[发明专利]一种液力透平叶轮多工况多目标优化设计方法

摘要

本发明专利涉及水力机械的优化设计领域，特别是一种液力透平叶轮多工况多目标优化设计方法。本发明专利的有益效果在于：训练BP神经网络优化算法建立以及更新近似预测模型，减少大负荷的CFD计算，以较少次数计算,获得足够的预测精度。BP神经网络优化算法与NSGA‑Ⅱ多目标遗传算法的有机结合，保证整个算法在不断搜索最优解集的同时，兼顾了种群的多样性，精度也得以提升。采用NSGA‑Ⅱ多目标遗传算法对透平叶轮进行优化求解，能较好地解决液力透平叶轮传统设计与选型的困难以及液力透平运中偏离最优工况时易出现的振动、功率输出不稳定、效率大幅度偏低等问题，兼顾透平效率、轴向力与径向力，可有效改善透平运行能力。

主权项

一种液力透平叶轮多工况多目标优化设计方法，其特征在于：首先确定液力透平泵叶轮关键几何参数作为优化设计变量及样本数，采用试验方法生成样本并对其进行筛选得到符合要求的样本点，对初始样本进行液力透平整体自动化造型、网格划分与CFD计算获得相应性能参数，建立优化样本数据库，导入BP神经网络模块经学习训练后建立优化算法的近似代理模型，最后将其内嵌入NSGA‑Ⅱ多目标遗传算法中，以0.7Q、1.0Q、1.2Q三个流量工况点下的效率、径向力和轴向力最优为目标，进行遗传算法的寻优求解，解出叶轮整体的最优解集。一种液力透平叶轮多工况多目标优化设计方法，具体实现步骤如下：Step1:确定液力透平叶轮设计变量、目标函数以及参数约束条件；其次，采用试验设计方法在设计变量的空间内生成设计变量的试验样本；最后，采用Pro/E软件对液力透平初始模型中的变量进行批量参数化设计；Step2:制作网格及CFD软件的批处理文件，实现液力透平所有的试验样本进行自动网格划分与性能CFD计算，最后得到所有模型的性能值；Step3:获得所有样本模型对应的性能参数后，根据试验样本的几何参数和对应液力透平的性能参数训练BP神经网络，以设计变量为近似模型的输入参数，以与之对应的性能参数为输出参数，建立近似代理模型；Step4:对种群中的每个个体进行性能评估以及遗传进化操作，其中个体性能评估功能是通过训练好的并内嵌于遗传算法中的代理模型来实现。采用NSGA‑Ⅱ多目标遗传算法对叶轮几何参数进行优化时，首先随机生成初始种群，初始种群中的个体编码；其次，对种群中每个个体进行性能评估，性能参数与目标函数相关；最后，有了每个个体的遗传基因以及目标函数后根据其原理对种群进行遗传操作直至满足算法终止准则，得到多目标优化的Pareto优化解集；Step5:对于获得的Pareto优化解集，采用基于组合赋权法对其进行选优，从该Pareto最优解集中选择一个最适合液力透平多工况高效平稳运行的最优解，从而获得最终优化设计的最优水力模型。