考慮缺陷的大型透平膨脹機葉輪葉片結(jié)構(gòu)優(yōu)化設計方法
【專利摘要】本發(fā)明針對大型空分裝備中透平膨脹機葉輪，具體涉及一種考慮缺陷的大型透平膨脹機葉輪葉片的結(jié)構(gòu)優(yōu)化設計方法。本發(fā)明在原有葉輪應力分析基礎上，加入缺陷因素，利用廣義回歸神經(jīng)網(wǎng)絡和基于遺傳算法的多目標優(yōu)化算法對葉輪參數(shù)進行遺傳優(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)化過程集合了葉輪實際工作特點，葉輪整體強度與結(jié)構(gòu)剛度高，實用性強。該方法在滿足葉輪強度要求的條件下，降低缺陷作用下的應力集中，提高葉輪的工作壽命，同時又減輕葉輪重量和轉(zhuǎn)動慣量，節(jié)省材料。
【專利說明】考慮缺陷的大型透平膨化機葉輪葉片結(jié)構(gòu)優(yōu)化設計方法

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

【背景技術(shù)】
[0002] 隨著空分設備的大型化發(fā)展，為其配套的大型透平膨脹機的需求也隨之增大。大 型透平膨脹機在結(jié)構(gòu)設計及動力學特性方面與中小型透平膨脹機存在明顯不同。葉輪在大 型透平膨脹機中占有重要地位，屬于主承力部件，高速旋轉(zhuǎn)同時承受著離也力、氣動力、激 振力、外物沖擊等循環(huán)交變載荷與動載荷作用。葉輪工作環(huán)境十分惡劣，對大型透平膨脹機 中葉輪而言，其受力更加復雜，在高速旋轉(zhuǎn)過程中，不僅承受交變載荷和動載荷作用，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，導致裂 紋等缺陷的產(chǎn)生。該些缺陷微小且不易被察覺，因此實際工作中的葉輪難免會含有缺陷，很 難達到毫無缺陷的理想狀態(tài)。而缺陷的存在易引起應力集中，對葉輪結(jié)構(gòu)，尤其是大型透平 膨脹機葉輪設計要求很高，若結(jié)構(gòu)設計不合理，會受缺陷影響嚴重，強度不夠，使得葉輪提 前報廢，造成整個機械設備出現(xiàn)故障等現(xiàn)象，極易導致爆炸等重大事故的發(fā)生，對空分裝備 的安全運行帶來嚴重的威脅。
[0003] 目前葉輪結(jié)構(gòu)優(yōu)化方法主要將優(yōu)化技術(shù)與葉輪流場計算方法相結(jié)合，利用數(shù)學方 法控制設計參數(shù)的修改方向，對各種不同參數(shù)組合進行計算，在各種組合中找到性能最好 的葉輪，得到更符合設計目標的優(yōu)化結(jié)果。但在實際工作中，由于大型透平膨脹機葉輪不可 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)是將理想無缺陷葉輪模 型作為研究對象，根據(jù)無缺陷葉輪模型的受力情況確定強度要求，得到葉輪的最終優(yōu)化結(jié) 果。由于沒有考慮到缺陷因素的影響，葉輪在有缺陷的工作狀態(tài)下應力數(shù)值偏高，實際葉 輪缺陷會使內(nèi)部流動情況發(fā)生變化，影響葉頂間隙、進口導葉等因素，致使葉片參數(shù)優(yōu)化方 向不符合實際情況，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到預期質(zhì) 量，葉輪性能受到嚴重的影響。
[0004] 針對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，得出設計敏感區(qū)域，縮小優(yōu)化范圍。根據(jù)敏感區(qū)域確定葉片根部為 局部優(yōu)化對象，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優(yōu)化算法對其進行 具體的優(yōu)化。其中通過建立廣義回歸神經(jīng)網(wǎng)絡響應模型可實現(xiàn)葉片質(zhì)量和最大等效應力與 葉片不同截面厚度之間的非線性映射關(guān)系，避免了優(yōu)化設計過程中大量的結(jié)構(gòu)有限元分析 求解，提高了優(yōu)化設計效率；利用基于遺傳算法的多目標優(yōu)化算法，精英自動保留，得到分 布均勻的Pareto最優(yōu)解，實現(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)化設計方法的不足，提出一種考慮缺陷的大型透平 膨脹機葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，包括W下關(guān)鍵步驟：
[0006] 步驟1 ;對帶缺陷的葉輪模型進行不同載荷應力分析，得到不同載荷對裂紋的影 響程度，W作為葉輪簡化裂紋參數(shù)化試驗的受力條件分析；
[0007] 其中，所述載荷為離也載荷、熱載荷及氣動載荷，優(yōu)選為離也載荷及氣動載荷。
