System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于叶片冷却,具体涉及一种基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法。
技术介绍
1、燃气轮机具有启停迅速、运行灵活等特点,在新型电力系统中发挥着重要的支撑作用。为了提高燃气轮机的效率和功率,提高透平的进口温度是最直接和最有效的手段,这使得燃气轮机透平叶片长期承受极大的热负荷,需采取一系列的冷却手段对透平叶片进行高温防护,其中,对叶片内部进行冷却是最有效的方法之一。因此,研究透平叶片内部冷却通道的设计优化方法,对于增强透平叶片的安全性、保障燃气轮机机组的安全稳定运行、减少重大的经济损失和避免灾难性事故的发生具有十分重要的意义。
2、目前对于燃气轮机冷却通道的研究主要包括数值研究和试验研究。数值研究具有成本低、计算方便等优势,能得到试验测量难以获得的数据,但基于计算流体动力学的方法需大量重复开展不同模型和工况下的透平叶片气热特性分析,存在计算量大、内存需求大、计算耗时长等弊端,显著增加了透平叶片冷却通道的设计周期,也无法实现机组的实时控制。试验研究具有较高的可信度,能获得最接近真实运行状态的数据,但也存在试验环境搭建困难、试验件设计难度大、成本高等缺陷。
3、一方面,传统的数值研究方法和试验研究方法均存在一定的弊端。对于数值研究方法,其研究对象通常为型线确定的冷却通道,每一次更新迭代均需经过设计、建模、绘制网格、计算、后处理等多种步骤,寻优周期较长;对于试验研究方法,由于试验件设计及加工成本较高,利用试验研究方法进行冷却通道设计参数寻优几乎无法完成。另一方面,快速发展
技术实现思路
1、本专利技术的目的是为了快速获得综合性能高的透平叶片冷却通道,保障燃气轮机机组安全运行,提供了一种基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,以解决传统方法中优化效率较低、优化效果较差、计算周期长、成本高和不利于工业推广等问题。
2、本专利技术采用如下技术方案来实现的:
3、基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,包括以下步骤:
4、1)、参数化模型:
5、针对透平叶片内部冷却通道,选择冷却通道型线和冷却结构布置形式作为待优化的设计变量,确定设计空间和冷却通道型线参数si和冷却结构布置参数rj之间的约束方程,采用参数化的建模方式生成不同形状的冷却通道,其中i=1,2,3……,n,n为冷却通道型线参数个数,j=1,2,3……,m,m为冷却结构布置参数个数;
6、2)、样本生成:
7、基于采样原则,在设计参数空间{si,rj}内随机采样设计参数形成设计参数矩阵a,随后根据采样获得的设计参数矩阵a生成满足约束条件的模型结构集{cp},采用脚本语言自动生成有限元模型集{mp},按指定的边界条件对有限元模型集{mp}上的模型进行计算以获得模型的物理场信息数据集其中,p为采样点个数,q为所记录的场数据个数,co0为所有网络节点信息矩阵,包括温度场数据、压力场数据和速度场数据;
8、3)、数据预处理:
9、依据计算获得的物理场信息数据集对计算数据进行筛选,剔除换热水平不符合要求的数据集,去除计算异常的数据点,筛选后的设计变量矩阵和物理场信息数据集分别为a1和同时针对不同的深度学习网络,对有限元计算的物理场信息进行前处理,使物理场的输出符合深度学习模型的输入格式;
10、4)、构建基于深度学习的物理场预测模型:
11、搭建多种物理场预测模型,并对模型进行训练,实现从设计变量矩阵a和网络节点信息矩阵co1到物理场信息数据集之间的映射;
12、5)、搭建graph-based gan生成对抗网络模型:
13、搭建graph-based gan生成对抗网络模型,学习冷却通道模型的生成方式,实现从采样到冷却通道型线,再到冷却通道模型的连续映射;
14、6)、基于梯度下降法进行优化:
15、将生成网络和物理场预测模型结合形成梯度优化模型,利用该模型获得优化目标fopt与冷却通道型线的梯度信息,构建优化目标fopt与冷却通道型线参数si和冷却结构布置参数rj的微分关系,采用梯度下降法进行优化,获得综合冷却性能最优的设计参数值。
16、本专利技术进一步的改进在于,还包括以下步骤:
17、7)算法维护:
18、在实际过程中,当增加新设计参数时,按照步骤1)中模型参数化方式,制定新设计参数约束方程;然后按照步骤2)的方式在新设计参数空间形成新设计参数矩阵并构建新有限元模型集和物理场信息数据集;接着按照步骤3)的方法对新物理场数据集进行筛选并进行前处理;其次按照步骤4)的方法构建新的基于深度学习的物理场预测模型;之后按照步骤5)的方法搭建新的基于gan的冷却通道生成模型;最后按照步骤6)的方法构建优化目标和新设计变量的微分关系,采用梯度下降法进行优化并获得综合冷却性能最优的新设计参数值。
19、本专利技术进一步的改进在于,步骤1)的具体实现方式如下:
20、101)确定冷却通道型线参数si和冷却结构布置参数rj;
21、102)确定冷却通道型线参数si和冷却结构布置参数rj的约束方程,其表达式分别为:
22、di,min≤si≤di,max
23、dj,min≤rj≤dj,max
24、其中,di,min和di,max分别为冷却通道型线参数si的上界和下界,dj,min和dj,max分别为冷却结构布置参数rj的上界和下界;
25、在实际设计过程中,由于存在几何约束条件,各个变量之间不是绝对独立的,为了保证几何模型闭合,前置位变量会影响后置位变量的有效取值区间范围,因此后置位变量的取值区间范围应根据前置位变量确定的约束条件动态调整,形成新的有效取值区间范围,然后在改范围内对变量随机采样;
26、103)依据约束方程,采用参数化建模的方式生成不同形状的冷却通道。
27、本专利技术进一步的改进在于,步骤2)的具体实现方式如下:
28、201)在设计参数空间{si,rj},依据优化目标确立采样方法,随机采样设计参数并形成设计参数矩阵a;
29、202)生成满足约束条件的模型结构集{cp},采用脚本语言自动生成有限元模型集{mp};
30、203)依据实际工况确定冷却通道模型的边界条件,并按相同的边界条件对有限元模型集{mp}上的所有模型进行计算以获得模型的物理场信息数本文档来自技高网...
【技术保护点】
1.基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,还包括以下步骤:
3.根据权利要求1所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤1)的具体实现方式如下:
4.根据权利要求3所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤2)的具体实现方式如下:
5.根据权利要求4所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤2)的201)中,采样方法选择分层采样、拉丁超立方采样、霍尔顿采样和泊松盘采样原则。
6.根据权利要求4所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤3)的具体实现方式如下:
7.根据权利要求6所述的基于Graph-Based GAN的燃气轮机
8.根据权利要求6所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤4)的具体实现方法如下:
9.根据权利要求8所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤5)的具体实现方法如下:
10.根据权利要求9所述的基于Graph-Based GAN的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤6)的具体实现方法如下:
...【技术特征摘要】
1.基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,还包括以下步骤:
3.根据权利要求1所述的基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤1)的具体实现方式如下:
4.根据权利要求3所述的基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤2)的具体实现方式如下:
5.根据权利要求4所述的基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤2)的201)中,采样方法选择分层采样、拉丁超立方采样、霍尔顿采样和泊松盘采样原则。
6.根据权利要求4所述的基于graph-based gan的燃气轮机透平叶片冷却通道设计优化方法,其特征在于,步骤3)的具体实现方式如下:
7.根据权利要求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。