考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法
【專利摘要】本發(fā)明針對(duì)大型空分裝備中透平膨脹機(jī)葉輪，具體涉及一種考慮缺陷的大型透平膨脹機(jī)葉輪葉片的結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法。本發(fā)明在原有葉輪應(yīng)力分析基礎(chǔ)上，加入缺陷因素，利用廣義回歸神經(jīng)網(wǎng)絡(luò)和基于遺傳算法的多目標(biāo)優(yōu)化算法對(duì)葉輪參數(shù)進(jìn)行遺傳優(yōu)化操作，最終得到分布均勻的Pareto最優(yōu)解作為葉輪葉片優(yōu)化參數(shù)，優(yōu)化過(guò)程集合了葉輪實(shí)際工作特點(diǎn)，葉輪整體強(qiáng)度與結(jié)構(gòu)剛度高，實(shí)用性強(qiáng)。該方法在滿足葉輪強(qiáng)度要求的條件下，降低缺陷作用下的應(yīng)力集中，提高葉輪的工作壽命，同時(shí)又減輕葉輪重量和轉(zhuǎn)動(dòng)慣量，節(jié)省材料。
【專利說(shuō)明】考慮缺陷的大型透平膨化機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明針對(duì)大型空分裝備中透平膨脹機(jī)葉輪，具體涉及一種考慮缺陷的大型透平 膨脹機(jī)葉輪葉片的結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法。

【背景技術(shù)】
[0002] 隨著空分設(shè)備的大型化發(fā)展，為其配套的大型透平膨脹機(jī)的需求也隨之增大。大 型透平膨脹機(jī)在結(jié)構(gòu)設(shè)計(jì)及動(dòng)力學(xué)特性方面與中小型透平膨脹機(jī)存在明顯不同。葉輪在大 型透平膨脹機(jī)中占有重要地位，屬于主承力部件，高速旋轉(zhuǎn)同時(shí)承受著離也力、氣動(dòng)力、激 振力、外物沖擊等循環(huán)交變載荷與動(dòng)載荷作用。葉輪工作環(huán)境十分惡劣，對(duì)大型透平膨脹機(jī) 中葉輪而言，其受力更加復(fù)雜，在高速旋轉(zhuǎn)過(guò)程中，不僅承受交變載荷和動(dòng)載荷作用，而且 還受到介質(zhì)腐蝕及粉塵磨損等多種其它因素的共同影響，極易造成葉片表面磨損，導(dǎo)致裂 紋等缺陷的產(chǎn)生。該些缺陷微小且不易被察覺(jué)，因此實(shí)際工作中的葉輪難免會(huì)含有缺陷，很 難達(dá)到毫無(wú)缺陷的理想狀態(tài)。而缺陷的存在易引起應(yīng)力集中，對(duì)葉輪結(jié)構(gòu)，尤其是大型透平 膨脹機(jī)葉輪設(shè)計(jì)要求很高，若結(jié)構(gòu)設(shè)計(jì)不合理，會(huì)受缺陷影響嚴(yán)重，強(qiáng)度不夠，使得葉輪提 前報(bào)廢，造成整個(gè)機(jī)械設(shè)備出現(xiàn)故障等現(xiàn)象，極易導(dǎo)致爆炸等重大事故的發(fā)生，對(duì)空分裝備 的安全運(yùn)行帶來(lái)嚴(yán)重的威脅。
[0003] 目前葉輪結(jié)構(gòu)優(yōu)化方法主要將優(yōu)化技術(shù)與葉輪流場(chǎng)計(jì)算方法相結(jié)合，利用數(shù)學(xué)方 法控制設(shè)計(jì)參數(shù)的修改方向，對(duì)各種不同參數(shù)組合進(jìn)行計(jì)算，在各種組合中找到性能最好 的葉輪，得到更符合設(shè)計(jì)目標(biāo)的優(yōu)化結(jié)果。但在實(shí)際工作中，由于大型透平膨脹機(jī)葉輪不可 避免的存在缺陷，目前的優(yōu)化方法就有一定的不足，該些方法多數(shù)是將理想無(wú)缺陷葉輪模 型作為研究對(duì)象，根據(jù)無(wú)缺陷葉輪模型的受力情況確定強(qiáng)度要求，得到葉輪的最終優(yōu)化結(jié) 果。由于沒(méi)有考慮到缺陷因素的影響，葉輪在有缺陷的工作狀態(tài)下應(yīng)力數(shù)值偏高，實(shí)際葉 輪缺陷會(huì)使內(nèi)部流動(dòng)情況發(fā)生變化，影響葉頂間隙、進(jìn)口導(dǎo)葉等因素，致使葉片參數(shù)優(yōu)化方 向不符合實(shí)際情況，從而造成單純考慮參數(shù)組合的最優(yōu)解在某些工況下并不能達(dá)到預(yù)期質(zhì) 量，葉輪性能受到嚴(yán)重的影響。
