基于多目標(biāo)遺傳算法的雙流道泵葉輪水力優(yōu)化設(shè)計(jì)研究.pdf

1、雙流道泵(Double-Channel Pump，DCP)是一種特殊的流道式離心式泵，由于其葉輪的水力設(shè)計(jì)理論和方法不夠成熟，普遍存在著水力效率較低、能耗較高、運(yùn)行穩(wěn)定性較差的問題，開展雙流道泵葉輪的優(yōu)化設(shè)計(jì)研究勢(shì)在必行。然而，目前雙流道泵葉輪的優(yōu)化設(shè)計(jì)多采用試驗(yàn)和數(shù)值計(jì)算的方法，結(jié)合先進(jìn)的數(shù)值優(yōu)化算法的優(yōu)化設(shè)計(jì)研究較少。所以，以雙流道泵葉輪為研究對(duì)象進(jìn)行水力性能的多目標(biāo)設(shè)計(jì)優(yōu)化研究具有重要的意義:一方面可以通過多元回歸分析和人工神經(jīng)網(wǎng)

2、絡(luò)等近似模型，研究雙流道泵幾何參數(shù)和性能參數(shù)的交互影響，確定雙流道泵葉輪最優(yōu)設(shè)計(jì)方案所在的設(shè)計(jì)變量區(qū)域，同時(shí)，還可對(duì)比分析在不同近似模型下的雙流道泵葉輪優(yōu)化設(shè)計(jì)結(jié)果的可靠性;另一方面可以研究多目標(biāo)遺傳算法在葉輪機(jī)械優(yōu)化領(lǐng)域面臨的具體問題及解決方法，為其它葉輪機(jī)械的設(shè)計(jì)優(yōu)化提供參照。
　　在國家自然科學(xué)基金資助項(xiàng)目(No.51109094)的資助下，本文以一比轉(zhuǎn)數(shù)為110.9的雙流道泵葉輪為研究對(duì)象，對(duì)其水力優(yōu)化涉及的各個(gè)環(huán)節(jié)進(jìn)行系

3、統(tǒng)研究，提出適用于雙流道泵葉輪的多目標(biāo)遺傳優(yōu)化設(shè)計(jì)方法，主要工作和結(jié)論如下:
　　1、采用數(shù)值模擬方法研究了表面粗糙度對(duì)離心泵內(nèi)流場(chǎng)和外特性的影響規(guī)律，建立了考慮表面粗糙度的離心泵水力性能計(jì)算公式，解決了傳統(tǒng)流場(chǎng)模擬法計(jì)算離心泵水力性能時(shí)存在的缺點(diǎn):計(jì)算域不完全，計(jì)算結(jié)果無法全面展示真實(shí)流場(chǎng)情況、數(shù)值計(jì)算時(shí)未考慮表面粗糙度對(duì)內(nèi)流場(chǎng)和外特性的影響、未考慮前、后泵腔中葉輪蓋板與液體的摩擦產(chǎn)生扭矩，導(dǎo)致軸功率計(jì)算不準(zhǔn)確。研究表明:表面粗

4、糙度對(duì)葉輪流道內(nèi)尾流-射流結(jié)構(gòu)影響較大，因此對(duì)流場(chǎng)計(jì)算及流動(dòng)不合理分析影響較大;新建的全流場(chǎng)模擬法和改進(jìn)的水力性能計(jì)算公式可以較好預(yù)測(cè)DCP的水力性能，在設(shè)計(jì)工況下，揚(yáng)程的計(jì)算值與性能試驗(yàn)實(shí)測(cè)值相差-1.99％，效率相差為0.73％，軸功率的相差-4.21％，預(yù)測(cè)結(jié)果更加準(zhǔn)確。
　　2、采用均勻試驗(yàn)設(shè)計(jì)、人工神經(jīng)網(wǎng)絡(luò)和多元回歸分析相結(jié)合的方法，建立了雙流道泵水力性能參數(shù)與幾何參數(shù)之間關(guān)系，解決遺傳尋優(yōu)中子代樣本（臨時(shí)葉輪）的適應(yīng)度

