考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法
2023-05-10 17:53:06 2
考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法
【專利摘要】本發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構優化設計方法。本發明在原有葉輪應力分析基礎上，加入缺陷因素，利用廣義回歸神經網絡和基於遺傳算法的多目標優化算法對葉輪參數進行遺傳優化操作，最終得到分布均勻的Pareto最優解作為葉輪葉片優化參數，優化過程集合了葉輪實際工作特點，葉輪整體強度與結構剛度高，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動慣量，節省材料。
【專利說明】考慮缺陷的大型透平膨化機葉輪葉片結構優化設計方法
【技術領域】
[0001] 本發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構優化設計方法。
【背景技術】
[0002] 隨著空分設備的大型化發展，為其配套的大型透平膨脹機的需求也隨之增大。大 型透平膨脹機在結構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 型透平膨脹機中佔有重要地位，屬於主承力部件，高速旋轉同時承受著離也力、氣動力、激 振力、外物衝擊等循環交變載荷與動載荷作用。葉輪工作環境十分惡劣，對大型透平膨脹機 中葉輪而言，其受力更加複雜，在高速旋轉過程中，不僅承受交變載荷和動載荷作用，而且 還受到介質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。而缺陷的存在易引起應力集中，對葉輪結構，尤其是大型透平 膨脹機葉輪設計要求很高，若結構設計不合理，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故障等現象，極易導致爆炸等重大事故的發生，對空分裝備 的安全運行帶來嚴重的威脅。
[0003] 目前葉輪結構優化方法主要將優化技術與葉輪流場計算方法相結合，利用數學方 法控制設計參數的修改方向，對各種不同參數組合進行計算，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化結果。但在實際工作中，由於大型透平膨脹機葉輪不可 避免的存在缺陷，目前的優化方法就有一定的不足，該些方法多數是將理想無缺陷葉輪模 型作為研究對象，根據無缺陷葉輪模型的受力情況確定強度要求，得到葉輪的最終優化結 果。由於沒有考慮到缺陷因素的影響，葉輪在有缺陷的工作狀態下應力數值偏高，實際葉 輪缺陷會使內部流動情況發生變化，影響葉頂間隙、進口導葉等因素，致使葉片參數優化方 向不符合實際情況，從而造成單純考慮參數組合的最優解在某些工況下並不能達到預期質 量，葉輪性能受到嚴重的影響。
[0004] 針對目前方法存在的不足，本發明考慮缺陷因素的影響，直接從缺陷角度出發，粗 略的探討缺陷的作用域，得出設計敏感區域，縮小優化範圍。根據敏感區域確定葉片根部為 局部優化對象，並借鑑於數值優化的作用，利用基於遺傳算法的多目標優化算法對其進行 具體的優化。其中通過建立廣義回歸神經網絡響應模型可實現葉片質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係，避免了優化設計過程中大量的結構有限元分析 求解，提高了優化設計效率；利用基於遺傳算法的多目標優化算法，精英自動保留，得到分 布均勻的Pareto最優解，實現葉輪局部結構優化，從而降低缺陷的危害程度，提升葉輪的 工作壽命。
【發明內容】
[0005] 本發明為解決上述葉輪結構優化設計方法的不足，提出一種考慮缺陷的大型透平 膨脹機葉輪葉片結構優化設計方法，包括W下關鍵步驟：
[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，葉輪採用軸孔固定約束，添加葉輪模型的材料，並指 定相應的旋轉速度，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中採用FSI進行葉輪流固禪合分析，將fluent後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，每個參數設定足夠的樣本數，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域；
[0010] 其中，所述參數長度、寬度、深度及分布位置。
[0011] 步驟3 ;簡化裂紋參數化試驗表明裂紋深度與分布形式對葉輪的強度影響較大， 主要敏感區域為葉根附近，W減小裂紋處應力集中為出發點，確定葉片截面厚度為葉輪局 部優化對象；