[0004] 針對(duì)目前方法存在的不足，本發(fā)明考慮缺陷因素的影響，直接從缺陷角度出發(fā)，粗 略的探討缺陷的作用域，得出設(shè)計(jì)敏感區(qū)域，縮小優(yōu)化范圍。根據(jù)敏感區(qū)域確定葉片根部為 局部?jī)?yōu)化對(duì)象，并借鑒于數(shù)值優(yōu)化的作用，利用基于遺傳算法的多目標(biāo)優(yōu)化算法對(duì)其進(jìn)行 具體的優(yōu)化。其中通過(guò)建立廣義回歸神經(jīng)網(wǎng)絡(luò)響應(yīng)模型可實(shí)現(xiàn)葉片質(zhì)量和最大等效應(yīng)力與 葉片不同截面厚度之間的非線性映射關(guān)系，避免了優(yōu)化設(shè)計(jì)過(guò)程中大量的結(jié)構(gòu)有限元分析 求解，提高了優(yōu)化設(shè)計(jì)效率；利用基于遺傳算法的多目標(biāo)優(yōu)化算法，精英自動(dòng)保留，得到分 布均勻的Pareto最優(yōu)解，實(shí)現(xiàn)葉輪局部結(jié)構(gòu)優(yōu)化，從而降低缺陷的危害程度，提升葉輪的 工作壽命。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明為解決上述葉輪結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法的不足，提出一種考慮缺陷的大型透平 膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，包括W下關(guān)鍵步驟：
[0006] 步驟1 ;對(duì)帶缺陷的葉輪模型進(jìn)行不同載荷應(yīng)力分析，得到不同載荷對(duì)裂紋的影 響程度，W作為葉輪簡(jiǎn)化裂紋參數(shù)化試驗(yàn)的受力條件分析；
[0007] 其中，所述載荷為離也載荷、熱載荷及氣動(dòng)載荷，優(yōu)選為離也載荷及氣動(dòng)載荷。
[0008] 將帶有裂紋的葉輪模型和無(wú)缺陷葉輪模型進(jìn)行W下載荷情況的有限元分析；1) 僅考慮離也力的作用；在有限元分析，葉輪采用軸孔固定約束，添加葉輪模型的材料，并指 定相應(yīng)的旋轉(zhuǎn)速度，分析得出離也力作用下的應(yīng)力分布情況。2)僅考慮氣動(dòng)載荷的作用； 在wor化ench中采用FSI進(jìn)行葉輪流固禪合分析，將fluent后處理中葉輪流場(chǎng)模擬的葉片 壓力載荷導(dǎo)入到葉輪模型上，葉片壓力單向傳遞到葉輪的靜力分析中，作為表面載荷施加 到葉片上，不設(shè)定轉(zhuǎn)速，進(jìn)行靜力分析，完成氣體載荷的模擬，得到僅考慮氣體載荷情況下 的應(yīng)力分布情況。
[0009] 步驟2 ;設(shè)置簡(jiǎn)化裂紋一系列參數(shù)，每個(gè)參數(shù)設(shè)定足夠的樣本數(shù)，探討裂紋等缺陷 的作用機(jī)理，W此確定葉輪對(duì)裂紋的敏感區(qū)域；
[0010] 其中，所述參數(shù)長(zhǎng)度、寬度、深度及分布位置。
[0011] 步驟3 ;簡(jiǎn)化裂紋參數(shù)化試驗(yàn)表明裂紋深度與分布形式對(duì)葉輪的強(qiáng)度影響較大， 主要敏感區(qū)域?yàn)槿~根附近，W減小裂紋處應(yīng)力集中為出發(fā)點(diǎn)，確定葉片截面厚度為葉輪局 部?jī)?yōu)化對(duì)象；
