基于代理模型的轴流式调节阀阀体型线优化

doi:10.12141/j.issn.1000-565X.220306

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (3): 41-52.doi: 10.12141/j.issn.1000-565X.220306

所属专题： 2023年能源、动力与电气工程

• 能源、动力与电气工程 • 上一篇下一篇

基于代理模型的轴流式调节阀阀体型线优化

李树勋胡迎港李成吴翰林沈恒云

兰州理工大学石油化工学院/机械工业泵及特殊阀门工程研究中心，甘肃兰州 730050

收稿日期:2022-05-20 出版日期:2023-03-25 发布日期:2022-11-03
通信作者: 李树勋（1973-），男，教授，博士生导师，主要从事控制类阀门等研究。 E-mail:gdlishuxun@126.com
作者简介:李树勋（1973-），男，教授，博士生导师，主要从事控制类阀门等研究。
基金资助:
国家自然科学基金资助项目(51569012)

Optimization of Body Profile Line of Axial Flow Control Valve Based on Surrogate Model

LI Shuxun HU Yinggang LI Cheng WU Hanlin SHEN Hengyun

College of Petrochemical Technology/Machinery Industry Pump and Special Valve Engineering Research Center，Lanzhou University of Technology，Lanzhou 730050，Gansu，China

Received:2022-05-20 Online:2023-03-25 Published:2022-11-03
Contact: 李树勋（1973-），男，教授，博士生导师，主要从事控制类阀门等研究。 E-mail:gdlishuxun@126.com
About author:李树勋（1973-），男，教授，博士生导师，主要从事控制类阀门等研究。
Supported by:
the National Natural Science Foundation of China(51569012)

摘要/Abstract

摘要：

针对国内外大口径天然气管线阀门型线优化周期长、优化过程机械式重复的问题，提出一种采用Kriging代理模型结合NSGA-Ⅱ算法的轴流式调节阀型线优化方法。以DN600轴流式调节阀为研究对象，通过Fluent与ANSYS软件对其性能进行初步评估后，选定流量值、最大应力水平和最大变形量为优化目标。首先采用B-spline曲线对阀体型线进行拟合，通过改变控制点的坐标实现阀体型线的参数化，并实现阀体型线的自动建模，运用拉丁超立方采样方法设计100种型线，通过数值模拟得到结构优化样本库，建立轴流式调节阀的Kriging代理模型。然后采用NSGA-Ⅱ算法对代理模型进行寻优得到Pareto前沿解集，通过对3个型线前沿解与初始型线内部水平截面的速度、压力变化曲线的研究，确定最优型线。再对优化前后的开度-阻力特性、流量-阻力特性及阀后管道内部流动进行研究，结果表明，优化后的型线流量值提高了9.2%，最大应力水平降低了8.46%，最大变形量减小了6.2%，优化后流体阻力降低，阀后管道高速流动影响距离减小。优化后型线的性能提升证明了该型线优化方法的有效性，揭示了该方法在阀门型线结构优化领域的潜力。

关键词: 多目标优化, 型线优化, 代理模型, 轴流式调节阀, 数值模拟

Abstract:

Aiming at the problems of long optimization cycle and mechanical repetition of the optimization process for large-diameter natural gas pipeline valves at home and abroad, this paper proposed a method for optimizing the profile of axial flow control valves using Kriging surrogate model combined with NSGA-Ⅱ algorithm. Taking the DN600 axial flow regulating valve as the research object, after preliminary evaluation of its performance by Fluent and ANSYS software, it selected the flow value, maximum stress level and maximum deformation as the optimization goals. First, the B-spline curve was used to analyze the valve body type. By changing the coordinates of the control points, the parameterization of the valve body profile could be realized, and the automatic modeling of the valve body profile could be realized. The Latin hypercube sampling method was used to design 100 types of profiles, and the structural optimization sample library was obtained through numerical simulation. Kriging surrogate model for an axial flow control valve was established. Then, the NSGA-Ⅱ algorithm was used to optimize the surrogate model to obtain the Pareto front solution set, and the optimal profile was determined by studying the front solutions of the three profiles and the velocity and pressure variation curves of the horizontal section inside the initial profile. The opening-resistance characteristics, flow-resistance characteristics and internal flow of the pipeline behind the valve were studied before and after optimization. The research results show that the optimized profile flow value increased by 9.2%, the maximum stress level decreased by 8.46%, and the maximum deformation is reduced by 6.2%, the fluid resistance is reduced after optimization, and the influence distance of high-speed flow in the pipeline after optimization is reduced. The performance improvement of the optimized profile proves the effectiveness of the profile optimization method and reveals the potential of the method in the field of valve profile structure optimization.