[0012] 步驟4;設定葉片不同截面厚度為設計變量，並規定其變化範圍，選取在相同的載 荷條件下無缺陷葉輪的最大等效應力數值為約束條件，所受的最大等效應力及質量為目 標函數對葉輪進行局部優化；
[0013] 步驟5 ;輸出優化結果，利用有限元校核驗證，確定具體優化參數數值；
[0014] 步驟4包括W下具體過程：
[0015] a.建立廣義回歸神經網絡響應模型
[0016] 1)計算隱含層神經元徑向基函數中也和神經元闊值
[0017] 將設計變量即葉片不同截面的厚度參數和對應的最大等效應力值與其質量作為 神經網絡的訓練樣本。輸入矩陣為厚度截面參數，已知的樣本輸出矩陣為對應的最大等效 應力和質量。
[0018] 2)計算隱含層神經元輸出和確定隱含層與輸出層間的權值矩陣
[0019] 通過1)後可W求出隱含層神經元的輸出，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值W。
[0020] 3)計算輸出層神經元的輸出值即神經網絡的輸出值。
[0021] 在2)確定連接權值之後，通過輸入訓練樣本進行學習並建立神經網絡響應模型。 將葉片截面厚度矩陣輸入神經網絡響應模型中即可求出對應的最大等效應力值和質量輸 出性能值。
[0022] b.採用基於遺傳算法的多目標優化算法對葉片厚度進行優化
[0023] 基於葉片截面厚度和對應的最大等效應力與質量的神經網絡預測模型，選取初始 訓練樣本，利用基於遺傳算法的多目標優化算法進行選擇、交叉及變異等遺傳操作產生子 種群，精英自動保留，父子種群合併，計算相應的序值和擁擠距離，修剪種群使個體數目等 於種群的大小，進行終止條件判斷得到Pareto解集。將優化解集分別進行數值模擬和神經 網絡模型預測，根據誤差大小對結果取捨優化。
[0024] 葉片截面厚度優化方法，在過程a中，採用具有較強的非線性映射能力和柔性網 絡結構的廣義回歸神經網絡（GRNN)來建立設計變量與目標函數的神經網絡模型，根據葉 片不同截面厚度和帶裂紋的葉輪所受應力及質量的關係，建立葉片不同截面厚度和最大等 效應力及質量之間的非線性映射關係。具體步驟主要是通過樣本訓練確定出神經網絡中的 一些重要參數如徑向基函數中也、神經元闊值及權值等。
[00巧]葉片截面厚度優化方法，在過程b中，應用基於遺傳算法的多目標優化算法，隨機 選取規定的樣本點組成種群，將採用基於神經網絡的葉片截面厚度和葉輪所受最大等效應 力及質量形成的映射關係作為目標，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，本發明涉及的主要特點有：
[0027] 1)從缺陷出發，模擬葉輪缺陷工作環境。本發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 化，利用參數變化得到葉輪對應的應力變化情況。
[0028] 2)優化目標與設計變量的對應關係。本發明利用廣義回歸神經網絡建立設計變量 與目標函數的神經網絡模型，更符合實際模型，並可W將較大誤差的Pareto解集再加入到 訓練樣本中，進行神經網絡訓練，實現粗大誤差處理，具有測量精度高、使用方便、數據輸出 容易等優點。
[0029] 有益效果：本發明通過模擬裂紋對葉輪工作性能的影響，得到基於裂紋影響的葉 輪局部優化目標為葉片厚度。此過程直接從裂紋角度出發，避免其它因素的幹擾，更具有針 對性，並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。針對本項目樣本數據較少並含有噪點的情況，本發明採用了具有較強的非 線性映射能力和柔性網絡結構的廣義回歸神經網絡（GRNN)對厚度參數與應力及質量等性 能指標映射規律進行訓練預測，與其它插值方法相比，具有精度高、誤差小、使用方便等優 點。採用基於遺傳算法的多目標優化算法得到的葉片不同區域厚度不同，裂紋敏感區葉片 厚度最大，非敏感區厚度減小，既滿足減小應力集中的要求，又減輕了葉輪的重量，減小了 轉動慣量，節省材料，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構優化流程圖。
[0031] 圖2為葉輪參數化試驗分析結果圖。
[0032] 圖3為葉輪對裂紋敏感區域示意圖。
[0033] 圖4為優化葉輪葉片示意圖。
【具體實施方式】
[0034] 本發明提出一種考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，探討裂 紋對葉輪的作用機理，確定葉片截面厚度為具體優化對象，並利用基於遺傳算法的多目標 優化算法對葉片截面厚度進行具體優化，如圖1，該方法包括W下關鍵步驟：