[0008] 將帶有裂紋的葉輪模型和無缺陷葉輪模型進行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 定相應的旋轉(zhuǎn)速度，分析得出離也力作用下的應力分布情況。2)僅考慮氣動載荷的作用； 在wor化ench中采用FSI進行葉輪流固禪合分析，將fluent后處理中葉輪流場模擬的葉片 壓力載荷導入到葉輪模型上，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，不設定轉(zhuǎn)速，進行靜力分析，完成氣體載荷的模擬，得到僅考慮氣體載荷情況下 的應力分布情況。
[0009] 步驟2 ;設置簡化裂紋一系列參數(shù)，每個參數(shù)設定足夠的樣本數(shù)，探討裂紋等缺陷 的作用機理，W此確定葉輪對裂紋的敏感區(qū)域；
[0010] 其中，所述參數(shù)長度、寬度、深度及分布位置。
[0011] 步驟3 ;簡化裂紋參數(shù)化試驗表明裂紋深度與分布形式對葉輪的強度影響較大， 主要敏感區(qū)域為葉根附近，W減小裂紋處應力集中為出發(fā)點，確定葉片截面厚度為葉輪局 部優(yōu)化對象；
[0012] 步驟4;設定葉片不同截面厚度為設計變量，并規(guī)定其變化范圍，選取在相同的載 荷條件下無缺陷葉輪的最大等效應力數(shù)值為約束條件，所受的最大等效應力及質(zhì)量為目 標函數(shù)對葉輪進行局部優(yōu)化；
[0013] 步驟5 ;輸出優(yōu)化結(jié)果，利用有限元校核驗證，確定具體優(yōu)化參數(shù)數(shù)值；
[0014] 步驟4包括W下具體過程：
[0015] a.建立廣義回歸神經(jīng)網(wǎng)絡響應模型
[0016] 1)計算隱含層神經(jīng)元徑向基函數(shù)中也和神經(jīng)元闊值
[0017] 將設計變量即葉片不同截面的厚度參數(shù)和對應的最大等效應力值與其質(zhì)量作為 神經(jīng)網(wǎng)絡的訓練樣本。輸入矩陣為厚度截面參數(shù)，已知的樣本輸出矩陣為對應的最大等效 應力和質(zhì)量。
[0018] 2)計算隱含層神經(jīng)元輸出和確定隱含層與輸出層間的權(quán)值矩陣
[0019] 通過1)后可W求出隱含層神經(jīng)元的輸出，將訓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)計算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡的輸出值。
[0021] 在2)確定連接權(quán)值之后，通過輸入訓練樣本進行學習并建立神經(jīng)網(wǎng)絡響應模型。 將葉片截面厚度矩陣輸入神經(jīng)網(wǎng)絡響應模型中即可求出對應的最大等效應力值和質(zhì)量輸 出性能值。
[0022] b.采用基于遺傳算法的多目標優(yōu)化算法對葉片厚度進行優(yōu)化
[0023] 基于葉片截面厚度和對應的最大等效應力與質(zhì)量的神經(jīng)網(wǎng)絡預測模型，選取初始 訓練樣本，利用基于遺傳算法的多目標優(yōu)化算法進行選擇、交叉及變異等遺傳操作產(chǎn)生子 種群，精英自動保留，父子種群合并，計算相應的序值和擁擠距離，修剪種群使個體數(shù)目等 于種群的大小，進行終止條件判斷得到Pareto解集。將優(yōu)化解集分別進行數(shù)值模擬和神經(jīng) 網(wǎng)絡模型預測，根據(jù)誤差大小對結(jié)果取舍優(yōu)化。
[0024] 葉片截面厚度優(yōu)化方法，在過程a中，采用具有較強的非線性映射能力和柔性網(wǎng) 絡結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡（GRNN)來建立設計變量與目標函數(shù)的神經(jīng)網(wǎng)絡模型，根據(jù)葉 片不同截面厚度和帶裂紋的葉輪所受應力及質(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樣本訓練確定出神經(jīng)網(wǎng)絡中的 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，在過程b中，應用基于遺傳算法的多目標優(yōu)化算法，隨機 選取規(guī)定的樣本點組成種群，將采用基于神經(jīng)網(wǎng)絡的葉片截面厚度和葉輪所受最大等效應 力及質(zhì)量形成的映射關(guān)系作為目標，選取無缺陷葉輪同等載荷下的最大等效應力為約束條 件，得到相應的Pareto前沿點，通過該些點進行有限元校核分析得出和預測值之間的誤 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力情況，具 有針對性的找出具體優(yōu)化目標，更符合實際葉輪工作情況。該方式主要是將簡化裂紋參數(shù) 化，利用參數(shù)變化得到葉輪對應的應力變化情況。