[0012] 步驟4;設(shè)定葉片不同截面厚度為設(shè)計(jì)變量，并規(guī)定其變化范圍，選取在相同的載 荷條件下無(wú)缺陷葉輪的最大等效應(yīng)力數(shù)值為約束條件，所受的最大等效應(yīng)力及質(zhì)量為目 標(biāo)函數(shù)對(duì)葉輪進(jìn)行局部?jī)?yōu)化；
[0013] 步驟5 ;輸出優(yōu)化結(jié)果，利用有限元校核驗(yàn)證，確定具體優(yōu)化參數(shù)數(shù)值；
[0014] 步驟4包括W下具體過(guò)程：
[0015] a.建立廣義回歸神經(jīng)網(wǎng)絡(luò)響應(yīng)模型
[0016] 1)計(jì)算隱含層神經(jīng)元徑向基函數(shù)中也和神經(jīng)元闊值
[0017] 將設(shè)計(jì)變量即葉片不同截面的厚度參數(shù)和對(duì)應(yīng)的最大等效應(yīng)力值與其質(zhì)量作為 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。輸入矩陣為厚度截面參數(shù)，已知的樣本輸出矩陣為對(duì)應(yīng)的最大等效 應(yīng)力和質(zhì)量。
[0018] 2)計(jì)算隱含層神經(jīng)元輸出和確定隱含層與輸出層間的權(quán)值矩陣
[0019] 通過(guò)1)后可W求出隱含層神經(jīng)元的輸出，將訓(xùn)練集的輸出值矩陣作為隱含層與 輸出層之間的連接權(quán)值W。
[0020] 3)計(jì)算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡(luò)的輸出值。
[0021] 在2)確定連接權(quán)值之后，通過(guò)輸入訓(xùn)練樣本進(jìn)行學(xué)習(xí)并建立神經(jīng)網(wǎng)絡(luò)響應(yīng)模型。 將葉片截面厚度矩陣輸入神經(jīng)網(wǎng)絡(luò)響應(yīng)模型中即可求出對(duì)應(yīng)的最大等效應(yīng)力值和質(zhì)量輸 出性能值。
[0022] b.采用基于遺傳算法的多目標(biāo)優(yōu)化算法對(duì)葉片厚度進(jìn)行優(yōu)化
[0023] 基于葉片截面厚度和對(duì)應(yīng)的最大等效應(yīng)力與質(zhì)量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，選取初始 訓(xùn)練樣本，利用基于遺傳算法的多目標(biāo)優(yōu)化算法進(jìn)行選擇、交叉及變異等遺傳操作產(chǎn)生子 種群，精英自動(dòng)保留，父子種群合并，計(jì)算相應(yīng)的序值和擁擠距離，修剪種群使個(gè)體數(shù)目等 于種群的大小，進(jìn)行終止條件判斷得到Pareto解集。將優(yōu)化解集分別進(jìn)行數(shù)值模擬和神經(jīng) 網(wǎng)絡(luò)模型預(yù)測(cè)，根據(jù)誤差大小對(duì)結(jié)果取舍優(yōu)化。
[0024] 葉片截面厚度優(yōu)化方法，在過(guò)程a中，采用具有較強(qiáng)的非線性映射能力和柔性網(wǎng) 絡(luò)結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN)來(lái)建立設(shè)計(jì)變量與目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)葉 片不同截面厚度和帶裂紋的葉輪所受應(yīng)力及質(zhì)量的關(guān)系，建立葉片不同截面厚度和最大等 效應(yīng)力及質(zhì)量之間的非線性映射關(guān)系。具體步驟主要是通過(guò)樣本訓(xùn)練確定出神經(jīng)網(wǎng)絡(luò)中的 一些重要參數(shù)如徑向基函數(shù)中也、神經(jīng)元闊值及權(quán)值等。