[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。由溫度效應產生的熱應力非常小，其產生的應力強度少於葉輪 總應力強度的2%。因此本發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，葉輪採用軸孔固定約束，添加葉輪模型的材料，並指 定相應的旋轉速度，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中採用FSI進行葉輪流固禪合分析，將fluent後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，每個參數設定足夠的樣本數，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，根據葉輪 葉片的幾何參數，規定參數樣本數量，通過應力分布試驗可W詳細了解帶裂紋葉輪的應力 狀態和變形情況，並可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， 主要敏感區域為葉根附近，如圖3。增大葉片敏感區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點，確定葉片截面厚度為葉輪局部優化對象。
[0040] 步驟4;設定葉片不同截面厚度為設計變量，並規定其變化範圍，選取在相同的載 荷條件下無缺陷葉輪的最大等效應力數值為約束條件，所受的最大等效應力及質量為目 標函數對葉輪進行局部優化，如圖4。
[0041] 採用具有較強的非線性映射能力和柔性網絡結構的廣義回歸神經網絡（GRNN)來 建立設計變量與目標函數的神經網絡模型，根據葉片不同截面厚度和帶裂紋的葉輪所受應 力及質量的關係，建立葉片質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 系。該神經網絡響應模型是一種基於非線性回歸理論的前饋式神經網絡模型，其網絡結構 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網絡中的一些重 要參數如徑向基函數中也、神經元闊值及權值等。過程包括：
[0042] 1)計算隱含層神經元徑向基函數中也和神經元闊值
[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值即最大等效應力值和 其質量作為神經網絡的訓練樣本。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，Q為訓練樣本數，將其對應的最大等效應力和質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，本發明優化中，R = 2, S = 2。
[0044] 2)計算隱含層神經元輸出和確定隱含層與輸出層間的權值矩陣
[0045] 通過1)後可W求出隱含層神經元的輸出，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值W。
[0046] 3)計算輸出層神經元的輸出值即神經網絡的輸出值。
[0047] 在2)確定連接權值之後，通過輸入訓練樣本進行學習並建立神經網絡響應模型。 將葉片截面厚度矩陣輸入神經網絡響應模型中即可求出對應的最大等效應力值和質量輸 出性能值。
[0048] 神經網絡響應模型建立後，應用基於遺傳算法的多目標優化算法，隨機選取規定 的樣本點組成種群，將採用神經網絡的截面厚度和葉輪所受等效應力及質量形成的映射關 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] 基於葉片截面厚度和對應最大等效應力及質量的神經網絡響應模型，在設計變量 的可變範圍內採取隨機選擇的方法選取一定數量的初始的設計變量，並將選擇得到的設計 變量採用神經網絡響應模型模擬其最大等效應力值和質量值，將設計變量和其對應的目標 函數值組成個體（染色體），並將所有選擇的個體（染色體）組成初始種群矩陣，採用隨機 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值中；將 初始種群進行交叉變異產生子種群，精英自動保留，父子種群合併；計算合併種群序值進行 排序處理，並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 的目標函數值差別越大，多樣性越好；修剪種群使個體數目等於種群的大小，採用的是錦標 賽選擇，即通過比較樣本的序值和擁擠距離來選擇較優個體，其中序值和擁擠距離的優先 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，分析非劣解並同採用神經網絡相應模型得到的結果對比，若誤差在允許的範圍內，貝U 採用此優化結果；如果誤差不滿足，則將有限元分析數據再加入訓練樣本中，繼續進行神經 網絡訓練，直到誤差在允許的範圍內。