Key words: multi-objective optimization, profile line optimization, surrogate model, axial flow control valve, numerical simulation

中图分类号:

TH134

李树勋, 胡迎港, 李成, 等. 基于代理模型的轴流式调节阀阀体型线优化[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 41-52.

LI Shuxun, HU Yinggang, LI Cheng, et al. Optimization of Body Profile Line of Axial Flow Control Valve Based on Surrogate Model[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(3): 41-52.

图/表 26

图1

图2

图3

图4

图5

图6

图7

表1

图8

图9

图10

表2

表3

图11

图12

图13

图14

图15

图16

图17

图18

图19

图20

图21

图22

图23

参考文献 18

1	张智超，高太远，张磊，等．基于径向基神经网络的气动热预测代理模型［J］．航空学报，2021，42（4）：303-312．
	ZHANG Zhi-chao， GAO Tai-yuan， ZHANG Lei，et al ．Aero-heating agent model based on radial basis function neural network［J］．Acta Aeronautica et Astronautica Sinica，2021，42（4）：303-312．
2	KRISTIN P B， EMILIO P H ．The interplay of optimization and machine learning research［J］．Journal of Machine Learning Research，2006，7（2）：1265-1281．
3	李树勋，李忠，周爱民，等．三通调节球阀节流盘开口型线优化及试验研究［J］．华中科技大学学报（自然科学版），2017，45（2）：61-66．
	LI Shu-xun， LI Zhong， ZHOU Ai-min，et al ．Optimization and experimental research on the opening profile of the throttle disc of the three-way regulating ball valve ［J］．Journal of Huazhong University of Science and Technology （Natural Science Edition），2017，45（2）：61-66．
4	RAVINDRAN A C， KOKJOHN S L ．Combining machine learning with 3D-CFD modeling for optimizing a DISI engine performance during Cold-Start［J］．Energy and AI，2021，5：100072-1-18．
5	WANG Y， LIU T， ZHANG D，et al ．Dual-convolutional neural network based aerodynamic prediction and multi-objective optimization of a compact turbine rotor［J］．Aerospace Science and Technology，2021，116：106869-1-13.
6	FAGUNDEZ J L S， LANZANOVA T D M， MARTINS M E S，et al ．Joint use of artificial neural networks and particle swarm optimization to determine optimal performance of an ethanol SI engine operating with negative valve overlap strategy［J］．Energy，2020，204：117892-1-16.
7	程鸿亮，伊卫林，季路成．机器学习在高压比离心叶轮优化设计中的应用研究［J］．工程热物理学报，2020，41（11）：2734-2741.
	CHENG Hong-liang， YI Wei-lin， JI Lu-cheng ．Application of machine learning in the optimal design of centrifugal impeller with high pressure ratio［J］．Chinese Journal of Engineering Thermophysics，2020，41（11）：2734-2741.
8	苗森春，杨军虎，王晓晖，等．基于神经网络-遗传算法的液力透平叶片型线优化［J］．航空动力学报，2015，30（8）：1918-1925.
	MIAO Sen-chun， YANG Jun-hu， WANG Xiao-hui，et al ．Optimization of hydraulic turbine blade profile based on neural network-genetic algorithm［J］．Journal of Aerodynamics，2015，30（8）：1918-1925.
9	ŠKERLAVAJ A， MORGUT M， JOŠT D，et al ．Optimization of a single-stage double-suction centrifugal pump［J］．Journal of Physics：Conference Series，2017，796（1）：1-10.
10	DERAKHSHAN S， TAVAZIANI A， KASAEIAN N ．Numerical shape optimization of a wind turbine blades using artificial bee colony algorithm［J］．Journal of Energy Resources Technology，2015，137（5）：1-12.
11	FISCHER G R， KIPOUROS T， SAVILL A M ．Multi-objective optimization of horizontal axis wind turbine structure and energy production using aerofoil and blade properties as design variables［J］．Renewable Energy，2014，62（2）：506-515.
12	GUHA A， FALZARANO J ．Application of multi objective genetic algorithm in ship hull optimization［J］．Ocean Systems Engineering，2015，5（2）：91-107.
13	罗兴锜，郭鹏程，朱国俊，等．基于NSGA-Ⅱ算法的水轮机活动导叶多目标优化设计［J］．排灌机械工程学报，2010，28（5）：369-373.
	LUO Xing-qi， GUO Peng-cheng， ZHU Guo-jun，et al ．Multi-objective optimization design of hydraulic turbine moving guide vanes based on NSGA-Ⅱ algorithm［J］．Chinese Journal of Drainage and Irrigation Machinery，2010，28（5）：369-373.
14	MENTER F R ．Two-equation eddy-viscosity turbulence models for engineering applications［J］．AIAA Journal，1994，32（8）：1598-1605.
15	SACKS J， WILLIAM J， WELCH T J，et al ．Design and analysis of computer experiments［J］．Statistical Science，1989，4（4）：409-423.
16	RASMUSSEN C E， WILLIAMS C ．Gaussian processes for machine learning［M］．Cambridge，MA：MIT Press，2006：22-31.
17	ALEXANDER I J F， SÓBESTER A， ANDY J K ．Engineering design via surrogate modelling：A practical guide［M］．Chichester，UK：Wiley，2008：21-34.
18	马永杰，云文霞．遗传算法研究进展［J］．计算机应用研究，2012，29（4）：1201-1206.
	MA Yong-jie， YUN Wen-xia ．Research progress of genetic algorithms［J］．Computer Application Research，2012，29（4）：1201-1206.

