面向多层感知结构的叶轮高维优化及选型方法技术

本发明专利技术公开了一种面向多层感知结构的叶轮高维优化及选型方法，属于大数据学习模型领域。本发明专利技术先通过灵敏度分析进行设计变量的降维，然后利用云平台的分布式计算能力，基于耦合计算流体力学（CFD）获得大量的仿真样本对多层感知机（MLP）进行训练，得到大数据学习模型。然后基于大数据学习模型，继续在云平台上采用非支配排序遗传算法（NSGA

【技术实现步骤摘要】
面向多层感知结构的叶轮高维优化及选型方法


[0001]本专利技术属于大数据学习模型领域，具体涉及一种面向多层感知结构的叶轮高维优化及选型方法。

技术介绍

[0002]旋转机械将旋转动能转化为流体动力来输送流体, 优化旋转机械的效率、出力和抗空化能力等性能对节能具有重要意义。旋转机械通过叶轮转动而产生能量，因此叶轮对旋转机械性能的影响巨大，优化旋转机械性能的关键是改进叶轮的型线。
[0003]传统设计优化方法多采用经验与仿真结合的方式，旋转机械形状复杂，设计变量众多，因此在进行数值计算时往往计算周期长，计算量巨大。当前的数据方法主要侧重于基于当前仿真模型规划少量数据来构造学习模型，对已有的大量仿真数据缺乏关注，对此部分数据的忽视可能会导致数据学习模型不够精确，使得优化的设计点与实际存在较大偏差。而且影响旋转机械性能的主要性能参数包括扬程、效率、轴功率和抗空化能力，以往对旋转机械性能优化的技术均只考虑其单一或部分性能参数为优化目标，而上述性能参数相互约束，采取全局优化算法对全部性能参数进行高维多目标优化无法达到局部最优，且存在编码复杂、迭代时间长等缺点；基于梯度的优化方法对于单个目标函数是有效的，但对于获得高维多优化目标的全局最优解有局限性。
[0004]另外在目前的优化方法中，全局优化方法能够探索更为全面的解决方案，具有全局最优的优点，在以往的旋转机械设计研究中是首选。近年来旋转机械性能优化常用的全局优化方法，包括多目标遗传算法(MOGA)、多目标进化算法(MOEA)、多目标进化算法(MOEA)、人工蜂群算法(ABC) 、老鹰策略(ES)、人工鱼群算法(AFSA)，非支配排序遗传算法(NSGA
‑
II)。但全局优化算法也存在编码复杂、迭代时间长等缺点。此外，虽然可以通过全局优化算法获得帕累托最优，但由于各优化目标之间的矛盾，无法达到局部最优。基于梯度的优化方法对于单个目标函数是有效的，但对于获得高维多优化目标的全局最优解依然有局限性。
[0005]大数据学习的出现可以在不降低精度的情况下构建一个计算量小、计算周期短，且实现仿真数据与性能优化交换与融合的数学模型。大数据学习算法具有计算成本低的优点，可以更有效地研究设计变量与优化目标的的行为。响应面法、人工神经网络、径向基函数、克里金模型等机器学习算法已被广泛应用于旋转机械优化领域。基于大数据学习模型可以述相互约束的性能参数进行高维多目标优化，以获得性能显著的旋转机械。但是如何构建用于实现旋转机械叶轮高维多目标优化的大数据学习模型，同时使算法能快速准确地收敛到高维优化目标的全局最优解，是目前亟待解决的技术问题。