[00巧]葉片截面厚度優(yōu)化方法，在過(guò)程b中，應(yīng)用基于遺傳算法的多目標(biāo)優(yōu)化算法，隨機(jī) 選取規(guī)定的樣本點(diǎn)組成種群，將采用基于神經(jīng)網(wǎng)絡(luò)的葉片截面厚度和葉輪所受最大等效應(yīng) 力及質(zhì)量形成的映射關(guān)系作為目標(biāo)，選取無(wú)缺陷葉輪同等載荷下的最大等效應(yīng)力為約束條 件，得到相應(yīng)的Pareto前沿點(diǎn)，通過(guò)該些點(diǎn)進(jìn)行有限元校核分析得出和預(yù)測(cè)值之間的誤 差。
[0026] 在上述的步驟中，本發(fā)明涉及的主要特點(diǎn)有：
[0027] 1)從缺陷出發(fā)，模擬葉輪缺陷工作環(huán)境。本發(fā)明模擬帶缺陷葉輪工作應(yīng)力情況，具 有針對(duì)性的找出具體優(yōu)化目標(biāo)，更符合實(shí)際葉輪工作情況。該方式主要是將簡(jiǎn)化裂紋參數(shù) 化，利用參數(shù)變化得到葉輪對(duì)應(yīng)的應(yīng)力變化情況。
[0028] 2)優(yōu)化目標(biāo)與設(shè)計(jì)變量的對(duì)應(yīng)關(guān)系。本發(fā)明利用廣義回歸神經(jīng)網(wǎng)絡(luò)建立設(shè)計(jì)變量 與目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)模型，更符合實(shí)際模型，并可W將較大誤差的Pareto解集再加入到 訓(xùn)練樣本中，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)粗大誤差處理，具有測(cè)量精度高、使用方便、數(shù)據(jù)輸出 容易等優(yōu)點(diǎn)。
[0029] 有益效果：本發(fā)明通過(guò)模擬裂紋對(duì)葉輪工作性能的影響，得到基于裂紋影響的葉 輪局部?jī)?yōu)化目標(biāo)為葉片厚度。此過(guò)程直接從裂紋角度出發(fā)，避免其它因素的干擾，更具有針 對(duì)性，并且設(shè)計(jì)過(guò)程中考慮了缺陷因素對(duì)葉輪強(qiáng)度的影響，更符合大型化透平膨脹機(jī)葉輪 實(shí)際工作情況。針對(duì)本項(xiàng)目樣本數(shù)據(jù)較少并含有噪點(diǎn)的情況，本發(fā)明采用了具有較強(qiáng)的非 線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN)對(duì)厚度參數(shù)與應(yīng)力及質(zhì)量等性 能指標(biāo)映射規(guī)律進(jìn)行訓(xùn)練預(yù)測(cè)，與其它插值方法相比，具有精度高、誤差小、使用方便等優(yōu) 點(diǎn)。采用基于遺傳算法的多目標(biāo)優(yōu)化算法得到的葉片不同區(qū)域厚度不同，裂紋敏感區(qū)葉片 厚度最大，非敏感區(qū)厚度減小，既滿足減小應(yīng)力集中的要求，又減輕了葉輪的重量，減小了 轉(zhuǎn)動(dòng)慣量，節(jié)省材料，提高了葉輪的工作壽命。

【專利附圖】

【附圖說(shuō)明】
[0030] 圖1為考慮裂紋影響的葉輪結(jié)構(gòu)優(yōu)化流程圖。
[0031] 圖2為葉輪參數(shù)化試驗(yàn)分析結(jié)果圖。
[0032] 圖3為葉輪對(duì)裂紋敏感區(qū)域示意圖。
[0033] 圖4為優(yōu)化葉輪葉片示意圖。

【具體實(shí)施方式】
[0034] 本發(fā)明提出一種考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，探討裂 紋對(duì)葉輪的作用機(jī)理，確定葉片截面厚度為具體優(yōu)化對(duì)象，并利用基于遺傳算法的多目標(biāo) 優(yōu)化算法對(duì)葉片截面厚度進(jìn)行具體優(yōu)化，如圖1，該方法包括W下關(guān)鍵步驟：
[0035] 步驟I ;對(duì)帶缺陷的葉輪模型進(jìn)行不同載荷應(yīng)力分析，得到不同載荷對(duì)裂紋的影 響程度，W作為葉輪簡(jiǎn)化裂紋參數(shù)化試驗(yàn)的受力條件分析。葉輪所承受的主要載荷有離也 載荷、熱載荷及氣動(dòng)載荷等。由溫度效應(yīng)產(chǎn)生的熱應(yīng)力非常小，其產(chǎn)生的應(yīng)力強(qiáng)度少于葉輪 總應(yīng)力強(qiáng)度的2%。因此本發(fā)明考慮載荷類型時(shí)只考慮離也載荷及氣動(dòng)載荷。