[0028] 2)優(yōu)化目標與設計變量的對應關(guān)系。本發(fā)明利用廣義回歸神經(jīng)網(wǎng)絡建立設計變量 與目標函數(shù)的神經(jīng)網(wǎng)絡模型，更符合實際模型，并可W將較大誤差的Pareto解集再加入到 訓練樣本中，進行神經(jīng)網(wǎng)絡訓練，實現(xiàn)粗大誤差處理，具有測量精度高、使用方便、數(shù)據(jù)輸出 容易等優(yōu)點。
[0029] 有益效果：本發(fā)明通過模擬裂紋對葉輪工作性能的影響，得到基于裂紋影響的葉 輪局部優(yōu)化目標為葉片厚度。此過程直接從裂紋角度出發(fā)，避免其它因素的干擾，更具有針 對性，并且設計過程中考慮了缺陷因素對葉輪強度的影響，更符合大型化透平膨脹機葉輪 實際工作情況。針對本項目樣本數(shù)據(jù)較少并含有噪點的情況，本發(fā)明采用了具有較強的非 線性映射能力和柔性網(wǎng)絡結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡（GRNN)對厚度參數(shù)與應力及質(zhì)量等性 能指標映射規(guī)律進行訓練預測，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。采用基于遺傳算法的多目標優(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，既滿足減小應力集中的要求，又減輕了葉輪的重量，減小了 轉(zhuǎn)動慣量，節(jié)省材料，提高了葉輪的工作壽命。

【專利附圖】

【附圖說明】
[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)化試驗分析結(jié)果圖。
[0032] 圖3為葉輪對裂紋敏感區(qū)域示意圖。
[0033] 圖4為優(yōu)化葉輪葉片示意圖。

【具體實施方式】
[0034] 本發(fā)明提出一種考慮缺陷的大型透平膨脹機葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，探討裂 紋對葉輪的作用機理，確定葉片截面厚度為具體優(yōu)化對象，并利用基于遺傳算法的多目標 優(yōu)化算法對葉片截面厚度進行具體優(yōu)化，如圖1，該方法包括W下關(guān)鍵步驟：
[0035] 步驟I ;對帶缺陷的葉輪模型進行不同載荷應力分析，得到不同載荷對裂紋的影 響程度，W作為葉輪簡化裂紋參數(shù)化試驗的受力條件分析。葉輪所承受的主要載荷有離也 載荷、熱載荷及氣動載荷等。由溫度效應產(chǎn)生的熱應力非常小，其產(chǎn)生的應力強度少于葉輪 總應力強度的2%。因此本發(fā)明考慮載荷類型時只考慮離也載荷及氣動載荷。
[0036] 將帶有裂紋的葉輪模型和無缺陷葉輪模型進行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 定相應的旋轉(zhuǎn)速度，分析得出離也力作用下的應力分布情況。2)僅考慮氣動載荷的作用； 在wor化ench中采用FSI進行葉輪流固禪合分析，將fluent后處理中葉輪流場模擬的葉片 壓力載荷導入到葉輪模型上，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，不設定轉(zhuǎn)速，進行靜力分析，完成氣體載荷的模擬，得到僅考慮氣體載荷情況下 的應力分布情況。
[0037] 步驟2 ;設置簡化裂紋一系列參數(shù)，每個參數(shù)設定足夠的樣本數(shù)，探討裂紋等缺陷 的作用機理，W此確定葉輪對裂紋的敏感區(qū)域。
[0038] 如圖2,選取簡化裂紋的長度、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，通過應力分布試驗可W詳細了解帶裂紋葉輪的應力 狀態(tài)和變形情況，并可W同無缺陷葉輪在同等約束載荷情況下所受的應力進行比較，W研 究帶裂紋葉輪中主要應力分布特點，用W制定控制方法和改進措施。
[0039] 步驟3 ;簡化裂紋參數(shù)化試驗表明裂紋深度與分布形式對葉輪的強度影響較大， 主要敏感區(qū)域為葉根附近，如圖3。增大葉片敏感區(qū)域的厚度對抵抗裂紋有顯著作用。W減 小裂紋處應力集中為出發(fā)點，確定葉片截面厚度為葉輪局部優(yōu)化對象。
[0040] 步驟4;設定葉片不同截面厚度為設計變量，并規(guī)定其變化范圍，選取在相同的載 荷條件下無缺陷葉輪的最大等效應力數(shù)值為約束條件，所受的最大等效應力及質(zhì)量為目 標函數(shù)對葉輪進行局部優(yōu)化，如圖4。
[0041] 采用具有較強的非線性映射能力和柔性網(wǎng)絡結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng)絡（GRNN)來 建立設計變量與目標函數(shù)的神經(jīng)網(wǎng)絡模型，根據(jù)葉片不同截面厚度和帶裂紋的葉輪所受應 力及質(zhì)量的關(guān)系，建立葉片質(zhì)量和最大等效應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)絡響應模型是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡模型，其網(wǎng)絡結(jié)構(gòu) 由輸入、隱含和輸出H層組成。具體步驟主要是通過樣本訓練確定出神經(jīng)網(wǎng)絡中的一些重 要參數(shù)如徑向基函數(shù)中也、神經(jīng)元闊值及權(quán)值等。過程包括：