技术实现思路

[0006]本专利技术的目的在于解决现有技术中旋转机械叶轮优化时无法准确、高效地获得最优解的问题，并提供一种面向多层感知结构的叶轮高维优化及选型方法。
[0007]本专利技术所采用的具体技术方案如下：一种面向多层感知结构的叶轮高维优化及选型方法，其步骤如下：S1、以旋转机械的扬程、轴功率和水力效率为优化目标，对旋转机械的每个待选型线参数分别进行灵敏度分析，并根据灵敏度分析结果进行参数筛选，选择灵敏度最高的若干型线参数作为全局优化时的设计变量组合；S2、针对S1中得到的所述设计变量组合，在每个设计变量的参数优化范围内进行均匀抽样，形成若干组设计变量样本；再以稳态非空化工况下的扬程、轴功率和水力效率以及空化工况下的扬程下降率和空化轴功率共同作为高维优化目标，在云平台上对旋转机械的叶轮进行计算流体力学模拟仿真，输出每一组设计变量样本对应的高维优化目标仿真值，从而构建设计变量与高维优化目标的仿真样本库；S3、在云平台中基于多层感知机构建大数据学习模型，利用S2中得到的仿真样本库作为训练数据对其进行训练，使训练得到的大数据学习模型能够以所述设计变量组合中各设计变量的设计值为输入，输出对应高维优化目标的估计值；S4、基于S3中训练得到的大数据学习模型，在云平台中使用NSGA
‑
III多目标优化算法对设计变量组合中各设计变量的设计值进行优化，从优化得到的帕累托最优解集中筛选出一组具有帕累托最优性能的设计变量组合最优解以及对应的高维优化目标值；S5、以S4中得到的设计变量组合最优解自以为伴随方法优化的初始状态，以水力效率为优化目标，采用连续型伴随方法进一步优化叶轮整体型线，实现旋转机械叶轮的选型。
[0008]作为优选，所述S1中，参与灵敏度分析的待选型线参数包括出口直径、出口宽度、进口角、出口角、叶片数和进口直径。
[0009]作为优选，所述S1中，对于任一待选型线参数和任一优化目标进行灵敏度分析的方法为：在待选型线参数的参数优化范围内随机取一个值作为基准，然后对待选型线参数施加第一增长率，分别计算第一增长率施加前后优化目标计算结果的第二增长率，以第二增长率与第一增长率的比值作为当前型线参数对当前优化目标的灵敏度值。
[0010]作为优选，所述S1中，筛选得到的设计变量组合中包含2~4个设计变量。
[0011]作为优选，所述S2和S3中，空化工况下的扬程下降率ΔH均通过先计算稳态非空化工况下的扬程H和空化工况下的扬程H
c
，再按照公式ΔH=(H
‑
H
c
)/H换算得到。
[0012]作为优选，所述S2中，采用拉丁超立方抽样对所述设计变量组合中的所有K个设计变量进行均匀抽样，每一组设计变量样本中均包含带有样本值的K个设计变量。
[0013]作为优选，所述S2中，计算流体力学模拟仿真由预先安装于云平台上的CFturbo和Ansys Workbench实现，通过云计算实现对旋转机械中叶轮的参数化设计建模和自动协同仿真。
[0014]作为优选，所述S3中，训练得到的大数据学习模型的精度应满足拟合值与仿真值的均方误差小于0.5，若精度不满足要求则应重新训练。
[0015]作为优选，所述S4中，若优化得到的帕累托最优解集中存在多组解，则从中选择水力效率最高的一组作为设计变量组合最优解。
[0016]作为优选，所述S5中，连续型伴随方法的优化步骤如下：S51、以NSGA
‑
III多目标优化算法优化得到的叶轮型线作为初始状态计算流场；
S52、采用连续型伴随方法，从流动控制方程中推导出偏微分形式的伴随方程，再将伴随方程进行数值离散，得到离散化的伴随方程；S53、利用S52得到的伴随方程计算优化目标函数对叶片型线控制变量的梯度矢量，同时沿梯度矢量的反方向驱动流体域的网格变形，更新叶轮的型线，网格变形后重新计算流场；S54、不断重复S52和S53，直到优化目标函数的残差收敛，得到性能最优的叶轮整体型线。
[0017]本专利技术相对于现有技术而言，具有以下有益效果：本专利技术提出了一种面向多层感知结构的叶轮高维优化及选型方法，该方法采用多层感知机（Multi
‑
Layer Perceptron，MLP）学习大量旋转机械计算流体力学(CFD)的云计算数据；然后基于大数据学习结果，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向多层感知结构的叶轮高维优化及选型方法，其特征在于，步骤如下：S1、以旋转机械的扬程、轴功率和水力效率为优化目标，对旋转机械的每个待选型线参数分别进行灵敏度分析，并根据灵敏度分析结果进行参数筛选，选择灵敏度最高的若干型线参数作为全局优化时的设计变量组合；S2、针对S1中得到的所述设计变量组合，在每个设计变量的参数优化范围内进行均匀抽样，形成若干组设计变量样本；再以稳态非空化工况下的扬程、轴功率和水力效率以及空化工况下的扬程下降率和空化轴功率共同作为高维优化目标，在云平台上对旋转机械的叶轮进行计算流体力学模拟仿真，输出每一组设计变量样本对应的高维优化目标仿真值，从而构建设计变量与高维优化目标的仿真样本库；S3、在云平台中基于多层感知机构建大数据学习模型，利用S2中得到的仿真样本库作为训练数据对其进行训练，使训练得到的大数据学习模型能够以所述设计变量组合中各设计变量的设计值为输入，输出对应高维优化目标的估计值；S4、基于S3中训练得到的大数据学习模型，在云平台中使用NSGA
‑
III多目标优化算法对设计变量组合中各设计变量的设计值进行优化，从优化得到的帕累托最优解集中筛选出一组具有帕累托最优性能的设计变量组合最优解以及对应的高维优化目标值；S5、以S4中得到的设计变量组合最优解自以为伴随方法优化的初始状态，以水力效率为优化目标，采用连续型伴随方法进一步优化叶轮整体型线，实现旋转机械叶轮的选型。2.如权利要求1所述的面向多层感知结构的叶轮高维优化及选型方法，其特征在于，所述S1中，参与灵敏度分析的待选型线参数包括出口直径、出口宽度、进口角、出口角、叶片数和进口直径。3.如权利要求1所述的面向多层感知结构的叶轮高维优化及选型方法，其特征在于，所述S1中，对于任一待选型线参数和任一优化目标进行灵敏度分析的方法为：在待选型线参数的参数优化范围内随机取一个值作为基准，然后对待选型线参数施加第一增长率，分别计算第一增长率施加前后优化目标计算结果的第二增长率，以第二增长率与第一增长率的比值作为当前型线参数对当前优化目标的灵敏度值。4.如权利要求1所述的面向多层感知结构的叶轮高维优化及选...

【专利技术属性】
技术研发人员：童哲铭，辛佳格，童水光，
申请(专利权)人：浙江大学，
类型：发明
国别省市：