模(Population)、交叉率(CrossoverProbability)、变异率(MutatingProbability)、代沟率(GapProbability)、最大遗传代数(MaximumGeneration)，变量上下限(UpperandLowerBounds)，收敛精度(Tolerance)。进一步的，在叶片型线的优化过程中，取叶片安放角为设计变量，三个工况(0.8倍、1.0倍和1.2倍设计流量)下的泵效率为优化目标函数。进一步的，在叶片型线优化过程中，从进口至出口的叶片安放角变化趋势以贝塞尔曲线表示：其中为二项式系数，变量t的取值范围为[0,1]。Px,i和Py,i为第i个控制点的坐标。式中控制点坐标即为设计变量。进一步的，所述的对计算结果的进行多项式拟合的具体操作为，使用计算得到的效率值和对应的流量系数(包括关闭状态、0.8倍设计流量点、1.0倍设计流量点和1.2倍设计流量点)作为样本进行多项式拟合。进一步的，所述的“效率屋”模型如图1所示，其面积计算方法如下：式中，S为“效率屋”面积，φ为流量系数，η为效率，φ1为积分上限。进一步的，流量系数定义为：进一步的，所述的判断优化结果的方法是，每一代最优结果达到收敛精度或迭代数达到上限，满足上述其一则停止迭代。具体实施例：本实施例的计算流程如图2所示，首先使用MATLAB2017b软件录入遗传算法参数：优化目标：计算域内“效率屋”面积最大；优化变量：参数化的叶片型线，以贝塞尔曲线控制点坐标为变量。如图3所示，叶片安放角的变化趋势以五阶贝塞尔曲线表示，各控制点x坐标固定，以y坐标为自变量，共6个自变量。参数边界：[10,80]。种群规模：20最大迭代数：100交叉率：0.8代沟率：0.9变异率：0.1精确度：10-4确定参数后，采用随机抽样方法对染色体信息进行初始化。将当前染色体信息导入CFTurbo10.0进行自动造型，造型结果如图4所示，其中每条染色体对应一个叶轮。将上述操作中所得的叶轮模型通过ANSYSICEM18.0进行自动划分网格，结果如图5所示。将上述操作所得的网格以及静水域网格通过ANSYSWorkBench18.0导入Fluent18.0进行定常数值模拟，得到该叶轮对应的不同流量下的效率值。将计算结果根据公式(3)求得效率屋面积，并将结果反馈给智能算法作为染色体评价值代入计算。判断上述结果是否达到迭代停止条件，若否，则对染色体进行交叉、变异等操作得到新一组染色体，重复上述造型、网格、计算和评价的操作；若是，则停止迭代，输出优化结果。本例中的叶轮(比转速为133)在优化后本文档来自技高网...

【技术保护点】
1.一种中低比转速叶轮多工况智能优化方法，其特征在于以下步骤：(1)采用Matlab 2017b运行计算脚本主程序并填写遗传算法运行所需要的参数；(2)调用算法脚本，代入步骤1中所输入的参数，随机初始化种群染色体，以使种群在计算域内具有多样性；(3)调用对象函数脚本，读取步骤2中每条染色体的参数，导入到CFTurbo 10.0中建立叶轮水体模型。(4)将步骤3中所得的叶轮水体模型导入ANSYS ICEM 18.0中绘制叶轮网格；(5)将步骤4中所得的叶轮网格导入到ANSYS Fluent 18.0中，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能；(6)将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，反馈至算法程序评价各个染色体对计算域的适应度，并对其降序排列；(7)判断最优结果是否满足优化要求，若是，则结束优化，输出优化结果；否则，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新一代染色体，并返回步骤3继续迭代计算，直到满足优化要求。

【技术特征摘要】
1.一种中低比转速叶轮多工况智能优化方法，其特征在于以下步骤：(1)采用Matlab2017b运行计算脚本主程序并填写遗传算法运行所需要的参数；(2)调用算法脚本，代入步骤1中所输入的参数，随机初始化种群染色体，以使种群在计算域内具有多样性；(3)调用对象函数脚本，读取步骤2中每条染色体的参数，导入到CFTurbo10.0中建立叶轮水体模型。(4)将步骤3中所得的叶轮水体模型导入ANSYSICEM18.0中绘制叶轮网格；(5)将步骤4中所得的叶轮网格导入到ANSYSFluent18.0中，对其进行多工况的定常数值模拟，得到其不同工况下的外特性性能；(6)将步骤5中所得的结果进行多项式拟合，并使用“效率屋”公式求得“效率屋”面积，反馈至算法程序评价各个染色体对计算域的适应度，并对其降序排列；(7)判断最优结果是否满足优化要求，若是，则结束优化，输出优化结果；否则，对步骤6中得到的结果进行择优、交叉和变异操作，已生成新...

【专利技术属性】
技术研发人员：甘星城，王文杰，裴吉，袁寿其，唐亚静，曹健，蒋伟，邓起凡，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32