[0042] 1)計算隱含層神經(jīng)元徑向基函數(shù)中也和神經(jīng)元闊值
[0043] 將設計變量即葉片不同截面厚度和對應的有限元分析數(shù)值即最大等效應力值和 其質(zhì)量作為神經(jīng)網(wǎng)絡的訓練樣本。將設計變量作為訓練樣本輸入矩陣設為矩陣P (R*曲，R 為輸入變量的維數(shù)，Q為訓練樣本數(shù)，將其對應的最大等效應力和質(zhì)量作為已知的樣本輸出 矩陣設為矩陣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1)后可W求出隱含層神經(jīng)元的輸出，將訓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)計算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡的輸出值。
[0047] 在2)確定連接權(quán)值之后，通過輸入訓練樣本進行學習并建立神經(jīng)網(wǎng)絡響應模型。 將葉片截面厚度矩陣輸入神經(jīng)網(wǎng)絡響應模型中即可求出對應的最大等效應力值和質(zhì)量輸 出性能值。
[0048] 神經(jīng)網(wǎng)絡響應模型建立后，應用基于遺傳算法的多目標優(yōu)化算法，隨機選取規(guī)定 的樣本點組成種群，將采用神經(jīng)網(wǎng)絡的截面厚度和葉輪所受等效應力及質(zhì)量形成的映射關(guān) 系作為目標，選取無缺陷葉輪同等載荷下的最大等效應力為約束條件，得到相應的Pareto 前沿點，通過該些點進行有限元校核分析得出和預測值之間的誤差。
[0049] 基于葉片截面厚度和對應最大等效應力及質(zhì)量的神經(jīng)網(wǎng)絡響應模型，在設計變量 的可變范圍內(nèi)采取隨機選擇的方法選取一定數(shù)量的初始的設計變量，并將選擇得到的設計 變量采用神經(jīng)網(wǎng)絡響應模型模擬其最大等效應力值和質(zhì)量值，將設計變量和其對應的目標 函數(shù)值組成個體（染色體），并將所有選擇的個體（染色體）組成初始種群矩陣，采用隨機 選擇的方法保證了種群中個體多樣性，避免使得種群中個體過早的陷入局部最優(yōu)值中；將 初始種群進行交叉變異產(chǎn)生子種群，精英自動保留，父子種群合并；計算合并種群序值進行 排序處理，并計算擁擠距離為選擇做準備，某個體的擁擠距離越大，表示該個體與相鄰個體 的目標函數(shù)值差別越大，多樣性越好；修剪種群使個體數(shù)目等于種群的大小，采用的是錦標 賽選擇，即通過比較樣本的序值和擁擠距離來選擇較優(yōu)個體，其中序值和擁擠距離的優(yōu)先 級是不同的，首先進行序值的比較，序值小的個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，擁擠距離大的個體被選擇的概率大；對終止條件進行判斷得到Pareto 解集，分析非劣解并同采用神經(jīng)網(wǎng)絡相應模型得到的結(jié)果對比，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)再加入訓練樣本中，繼續(xù)進行神經(jīng) 網(wǎng)絡訓練，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)，探討裂紋等缺陷對葉輪葉片的影響程度，由葉輪對 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)化對象。傳統(tǒng)葉輪葉片厚 度優(yōu)化方法沒有考慮缺陷因素，忽略了缺陷分布位置對葉輪的削弱作用，一般選取葉片整 體厚度相關(guān)參數(shù)進行優(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)進行對比，最終 對葉輪的優(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)果對比
[0053]

【權(quán)利要求】