[0036] 將帶有裂紋的葉輪模型和無(wú)缺陷葉輪模型進(jìn)行W下載荷情況的有限元分析；1) 僅考慮離也力的作用；在有限元分析，葉輪采用軸孔固定約束，添加葉輪模型的材料，并指 定相應(yīng)的旋轉(zhuǎn)速度，分析得出離也力作用下的應(yīng)力分布情況。2)僅考慮氣動(dòng)載荷的作用； 在wor化ench中采用FSI進(jìn)行葉輪流固禪合分析，將fluent后處理中葉輪流場(chǎng)模擬的葉片 壓力載荷導(dǎo)入到葉輪模型上，葉片壓力單向傳遞到葉輪的靜力分析中，作為表面載荷施加 到葉片上，不設(shè)定轉(zhuǎn)速，進(jìn)行靜力分析，完成氣體載荷的模擬，得到僅考慮氣體載荷情況下 的應(yīng)力分布情況。
[0037] 步驟2 ;設(shè)置簡(jiǎn)化裂紋一系列參數(shù)，每個(gè)參數(shù)設(shè)定足夠的樣本數(shù)，探討裂紋等缺陷 的作用機(jī)理，W此確定葉輪對(duì)裂紋的敏感區(qū)域。
[0038] 如圖2,選取簡(jiǎn)化裂紋的長(zhǎng)度、寬度、深度及分布位置等一系列變化參數(shù)，根據(jù)葉輪 葉片的幾何參數(shù)，規(guī)定參數(shù)樣本數(shù)量，通過(guò)應(yīng)力分布試驗(yàn)可W詳細(xì)了解帶裂紋葉輪的應(yīng)力 狀態(tài)和變形情況，并可W同無(wú)缺陷葉輪在同等約束載荷情況下所受的應(yīng)力進(jìn)行比較，W研 究帶裂紋葉輪中主要應(yīng)力分布特點(diǎn)，用W制定控制方法和改進(jìn)措施。
[0039] 步驟3 ;簡(jiǎn)化裂紋參數(shù)化試驗(yàn)表明裂紋深度與分布形式對(duì)葉輪的強(qiáng)度影響較大， 主要敏感區(qū)域?yàn)槿~根附近，如圖3。增大葉片敏感區(qū)域的厚度對(duì)抵抗裂紋有顯著作用。W減 小裂紋處應(yīng)力集中為出發(fā)點(diǎn)，確定葉片截面厚度為葉輪局部?jī)?yōu)化對(duì)象。
[0040] 步驟4;設(shè)定葉片不同截面厚度為設(shè)計(jì)變量，并規(guī)定其變化范圍，選取在相同的載 荷條件下無(wú)缺陷葉輪的最大等效應(yīng)力數(shù)值為約束條件，所受的最大等效應(yīng)力及質(zhì)量為目 標(biāo)函數(shù)對(duì)葉輪進(jìn)行局部?jī)?yōu)化，如圖4。
[0041] 采用具有較強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN)來(lái) 建立設(shè)計(jì)變量與目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)葉片不同截面厚度和帶裂紋的葉輪所受應(yīng) 力及質(zhì)量的關(guān)系，建立葉片質(zhì)量和最大等效應(yīng)力與葉片不同截面厚度之間的非線性映射關(guān) 系。該神經(jīng)網(wǎng)絡(luò)響應(yīng)模型是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)結(jié)構(gòu) 由輸入、隱含和輸出H層組成。具體步驟主要是通過(guò)樣本訓(xùn)練確定出神經(jīng)網(wǎng)絡(luò)中的一些重 要參數(shù)如徑向基函數(shù)中也、神經(jīng)元闊值及權(quán)值等。過(guò)程包括：
[0042] 1)計(jì)算隱含層神經(jīng)元徑向基函數(shù)中也和神經(jīng)元闊值
