前言:
目前我们对“cfd 算法”大概比较关心,看官们都想要剖析一些“cfd 算法”的相关文章。那么小编在网络上搜集了一些对于“cfd 算法””的相关资讯,希望姐妹们能喜欢,我们一起来学习一下吧!旋转机械作为一种通用机械广泛应用于众多领域,越来越多的风机/泵企开始把节能提效指标放在研发的首位,不仅仅是为了响应国家节能减排,也是为了提升自身产品在国内外优质产品间的竞争实力。
旋转机械在自身的节能方式上有以下几点:高效的水力/气动模型、减小流道内的摩擦、减小机械损失、合理的选型、配用高效电机、能效检测、变频运行等等。那么合理的设计和优化是节能的前提和基石。
在ANSYS软件中,有一套完整的用于旋转机械的TurboSystem设计工具。
通过vista系列模块工具给定外特性参数生成1D子午流道,然后传递到bladegen中进行子午流道和叶型参数调整,将3D模型传递到高度自动化的六面体网格生成工具TurboGrid种生成高质量的边界层网格和流道网格,最后通过CFX进行求解计算以及在CFDpost中进行后处理这样一个完整的turbo正向设计流程。
在叶轮设计分析过程中普遍会遇到压升不够,效率不高,性能指标没有达到既定要求等等问题,那么必然需要在原始设计中进行调整然后再进行计算分析,传统的交互式优化,对工程师经验有很高要求,而且在遇到如低比转速等情况时,往往工作量大,消耗的时间多,不利于那些开发周期相对比较短又紧急的项目。
OptiSLang是ANSYS的一款用于进行多学科优化、随机分析、稳健与可靠性优化设计的专业分析软件,在参数敏感度分析、稳健性评估、可靠性分析、多学科优化、稳健与可靠性优化设计方面具有强大的分析能力,集成了二十多种先进的算法,为工程问题的多学科确定性优化、随机分析、多学科稳健与可靠性优化设计提供了坚实的理论基础。
同时,针对上述各种分析集成了强大的后处理模块,提供了稳健性评估与可靠性分析前沿研究领域中的各种先进评价方法与指标,以丰富的图例、表格展示各种分析结果。optiSLang可与多种CAE软件或者求解器集成,可基于其求解器进行各种工程仿真分析或者数据处理,因此使得optiSLang成为各工程领域中进行参数敏感性、多学科优化、稳健可靠性分析优化的专业工具。
其中COD、COI、COP、CC等指标精确而客观地衡量随机变量对响应的影响程度。为了克服多学科非线性优化中遇到的大量设计参数的困难,optiSLang提供了高效的敏感性分析、参数识别算法,可以基于预测系数(COP)和最优预测元模型(MOP)自动识别重要性参数并对预测质量进行量化,获取最优预测模型作为替代求解器,该预测质量是有效优化的关键因素,因此可以最大限度减少求解时间。
下面根据一款离心泵的优化实例来了解一下optislang这款软件的功能。
1、优化对象为一离心泵,外特性参数:扬程:70m,流量:80L/S。应用场合为热力循环系统或城市供水系统,因此需要高效率来达到节能减排的目的。我们将通过optislang来优化提升该性能点的效率。
2、首先我们需要对叶轮进行参数化建模,利用BladeEditor中叶轮逆向功能得到叶轮的几何参数,以叶片的进出口角、叶轮厚度以及叶片数、轴面流道形状包括shroud型线、hub型线、叶轮进出口直径、叶片进出口宽度b1、b2等作为优化对象,共计19个优化参数。
在建立好参数模型之后,导入turbogrid划分高质量六面体网格来进行网格无关性检查,由于参数化优化需要计算大量DOE模型以保证结果的准确性,因此在计算之前,为保证计算精度足够的情况下尽量减少网格数量,因此我们先进行了网格无关性验证,选取合适的网格尺寸作为标准进行后续的参数化优化计算。
从网格无关性计算结果中可以看出在考虑计算效率以及计算准确度的情况下, Medium Mesh这套网格符合要求,因此选取这套网格设置,通过workbench平台,进行单流道稳态计算,然后利用Optislang软件对模型进行优化,完整的工作流如下图所示。
3、Optislang优化分析过程:首先我们对19个参数的组合进行随机取样,从统计学的角度来说,样本点越多,分析的准确性越高,分别选取50、100、150个样本点进行参数敏感性分析。在Optislang软件中,主要基于COP预算系数来确定模型的可靠性,COP预测系数越接近100%表明映射关系就越好。
从计算结果来看,只有当样本的数量大于150个之后,COP才大于90%,表明其优化参数和目标函数映射较好。预期当前样本点的结果,我们选取了6个重要参数对计算结果有直接影响。分别是叶轮出口半径、叶轮出口宽度、shroud型线、叶片前缘位置以及进出口角。这些重要参数的选择也符合我们对于叶轮优化的理解。
在获得了足够样本点的情况下,直接利用Optislang的NLPQL算法进行进一步的叶轮优化。在Optislang中,其NLPQL算法并不直接进行CFD的求解,而是采用遗传算法,直接从数值结果上进行进一步的差值优化。
为了检验NLPQL算法的可靠性,我们将NLPQL算法的结果与CFD的结果进行了对比,从下图的结果中可以看到,二者结果比较扬尘的误差率很小(最大1.8%),效率无误差。表明optislang的MOP模型是合理的。
在最优设计结果上运用ARSM响应面模型进化算法拓宽参数范围进行第二次优化,迭代80步得到最终优化结果。
原始叶型与NLPQL算法和ARSM进化算法下的叶型进行比较,ARSM的叶型较原始设计优化了进出口角度,叶片进口位置等,优化后的模型气动性能得到很大的提高,效率由原始设计的96.7%提升至98%
以上是optislang与ANSYS耦合对离心泵叶轮进行优化的流程。
标签: #cfd 算法