论文部分内容阅读
离心叶轮是压缩机做功的主要部件,叶片的形状对其内流性能具有重要影响。因此研究优化叶片形状,提升叶轮内流性能,降低能耗具有重要意义。本文基于神经网络采用正命题方法,以叶轮叶片为研究对象,以叶轮的等熵效率、总压比为目标参数,通过改变叶片形状来研究探讨叶片的优化设计方法。本文首先解决了叶片参数化的问题,对比研究了Bezier和B样条两种拟合方法的优劣,最终确定用Bezier曲线对叶片形状进行拟合。这样叶片形状就可用Bezier曲线的控制点坐标来控制,解决了叶片参数化的问题。其次在流场求解方法的选择上,本文为了节约计算时间,在对比了三维CFD和二维流线曲率法后,决定采用基于二维流线曲率法的Throughflow软件作为此次优化的流场求解器。流场求解器用于生成初期样本点,验证优化后叶片的预测性能。由于流场计算仿真所耗时间过长,而且叶片形状参数与优化目标之间的关系很难用解析式进行表达,因此本文采用了BP神经网络作为近似模型替代真实流场求解器对性能进行预测。通过预先产生的样本点不断训练神经网络,直到其预测精度提高到要求值。在此基础上引入了多目标遗传算法在参数给定的范围内进行全局寻优,将神经网络嵌入进遗传算法里,由BP网络来评价适应度值,然后得到Pareto最优解。以上整个优化系统是以Bezier控制点为输入参数,神经网络预测值为输出参数,进行迭代寻优,直到达到设定的迭代步数为止。本文最后针对某型压缩机叶片进行优化,验证了该方法的有效性。结果显示,优化后的叶片其效率提高了0.126%、压比提高了0.577%,因此该方法是一种可靠有效的叶片优化设计方法。