一种海水淡化增压多级泵叶轮智能优化方法与流程

本发明属于泵优化设计领域，尤其是海水淡化增压泵的叶轮及其优化办法。

背景技术：

海水由于其含盐量非常高，因此不能会直接被使用。目前主要采用两种方法淡化海水：蒸馏法和反渗透膜法。蒸馏法主要被用于特大型海水淡化处理上以及热能丰富的地方，相对而言，反渗透膜法的适用面更广，且脱盐率更高，因此被广泛应用。反渗透膜法首项将海水提取上来进行初步处理，降低海水蚀度，杀灭细菌等微生物，然后采用特种高压泵增压，使海水进入反渗透膜。经过该方法处理后的海水，其含盐量大大降低，淡化后的水质甚至优于自来水，从而供给工业、商业、居民等领域使用。

然后，由于季节变化，提取上来的海水温度差距很大。据相关资料显示，北半球亚热带地区表层海水温度的年温差可达5-10℃。工质温度的变化对于泵的扬程等外特性性能具有一定影响，而对于增压泵而言，维持出口压力的稳定对于海水淡化工作具有重要意义。目前，根据不同的海水温度，海水淡化工作中主要采用变转速的方法调节流量，从而维持出口压力稳定，然而，关于适用不同水温的海水淡化泵叶轮的优化设计工作并未见报道。

技术实现要素：

针对该泵的特点，为了维持该泵对于不同温度工质性能稳定，本发明提供了一种结合多目标遗传算法(multi-objectivegeneticalgorithm,moga)和cfd技术(computationalfluiddynamics)的海水淡化增压泵叶轮的多目标优化设计方法，以提高海水淡化增压多级泵对不同温度工质的扬程稳定性。

本发明是通过以下技术手段实现上述技术目的的。一种海水淡化增压多级泵叶轮智能优化方法，包括以下步骤：

(1)采用visualstudio2017编译遗传算法脚本(c++)主程序并设置算法参数；

(2)采用随机抽样方法对染色体在计算域内进行初始化；

(3)将步骤(2)所得的染色体参数代入ansysworkbench18.0，调用ansysbladegen18.0建立每个染色体对应的叶轮水体模型；

(4)将步骤(3)中所得的叶轮水体图导入ansysicem18.0，绘制叶轮网格；

(5)将步骤(4)中所得的叶轮网格和静水域网格代入ansyscfx18.0进行定常数值；

(6)读取步骤(5)所得计算结果，得到其在不同温度工质下的扬程，对目标函数值进行归一化加权组合，得到统一评价函数。

(7)读取步骤(6)中的统一评价函数，获得染色体对计算域的适应度；

(8)判断步骤(7)中的最佳染色体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，返回步骤(3)继续迭代；若是，则停止迭代，输出优化结果。