5、函數(shù)賦值比較困難的問題。通過多元回歸分析方法，分析幾何參數(shù)及其交互作用對(duì)雙流道泵水力性能的影響，確定優(yōu)化方案所在設(shè)計(jì)變量的變化區(qū)間，和后續(xù)遺傳算法獲得的優(yōu)化方案進(jìn)行相互驗(yàn)證。研究表明:(1)通過均勻試驗(yàn)設(shè)計(jì)和數(shù)據(jù)歸一等預(yù)處理方法，可以較好地建立DCP的性能近似模型——性能參數(shù)與幾何參數(shù)之間的關(guān)系，避免試驗(yàn)次數(shù)過多和參數(shù)量綱不一致引起的神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂失敗和預(yù)測(cè)精度較差的問題;(2)多元回歸分析發(fā)現(xiàn)，葉輪外徑D2、出口寬度b2、入口直徑D

6、1和包角ψ，對(duì)揚(yáng)程的影響較大，且參數(shù)之間存在交互效應(yīng)，即，一個(gè)幾何參數(shù)改變時(shí)，另一幾何參數(shù)對(duì)DCP的性能影響程度和規(guī)律發(fā)生改變。當(dāng)楊程和效率滿足優(yōu)化目的時(shí)，即根據(jù)多元回歸方程H≥0.37、η≥1時(shí)，獲得了幾何參數(shù)的變化范圍:0.1≤D2≤0.25，D1≤0.05，0.3≤ψ≤0.6，b2≤0.2;通過不斷增加神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法，可以以較少訓(xùn)練樣本數(shù)，獲得預(yù)測(cè)誤差較小的神經(jīng)網(wǎng)絡(luò)。
　　3、首先，基于精英保留多目標(biāo)遺傳算法，聯(lián)合人

7、工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和高精度的CFD計(jì)算方法，建立了適用于葉輪機(jī)械水力優(yōu)化的多目標(biāo)遺傳優(yōu)化策略。該優(yōu)化策略包含了兩個(gè)循環(huán)，分別為遺傳算法尋優(yōu)循環(huán)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度校正循環(huán)。遺傳優(yōu)化循環(huán)在上一輪已建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)上，通過遺傳操作（選擇、交叉和變異）找到該預(yù)測(cè)模型下的穩(wěn)定的pareto前沿;神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度校正循環(huán)則通過添加新的訓(xùn)練樣本不斷提升神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。
　　然后，采用該優(yōu)化策略對(duì)一791翼型進(jìn)行了水力優(yōu)化，研究結(jié)果表

8、明:神經(jīng)網(wǎng)絡(luò)可以充當(dāng)在流體機(jī)械領(lǐng)域銜接先進(jìn)數(shù)值計(jì)算方法和遺傳算法的橋梁;神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度校正環(huán)節(jié)有效地提高了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)Pareto最優(yōu)解的準(zhǔn)確性，確保整個(gè)優(yōu)化策略朝著Pareto前沿方向進(jìn)行;與聯(lián)合多元回歸方程的多目標(biāo)遺傳優(yōu)化相比，聯(lián)合人工神經(jīng)網(wǎng)絡(luò)的多目標(biāo)遺傳優(yōu)化對(duì)擬合函數(shù)的依賴性較小，優(yōu)化結(jié)果更可靠。
　　最后，利用該優(yōu)化策略對(duì)本文所研究的雙流道泵葉輪進(jìn)行水力優(yōu)化，研究結(jié)果表明:(1)在雙流道泵葉輪優(yōu)化過程中，多元回歸分析可以

9、直觀的分析幾何參數(shù)及其交互效應(yīng)對(duì)性能的影響，確定葉輪最優(yōu)設(shè)計(jì)方案所在的幾何參數(shù)的范圍，聯(lián)合多目標(biāo)優(yōu)化算法可以獲得精確的最優(yōu)解，但最優(yōu)解受到多元回歸函數(shù)類型的影響，可能并非真實(shí)的最優(yōu)解;(2)在雙流道泵優(yōu)化領(lǐng)域，結(jié)合均勻試驗(yàn)設(shè)計(jì)方法和神經(jīng)網(wǎng)絡(luò)建模，可以準(zhǔn)確的逼近幾何參數(shù)和性能參數(shù)之間真實(shí)的關(guān)系，聯(lián)合多目標(biāo)遺傳算法可以獲得模式更加全面的最優(yōu)解，較少的受到擬合函數(shù)的影響;(3)優(yōu)化后泵的揚(yáng)程提高了3.7％，軸功率減小了2.68％，效率提高了6