[0043] 將設(shè)計(jì)變量即葉片不同截面厚度和對(duì)應(yīng)的有限元分析數(shù)值即最大等效應(yīng)力值和 其質(zhì)量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。將設(shè)計(jì)變量作為訓(xùn)練樣本輸入矩陣設(shè)為矩陣P (R*曲，R 為輸入變量的維數(shù)，Q為訓(xùn)練樣本數(shù)，將其對(duì)應(yīng)的最大等效應(yīng)力和質(zhì)量作為已知的樣本輸出 矩陣設(shè)為矩陣T(S*Q)，S為輸出變量的維數(shù)，本發(fā)明優(yōu)化中，R = 2, S = 2。
[0044] 2)計(jì)算隱含層神經(jīng)元輸出和確定隱含層與輸出層間的權(quán)值矩陣
[0045] 通過(guò)1)后可W求出隱含層神經(jīng)元的輸出，將訓(xùn)練集的輸出值矩陣作為隱含層與 輸出層之間的連接權(quán)值W。
[0046] 3)計(jì)算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡(luò)的輸出值。
[0047] 在2)確定連接權(quán)值之后，通過(guò)輸入訓(xùn)練樣本進(jìn)行學(xué)習(xí)并建立神經(jīng)網(wǎng)絡(luò)響應(yīng)模型。 將葉片截面厚度矩陣輸入神經(jīng)網(wǎng)絡(luò)響應(yīng)模型中即可求出對(duì)應(yīng)的最大等效應(yīng)力值和質(zhì)量輸 出性能值。
[0048] 神經(jīng)網(wǎng)絡(luò)響應(yīng)模型建立后，應(yīng)用基于遺傳算法的多目標(biāo)優(yōu)化算法，隨機(jī)選取規(guī)定 的樣本點(diǎn)組成種群，將采用神經(jīng)網(wǎng)絡(luò)的截面厚度和葉輪所受等效應(yīng)力及質(zhì)量形成的映射關(guān) 系作為目標(biāo)，選取無(wú)缺陷葉輪同等載荷下的最大等效應(yīng)力為約束條件，得到相應(yīng)的Pareto 前沿點(diǎn)，通過(guò)該些點(diǎn)進(jìn)行有限元校核分析得出和預(yù)測(cè)值之間的誤差。
[0049] 基于葉片截面厚度和對(duì)應(yīng)最大等效應(yīng)力及質(zhì)量的神經(jīng)網(wǎng)絡(luò)響應(yīng)模型，在設(shè)計(jì)變量 的可變范圍內(nèi)采取隨機(jī)選擇的方法選取一定數(shù)量的初始的設(shè)計(jì)變量，并將選擇得到的設(shè)計(jì) 變量采用神經(jīng)網(wǎng)絡(luò)響應(yīng)模型模擬其最大等效應(yīng)力值和質(zhì)量值，將設(shè)計(jì)變量和其對(duì)應(yīng)的目標(biāo) 函數(shù)值組成個(gè)體（染色體），并將所有選擇的個(gè)體（染色體）組成初始種群矩陣，采用隨機(jī) 選擇的方法保證了種群中個(gè)體多樣性，避免使得種群中個(gè)體過(guò)早的陷入局部最優(yōu)值中；將 初始種群進(jìn)行交叉變異產(chǎn)生子種群，精英自動(dòng)保留，父子種群合并；計(jì)算合并種群序值進(jìn)行 排序處理，并計(jì)算擁擠距離為選擇做準(zhǔn)備，某個(gè)體的擁擠距離越大，表示該個(gè)體與相鄰個(gè)體 的目標(biāo)函數(shù)值差別越大，多樣性越好；修剪種群使個(gè)體數(shù)目等于種群的大小，采用的是錦標(biāo) 賽選擇，即通過(guò)比較樣本的序值和擁擠距離來(lái)選擇較優(yōu)個(gè)體，其中序值和擁擠距離的優(yōu)先 級(jí)是不同的，首先進(jìn)行序值的比較，序值小的個(gè)體不管其擁擠距離的大小優(yōu)先被選擇，在相 同的序值的情況下，擁擠距離大的個(gè)體被選擇的概率大；對(duì)終止條件進(jìn)行判斷得到Pareto 解集，分析非劣解并同采用神經(jīng)網(wǎng)絡(luò)相應(yīng)模型得到的結(jié)果對(duì)比，若誤差在允許的范圍內(nèi)，貝U 采用此優(yōu)化結(jié)果；如果誤差不滿足，則將有限元分析數(shù)據(jù)再加入訓(xùn)練樣本中，繼續(xù)進(jìn)行神經(jīng) 網(wǎng)絡(luò)訓(xùn)練，直到誤差在允許的范圍內(nèi)。