[0050] 步驟5 ;輸出優化結果，利用有限元校核驗證，確定具體優化參數數值；
[0051] 本發明直接從缺陷角度出發，探討裂紋等缺陷對葉輪葉片的影響程度，由葉輪對 裂紋的敏感區域最終確定葉片厚度變化位置和變化角度為具體優化對象。傳統葉輪葉片厚 度優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 體厚度相關參數進行優化。本發明選取的優化參數和傳統選取的優化參數進行對比，最終 對葉輪的優化結果如表1。
[0052] 表1本方法與傳統不考慮缺陷方法優化結果對比
[0053]
【權利要求】
1. 考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，其特徵在於：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化試驗的受力條件分析； 步驟2 :設置簡化裂紋參數，每個參數設定樣本數，以此確定葉輪對裂紋的敏感區域； 步驟3 :簡化裂紋參數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 敏感區域為葉根附近，以減小裂紋處應力集中為出發點，確定葉片截面厚度為葉輪局部優 化對象； 步驟4:設定葉片不同截面厚度為設計變量，並規定其變化範圍，選取在相同的載荷條 件下無缺陷葉輪的最大等效應力數值為約束條件，所受的最大等效應力及質量為目標函 數對葉輪進行局部優化； 步驟5 :輸出優化結果，利用有限元校核驗證，確定具體優化參數數值； 其中，步驟4包括以下具體過程： a. 建立廣義回歸神經網絡響應模型 1) 計算隱含層神經元徑向基函數中心和神經元閾值 將設計變量即葉片不同截面的厚度參數和對應的最大等效應力值與其質量作為神經 網絡的訓練樣本；輸入矩陣為厚度截面參數，已知的樣本輸出矩陣為對應的最大等效應力 和質量； 2) 計算隱含層神經元輸出和確定隱含層與輸出層間的權值矩陣 通過1)後可以求出隱含層神經元的輸出，將訓練集的輸出值矩陣作為隱含層與輸出 層之間的連接權值W; 3) 計算輸出層神經元的輸出值即神經網絡的輸出值； 在2)確定連接權值之後，通過輸入訓練樣本進行學習並建立神經網絡響應模型；將葉 片截面厚度矩陣輸入神經網絡響應模型中即可求出對應的最大等效應力值和質量輸出性 能值； b. 採用基於遺傳算法的多目標優化算法對葉片截面厚度進行優化 基於葉片截面厚度和對應的最大等效應力與質量的神經網絡預測模型，選取初始訓練 樣本，利用基於遺傳算法的多目標優化算法進行選擇、交叉及變異等遺傳操作產生子種群， 精英自動保留，父子種群合併，計算相應的序值和擁擠距離，修剪種群使個體數目等於種群 的大小，進行終止條件判斷得到Pareto解集；將優化解集分別進行數值模擬和神經網絡模 型預測，根據誤差大小對結果取捨優化。
2. 根據權利要求1所述的考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，其 特徵在於：步驟1所述載荷為離心載荷及氣動載荷；步驟2所述參數為長度、寬度、深度及 分布位置。
3. 根據權利要求2所述的考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，其 特徵在於：所述載荷應力分析採用有限元分析： 1) 僅考慮離心力的作用；在有限元分析，葉輪採用軸孔固定約束，添加葉輪模型的材 料，並指定相應的旋轉速度，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中採用FSI進行葉輪流固耦合分析，將 fluent後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. 根據權利要求1所述的考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，其 特徵在於：過程a中，採用具有較強的非線性映射能力和柔性網絡結構的廣義回歸神經網 絡來建立設計變量與目標函數的神經網絡模型，根據葉片不同截面厚度和帶裂紋的葉輪所 受應力及質量的關係，建立葉片不同截面厚度和最大等效應力及質量之間的非線性映射關 系；具體步驟主要是通過樣本訓練確定出神經網絡中的一些重要參數如徑向基函數中心、 神經元閾值及權值等。
5. 根據權利要求1所述的考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法，其 特徵在於：過程b中，應用基於遺傳算法的多目標優化算法，隨機選取規定的樣本點組成種 群，將採用基於神經網絡的葉片截面厚度和葉輪所受最大等效應力及質量形成的映射關係 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 優先權日:2014年10月29日
【發明者】趙昕玥, 尹嬌妹, 何再興, 張樹有, 徐敬華 申請人:浙江大學