PDF《基于人工神经网络的管道泵进水流道性能优化》

73 mm,叶轮出口直径 D2 =

136 mm,叶片进口宽度 b1 = 34郾5mm,叶片出口宽度 b2 = 17郾8mm,叶片进 口安放角 茁1 = 28郾 6毅,叶片出口安放角 茁2 = 30郾 3毅,叶 片数 z = 6. 采用 Creo Parameter 4郾0对管道泵进行三维造 型,结果如图

1 所示. 肘形进水流道采用参数化造 型,以便在优化过程中采用 Matlab 对进水流道进行 自动调用实现三维模型更新. 图 1摇 管道泵三维造型 Fig. 1摇3D model of in鄄line pump 摇 1郾 2摇 网格划分 结构化网格有利于提高数值模拟精度,并减少 计算时间. 对叶轮和蜗壳采用 ICEM 进行六面体结 构网格划分. 采用 Workbench 平台中的 Mesh 功能 对肘形进水流道进行六面体网格划分. 对计算域进 行网格无关性分析,当网格数为

430 万时,扬程趋于 稳定,进口域、叶轮、蜗壳和出口管的网格数分别为

136 万、93 万、122 万和

78 万. 结构网格如图

2 所示. 图 2摇 计算域结构网格 Fig. 2摇Structural grids of calculational zooms 摇 1郾 3摇 数值模拟设置 采用 ANSYS CFX

18 软件对管道泵计算域进行 定常数值模拟,获得泵外性能和内流特性. 采用 SST 湍流模型求解 N S 方程. 进出口边界条件分

1 3

1 第9期摇 摇摇摇摇摇摇摇摇摇摇摇裴吉 等: 基于人工神经网络的管道泵进水流道性能优化 别为总压和质量流量. 旋转域和静止域间的交接面 设置 为 Frozen rotor冶, 静止域的交接面设置为 None冶. 采用高阶求解精度,最大迭代数为

1 500, 收敛残差为

10 -

4 . 图 4摇 控制变量示意图 Fig. 4摇Sketches of variables in optimization 2摇 优化过程 基于人工神经网络的管道泵肘形进水流道的优 化流程如图

3 所示. 以设计工况下泵效率为优化目 标,肘形进水流道的

11 个参数为优化变量,并定义 了设计变量的上下限,采用拉丁方试验设计方法在 设计范围内随机产生肘形进水流道的设计方案,对 所有的设计方案进行定常数值计算得到泵效率. 采 用人工神经网络建立效率与

11 个设计变量间的近 似数学模型,并进行预测值与真实值的回归分析. 应用群智能算法― ― ―粒子群算法对近似数学表达式 进行全局寻优. 获得最优肘形进水流道的设计参数 组合和最优的优化目标. 2郾 1摇 优化目标 根据定常数值模拟泵内部流动,并得到泵效率 计算公式为 浊=Qn T棕(p2tot - p1tot ) 伊100% (2) 式中摇 p2tot ― ― ―泵出口总压,Pa p1tot ― ― ―泵进口总压,Pa T― ― ―叶轮扭矩,N ・ m 棕― ― ―叶轮角速度,rad / s 图 3摇 进口管优化流程图 Fig. 3摇Flow chart of optimization procedure 摇 2郾 2摇 优化变量 选取肘形进水流道的不同截面及控制线的

11 个变量为设计参数,如图

4 所示. 各设计参数的上 下限如表

1 所示. 进口弯管的流线形状由五阶 Bezier 曲线表示 (图4a),截面 A、F 分别为进口弯管与进水管路和叶 轮的交界面. 考虑内流场改善和实际安装需要,令 控制点 P0 和P1 竖直方向固定(即y0 = y1 =

0 mm 为 定值,如图 4a 所示,以O点为原点建立直角坐标 系,控制点 P0 的坐标为(x0 , y0 ), 控制点 P1 的坐标 为(x1 ,y1 ),以此类推),控制点 P4 水平方向固定(即x4 = x5 =

0 mm,为定值),控制点 P5 位置固定( 即x5 =

0 mm,y5 = -

37 mm,为定值).

2 3

1 农摇 业摇 机摇 械摇 学摇 报摇 摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇2018年表1摇 设计参数上下限 Tab. 1摇Boundaries of design parameters mm 变量 x0 x1 x2 y2 x3 y3 y4 y7 y8 y11 y12 上限 -