[0050] 步驟5 ;輸出優(yōu)化結(jié)果，利用有限元校核驗(yàn)證，確定具體優(yōu)化參數(shù)數(shù)值；
[0051] 本發(fā)明直接從缺陷角度出發(fā)，探討裂紋等缺陷對(duì)葉輪葉片的影響程度，由葉輪對(duì) 裂紋的敏感區(qū)域最終確定葉片厚度變化位置和變化角度為具體優(yōu)化對(duì)象。傳統(tǒng)葉輪葉片厚 度優(yōu)化方法沒(méi)有考慮缺陷因素，忽略了缺陷分布位置對(duì)葉輪的削弱作用，一般選取葉片整 體厚度相關(guān)參數(shù)進(jìn)行優(yōu)化。本發(fā)明選取的優(yōu)化參數(shù)和傳統(tǒng)選取的優(yōu)化參數(shù)進(jìn)行對(duì)比，最終 對(duì)葉輪的優(yōu)化結(jié)果如表1。
[0052] 表1本方法與傳統(tǒng)不考慮缺陷方法優(yōu)化結(jié)果對(duì)比
[0053]

【權(quán)利要求】
1. 考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其特征在于：包括以下步 驟： 步驟1:對(duì)帶缺陷的葉輪模型進(jìn)行不同載荷應(yīng)力分析，得到不同載荷對(duì)裂紋的影響程 度，以作為葉輪簡(jiǎn)化裂紋參數(shù)化試驗(yàn)的受力條件分析； 步驟2 :設(shè)置簡(jiǎn)化裂紋參數(shù)，每個(gè)參數(shù)設(shè)定樣本數(shù)，以此確定葉輪對(duì)裂紋的敏感區(qū)域； 步驟3 :簡(jiǎn)化裂紋參數(shù)化試驗(yàn)表明裂紋深度與分布形式對(duì)葉輪的強(qiáng)度影響較大，主要 敏感區(qū)域?yàn)槿~根附近，以減小裂紋處應(yīng)力集中為出發(fā)點(diǎn)，確定葉片截面厚度為葉輪局部?jī)?yōu) 化對(duì)象； 步驟4:設(shè)定葉片不同截面厚度為設(shè)計(jì)變量，并規(guī)定其變化范圍，選取在相同的載荷條 件下無(wú)缺陷葉輪的最大等效應(yīng)力數(shù)值為約束條件，所受的最大等效應(yīng)力及質(zhì)量為目標(biāo)函 數(shù)對(duì)葉輪進(jìn)行局部?jī)?yōu)化； 步驟5 :輸出優(yōu)化結(jié)果，利用有限元校核驗(yàn)證，確定具體優(yōu)化參數(shù)數(shù)值； 其中，步驟4包括以下具體過(guò)程： a. 建立廣義回歸神經(jīng)網(wǎng)絡(luò)響應(yīng)模型 1) 計(jì)算隱含層神經(jīng)元徑向基函數(shù)中心和神經(jīng)元閾值 將設(shè)計(jì)變量即葉片不同截面的厚度參數(shù)和對(duì)應(yīng)的最大等效應(yīng)力值與其質(zhì)量作為神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練樣本；輸入矩陣為厚度截面參數(shù)，已知的樣本輸出矩陣為對(duì)應(yīng)的最大等效應(yīng)力 和質(zhì)量； 2) 計(jì)算隱含層神經(jīng)元輸出和確定隱含層與輸出層間的權(quán)值矩陣 通過(guò)1)后可以求出隱含層神經(jīng)元的輸出，將訓(xùn)練集的輸出值矩陣作為隱含層與輸出 層之間的連接權(quán)值W; 3) 計(jì)算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡(luò)的輸出值； 在2)確定連接權(quán)值之后，通過(guò)輸入訓(xùn)練樣本進(jìn)行學(xué)習(xí)并建立神經(jīng)網(wǎng)絡(luò)響應(yīng)模型；將葉 片截面厚度矩陣輸入神經(jīng)網(wǎng)絡(luò)響應(yīng)模型中即可求出對(duì)應(yīng)的最大等效應(yīng)力值和質(zhì)量輸出性 能值； b. 