[發明專利]面向多層感知結構的葉輪高維優化及選型方法

有效

• 申請號: 202110913883.5
• 申請日: 2021-08-10
• 公開（公告）號: CN113361047B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 童哲銘;辛佳格;童水光
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/28;G06F30/23;G06N3/04;G06F119/14
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種面向多層感知結構的葉輪高維優化及選型方法，其特征在于，步驟如下：

S1、以旋轉機械的揚程、軸功率和水力效率為優化目標，對旋轉機械的每個待選型線參數分別進行靈敏度分析，并根據靈敏度分析結果進行參數篩選，選擇靈敏度最高的若干型線參數作為全局優化時的設計變量組合；

S2、針對S1中得到的所述設計變量組合，在每個設計變量的參數優化范圍內進行均勻抽樣，形成若干組設計變量樣本；再以穩態非空化工況下的揚程、軸功率和水力效率以及空化工況下的揚程下降率和空化軸功率共同作為高維優化目標，在云平臺上對旋轉機械的葉輪進行計算流體力學模擬仿真，輸出每一組設計變量樣本對應的高維優化目標仿真值，從而構建設計變量與高維優化目標的仿真樣本庫；

S3、在云平臺中基于多層感知機構建大數據學習模型，利用S2中得到的仿真樣本庫作為訓練數據對其進行訓練，使訓練得到的大數據學習模型能夠以所述設計變量組合中各設計變量的設計值為輸入，輸出對應高維優化目標的估計值；

S4、基于S3中訓練得到的大數據學習模型，在云平臺中使用NSGA-III多目標優化算法對設計變量組合中各設計變量的設計值進行優化，從優化得到的帕累托最優解集中篩選出一組具有帕累托最優性能的設計變量組合最優解以及對應的高維優化目標值；

S5、以S4中得到的設計變量組合最優解自以為伴隨方法優化的初始狀態，以水力效率為優化目標，采用連續型伴隨方法進一步優化葉輪整體型線，實現旋轉機械葉輪的選型；

所述S2和S3中，空化工況下的揚程下降率ΔH均通過先計算穩態非空化工況下的揚程H和空化工況下的揚程H_c，再按照公式ΔH=(H-H_c)/H換算得到。

2.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S1中，參與靈敏度分析的待選型線參數包括出口直徑、出口寬度、進口角、出口角、葉片數和進口直徑。

3.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S1中，對于任一待選型線參數和任一優化目標進行靈敏度分析的方法為：在待選型線參數的參數優化范圍內隨機取一個值作為基準，然后對待選型線參數施加第一增長率，分別計算第一增長率施加前后優化目標計算結果的第二增長率，以第二增長率與第一增長率的比值作為當前型線參數對當前優化目標的靈敏度值。

4.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S1中，篩選得到的設計變量組合中包含2~4個設計變量。

5.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S2中，采用拉丁超立方抽樣對所述設計變量組合中的所有K個設計變量進行均勻抽樣，每一組設計變量樣本中均包含帶有樣本值的K個設計變量。

6. 如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S2中，計算流體力學模擬仿真由預先安裝于云平臺上的CFturbo和Ansys Workbench實現，通過云計算實現對旋轉機械中葉輪的參數化設計建模和自動協同仿真。

7.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S3中，訓練得到的大數據學習模型的精度應滿足擬合值與仿真值的均方誤差小于0.5，若精度不滿足要求則應重新訓練。

8.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S4中，若優化得到的帕累托最優解集中存在多組解，則從中選擇水力效率最高的一組作為設計變量組合最優解。

9.如權利要求1所述的面向多層感知結構的葉輪高維優化及選型方法，其特征在于，所述S5中，連續型伴隨方法的優化步驟如下：

S51、以NSGA-III多目標優化算法優化得到的葉輪型線作為初始狀態計算流場；

S52、采用連續型伴隨方法，從流動控制方程中推導出偏微分形式的伴隨方程，再將伴隨方程進行數值離散，得到離散化的伴隨方程；

S53、利用S52得到的伴隨方程計算優化目標函數對葉片型線控制變量的梯度矢量，同時沿梯度矢量的反方向驅動流體域的網格變形，更新葉輪的型線，網格變形后重新計算流場；

S54、不斷重復S52和S53，直到優化目標函數的殘差收斂，得到性能最優的葉輪整體型線。