一种中低比转速叶轮多工况智能优化方法与流程

本发明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。

背景技术：

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。

技术实现要素：

针对现有技术中存在的不足，本发明提供了一种基于“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。

本发明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。

本发明的有益效果：

1.本发明采用“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.本发明采用智能算法(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为本发明所述的“效率屋”示意图

图2为本发明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发明作进一步的说明，但本发明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)在优化后效率屋如图6所示。