节点数	网格数	最大应力值/MPa
181 246	149 776	117.82
318 026	203 775	118.24
338 405	250 694	118.43

设计变量	原始数值/mm	取值范围/mm
x₁	-333.4	-363.4～-303.4
y₁	307.2	277.2～337.2
x₂	-201.6	-221.6～-181.6
y₂	332.4	302.4～362.4
x₃	-105.8	-95.8～-115.8
y₃	390.1	360.1～420.1
x₄	402.0	372.0～432.0
y₄	456.9	426.9～486.9

x₂/mm	y₂/mm	x₃/mm	y₃/mm	x₄/mm	y₄/mm
-206.23	312.79	-96.61	366.78	406.34	439.22
-219.95	311.12	-104.67	385.73	376.88	476.76
-205.88	341.41	-106.02	394.27	421.51	449.23
-194.56	339.74	-115.63	372.46	395.05	478.97
-181.47	327.99	-98.56	365.47	412.66	429.67

[1]	张跃明, 李天宇, 纪姝婷. 摆线针轮减速机参数对传动效率的影响与参数优化[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 77-87.
[2]	于鸣泉, 赵继云, 满家祥, 等. 高水基液压马达配流机构的研究[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 19-29.
[3]	卢志民, 李博航, 唐雯, 等. 燃煤电厂SCR脱硝系统喷氨优化模拟[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 62-70.
[4]	王学武, 方俊宇, 高进, 等. 基于改善解集分布性的多目标优化[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 137-148.
[5]	刘定平, 张向阳, 陈爱桦, 等. 基于正交设计的旋流管式除雾器性能的数值分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 89-96.
[6]	麻向军, 王臻, 姚志强, 等. 偏心转子挤出机中UHMWPE熔体流动特性的数值模拟[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 114-121.
[7]	戴公连, 陈坤, 葛浩, 等. 钢轨非接触式无损检测技术数值模拟研究[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 44-52.
[8]	田立丰, 郭美琦, 丁浩, 等. 超声速边界层气动光学效应及控制研究[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 137-146.
[9]	刘国勇, 张文鹏, 张铜鑫, 等. 大幅面SLM成型仓结构优化及其流场特性[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 53-63.
[10]	赵克刚, 何坤阳, 黎杰, 等. 基于改进动态规划法的HEV多目标能量管理策略[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 138-148.
[11]	杜建明, 房倩, 王赶, 等. 高速列车经过双线隧道瞬变压力及压力梯度特征[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 58-68.
[12]	蒋涛, 路洲. 高架铁路客运站平天窗的多目标优化[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 13-24.
[13]	宫楠, 李培振, 何徐明. 新型电涡流连梁阻尼器设计及其数值模拟分析[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 25-34.
[14]	杜建明, 房倩, 李建业. 车隧阻塞比对高铁隧道壁面气动压力特征的影响[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 56-64.
[15]	杨晨, 王风磊, 吴嘉懿, 等. 螺旋复合型槽纹管换热器壳程热力性能分析[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 137-144.

基于代理模型的轴流式调节阀阀体型线优化

Optimization of Body Profile Line of Axial Flow Control Valve Based on Surrogate Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 26

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价