采用基于遺傳算法的多目標(biāo)優(yōu)化算法對(duì)葉片截面厚度進(jìn)行優(yōu)化 基于葉片截面厚度和對(duì)應(yīng)的最大等效應(yīng)力與質(zhì)量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，選取初始訓(xùn)練 樣本，利用基于遺傳算法的多目標(biāo)優(yōu)化算法進(jìn)行選擇、交叉及變異等遺傳操作產(chǎn)生子種群， 精英自動(dòng)保留，父子種群合并，計(jì)算相應(yīng)的序值和擁擠距離，修剪種群使個(gè)體數(shù)目等于種群 的大小，進(jìn)行終止條件判斷得到Pareto解集；將優(yōu)化解集分別進(jìn)行數(shù)值模擬和神經(jīng)網(wǎng)絡(luò)模 型預(yù)測(cè)，根據(jù)誤差大小對(duì)結(jié)果取舍優(yōu)化。
2. 根據(jù)權(quán)利要求1所述的考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其 特征在于：步驟1所述載荷為離心載荷及氣動(dòng)載荷；步驟2所述參數(shù)為長(zhǎng)度、寬度、深度及 分布位置。
3. 根據(jù)權(quán)利要求2所述的考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其 特征在于：所述載荷應(yīng)力分析采用有限元分析： 1) 僅考慮離心力的作用；在有限元分析，葉輪采用軸孔固定約束，添加葉輪模型的材 料，并指定相應(yīng)的旋轉(zhuǎn)速度，分析得出離心力作用下的應(yīng)力分布情況； 2) 僅考慮氣動(dòng)載荷的作用；在workbench中采用FSI進(jìn)行葉輪流固耦合分析，將 fluent后處理中葉輪流場(chǎng)模擬的葉片壓力載荷導(dǎo)入到葉輪模型上，葉片壓力單向傳遞到葉 輪的靜力分析中，作為表面載荷施加到葉片上，不設(shè)定轉(zhuǎn)速，進(jìn)行靜力分析，完成氣體載荷 的模擬，得到僅考慮氣體載荷情況下的應(yīng)力分布情況。
4. 根據(jù)權(quán)利要求1所述的考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其 特征在于：過(guò)程a中，采用具有較強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng) 絡(luò)來(lái)建立設(shè)計(jì)變量與目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)葉片不同截面厚度和帶裂紋的葉輪所 受應(yīng)力及質(zhì)量的關(guān)系，建立葉片不同截面厚度和最大等效應(yīng)力及質(zhì)量之間的非線性映射關(guān) 系；具體步驟主要是通過(guò)樣本訓(xùn)練確定出神經(jīng)網(wǎng)絡(luò)中的一些重要參數(shù)如徑向基函數(shù)中心、 神經(jīng)元閾值及權(quán)值等。
5. 根據(jù)權(quán)利要求1所述的考慮缺陷的大型透平膨脹機(jī)葉輪葉片結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其 特征在于：過(guò)程b中，應(yīng)用基于遺傳算法的多目標(biāo)優(yōu)化算法，隨機(jī)選取規(guī)定的樣本點(diǎn)組成種 群，將采用基于神經(jīng)網(wǎng)絡(luò)的葉片截面厚度和葉輪所受最大等效應(yīng)力及質(zhì)量形成的映射關(guān)系 作為目標(biāo)，選取無(wú)缺陷葉輪同等載荷下的最大等效應(yīng)力為約束條件，得到相應(yīng)的Pareto前 沿點(diǎn)，通過(guò)這些點(diǎn)進(jìn)行有限元校核分析得出和預(yù)測(cè)值之間的誤差。
【文檔編號(hào)】G06F17/50GK104331553SQ201410596906
【公開(kāi)日】2015年2月4日 申請(qǐng)日期:2014年10月29日 優(yōu)先權(quán)日:2014年10月29日
【發(fā)明者】趙昕玥, 尹嬌妹, 何再興, 張樹(shù)有, 徐敬華 申請(qǐng)人:浙江大學(xué)