上述方案中，采用贝塞尔曲线表达叶片型线、叶片厚度的变化趋势和叶片安放角的变化趋势，从而实现叶片的参数化造型。

上述方案中，采用ansysworkbench和c++程序结合实现自动化叶轮水体建模、叶轮水体网格绘制及外特性数值模拟。

上述方案中，采用脚本程序自动读取cfx计算结果。

上述方案中，对结果进行归一化加权组合处理，处理方法满足下公式：

其中，为第i步的迭代统一目标函数,cj为分函数权重，fjⁱ(χi)第i步迭代的第j分函数，fj,t为分函数典型值。

上述方案中，以统一目标函数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。

上述方案中，以统一目标函数作为残差收敛判定值，当目标函数残差降低至目标值以下或达到最大迭代数时，停止算法脚本并输出优化结果。

本发明的有益效果：

1.本发明采用多目标遗传算法(moga)结合cfd对参数化的海水淡化增压多级泵进行优化。该方法具有优化效率高，计算精度好，优化成功度高的优点。

2.本发明借助计算机实现对海水淡化增压多级泵的多工况优化，使其能够更好的适应不同温度的工质，从而在不同季节都能提供较好的性能。

附图说明

图1为叶片安放角变化的贝塞尔曲线示意图。

图2为叶片厚度变化的贝塞尔曲线示意图。

图3为叶片进口边型线的贝塞尔曲线示意图。

图4为bladegen自动生成的三维模型示意图。

图5为icem自动生成的网格示意图。

图6为优化设计流程图。

图7为优化前后叶轮扬程-工质温度曲线。

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。

本实施例提供的一种基于遗传算法的泵叶轮的多目标优化方法，包含以下步骤：

1.确定优化设计变量：叶片安放角、叶片厚度及叶片进口边型线；确定优化设计目标函数：不同温度工质下的海水淡化增压多级泵的扬程。

2.参数化设计变量x＝[px,1,py,2,...,px,n,py,n]并确定计算域ω；

3.在visualstudio2017平台使用c++编写moga脚本主程序，输入遗传算法所需参数(可使用默认设置)；

4.调用随机抽样(randomsampling,rs)在计算域ω内初始化染色体，得到初始染色体群χini

5.将所生成的初始染色体群χi导入到ansysbladegen18.0中自动造型；

6.将步骤5中所得的三维模型导入到ansysicem18.0中自动划分网格；

7.将步骤6中所得的网格导入至ansyscfx18.0中进行数值模拟；

8.读取步骤7的计算结果并进行归一化加权加和得到该步迭代的统一目标函数值

9.判断是否达到迭代停止条件(达到收敛精度或达到最大迭代数)，若是则停止迭代；若否，则通过交叉、变异和精英保留策略生成新一代的染色体群，并回到步骤5继续迭代计算。

进一步的，考虑到泵结构尺寸的限制，维持叶轮进口直径d1，叶轮出口直径d2，叶片出口宽度b2，叶轮前后盖板形状不变，仅对叶轮型线进行优化设计。

进一步的，进口弯管的形状优化过程中，设计变量x＝[px,1,py,2,...,px,n,py,n]，其中px,n指第n个控制点的横坐标，py,n指第n个控制点的纵坐标。

进一步的，叶片型线优化过程中，分别以五阶、三阶、三阶贝塞尔曲线来拟合叶片型线，叶片厚度和叶片进口边型线。

进一步的，在叶片型线的优化过程中，叶片型线以贝塞尔曲线表示：

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(步骤2中参数化后的优化变量定义与此处相同)。

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，步骤1中所述的计算域ω具体指由各设计变量上下限组成的多维空间，维数为2n。

进一步的，步骤4及步骤5中的染色体数据具体指m(m为种群规模)组不同的设计变量：

上式为m×2n矩阵，其中，每一行代表一个染色体(一组设计变量，格式同步骤1中的设计变量)，上标代表染色体编号。

进一步的，步骤8中统一目标函数具体形式如下：

其中，为第i步的迭代统一目标函数,cj为分函数权重，fjⁱ(χi)第i步迭代的第j分函数，fj,t为分函数典型值。

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6所示，首先使用编译好的优化软件录入遗传算法参数：

优化目标：计算域内11个温度点(10～20℃，每1℃为一个间隔)下海水淡化增压泵单级扬程最高；

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示，叶片进口边以三阶贝塞尔曲线表示，其中头尾控制点固定，中间两控制点x坐标固定，以y坐标为自变量，下同。叶片厚度变化曲线以三阶贝塞尔曲线表示，如图2所示；叶片安放角变化曲线以五阶曲线贝塞尔曲线表示，如图1所示。综上所述，共8个自变量。

参数边界：以每个自变量典型值±20％为计算边界。

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ansysworkbench18.0中调用bladegen18.0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ansysworkbench18.0导入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ansyscfx18.0进行定常数值模拟，得到该叶轮对应的在不同温度工质下的扬程。

将计算结果根据公式(3)进行归一化加权组合操作，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。

本例中的叶轮在优化前后扬程-温度曲线对比如图7所示，可见优化后扬程随温度变化的梯度有所下降。