1. 考慮缺陷的大型透平膨脹機葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，其特征在于：包括以下步 驟： 步驟1:對帶缺陷的葉輪模型進行不同載荷應力分析，得到不同載荷對裂紋的影響程 度，以作為葉輪簡化裂紋參數(shù)化試驗的受力條件分析； 步驟2 :設置簡化裂紋參數(shù)，每個參數(shù)設定樣本數(shù)，以此確定葉輪對裂紋的敏感區(qū)域； 步驟3 :簡化裂紋參數(shù)化試驗表明裂紋深度與分布形式對葉輪的強度影響較大，主要 敏感區(qū)域為葉根附近，以減小裂紋處應力集中為出發(fā)點，確定葉片截面厚度為葉輪局部優(yōu) 化對象； 步驟4:設定葉片不同截面厚度為設計變量，并規(guī)定其變化范圍，選取在相同的載荷條 件下無缺陷葉輪的最大等效應力數(shù)值為約束條件，所受的最大等效應力及質(zhì)量為目標函 數(shù)對葉輪進行局部優(yōu)化； 步驟5 :輸出優(yōu)化結(jié)果，利用有限元校核驗證，確定具體優(yōu)化參數(shù)數(shù)值； 其中，步驟4包括以下具體過程： a. 建立廣義回歸神經(jīng)網(wǎng)絡響應模型 1) 計算隱含層神經(jīng)元徑向基函數(shù)中心和神經(jīng)元閾值 將設計變量即葉片不同截面的厚度參數(shù)和對應的最大等效應力值與其質(zhì)量作為神經(jīng) 網(wǎng)絡的訓練樣本；輸入矩陣為厚度截面參數(shù)，已知的樣本輸出矩陣為對應的最大等效應力 和質(zhì)量； 2) 計算隱含層神經(jīng)元輸出和確定隱含層與輸出層間的權(quán)值矩陣 通過1)后可以求出隱含層神經(jīng)元的輸出，將訓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) 計算輸出層神經(jīng)元的輸出值即神經(jīng)網(wǎng)絡的輸出值； 在2)確定連接權(quán)值之后，通過輸入訓練樣本進行學習并建立神經(jīng)網(wǎng)絡響應模型；將葉 片截面厚度矩陣輸入神經(jīng)網(wǎng)絡響應模型中即可求出對應的最大等效應力值和質(zhì)量輸出性 能值； b. 采用基于遺傳算法的多目標優(yōu)化算法對葉片截面厚度進行優(yōu)化 基于葉片截面厚度和對應的最大等效應力與質(zhì)量的神經(jīng)網(wǎng)絡預測模型，選取初始訓練 樣本，利用基于遺傳算法的多目標優(yōu)化算法進行選擇、交叉及變異等遺傳操作產(chǎn)生子種群， 精英自動保留，父子種群合并，計算相應的序值和擁擠距離，修剪種群使個體數(shù)目等于種群 的大小，進行終止條件判斷得到Pareto解集；將優(yōu)化解集分別進行數(shù)值模擬和神經(jīng)網(wǎng)絡模 型預測，根據(jù)誤差大小對結(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葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，其 特征在于：步驟1所述載荷為離心載荷及氣動載荷；步驟2所述參數(shù)為長度、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葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，其 特征在于：所述載荷應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，并指定相應的旋轉(zhuǎn)速度，分析得出離心力作用下的應力分布情況； 2) 僅考慮氣動載荷的作用；在workbench中采用FSI進行葉輪流固耦合分析，將 fluent后處理中葉輪流場模擬的葉片壓力載荷導入到葉輪模型上，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，不設定轉(zhuǎn)速，進行靜力分析，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葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，其 特征在于：過程a中，采用具有較強的非線性映射能力和柔性網(wǎng)絡結(jié)構(gòu)的廣義回歸神經(jīng)網(wǎng) 絡來建立設計變量與目標函數(shù)的神經(jīng)網(wǎng)絡模型，根據(jù)葉片不同截面厚度和帶裂紋的葉輪所 受應力及質(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樣本訓練確定出神經(jīng)網(wǎng)絡中的一些重要參數(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葉輪葉片結(jié)構(gòu)優(yōu)化設計方法，其 特征在于：過程b中，應用基于遺傳算法的多目標優(yōu)化算法，隨機選取規(guī)定的樣本點組成種 群，將采用基于神經(jīng)網(wǎng)絡的葉片截面厚度和葉輪所受最大等效應力及質(zhì)量形成的映射關(guān)系 作為目標，選取無缺陷葉輪同等載荷下的最大等效應力為約束條件，得到相應的Pareto前 沿點，通過這些點進行有限元校核分析得出和預測值之間的誤差。
【文檔編號】G06F17/50GK104331553SQ201410596906
【公開日】2015年2月4日 申請日期: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, 張樹有, 徐敬華 申請人:浙江大學