基于单循环方法的涡轮叶片可靠性及多学科设计优化

为了得到适用于涡轮叶片复杂结构并同时考虑可靠性的多学科设计优化方法,将基于单循环方法的可靠性分析（SLBRA）与并行子空间设计优化方法 （CSSO）相结合,提出了一种基于可靠性的多学科设计优化（RBMDO）方法。在优化过程中使用Kriging近似模型并不断提高模型精度。该方法在计算最可能失效点（MPP）的过程中避免了优化迭代,提高了计算效率。以涡轮叶片的设计优化为例,对该方法进行了验证并与传统双循环方法进行了对比。结果表明,优化结果满足可靠性的要求,与双循环方法相比优化效率明显提高,证明了该方法在工程应用中的可行性和有效性。     

涡轮叶片多学科可靠性及稳健设计优化

为了得到一种适用于涡轮叶片复杂结构并同时考虑可靠性及稳健性的多学科设计优化方法,将6sig-ma可靠性及稳健设计优化方法与多学科可行方法(MDF)相结合,采用二阶Taylor展开法进行可靠性及稳健性分析,实现了涡轮叶片多学科6sigma可靠性及稳健设计优化。使用Kriging近似模型并不断提高模型精度,解决了多学科可行方法计算量较大的问题。实例分析表明,与确定性多学科设计优化相比,采用该方法得到的涡轮叶片可靠性及稳健性均有大幅度提高,同时设计目标最优,满足工程应用的要求,验证了该方法在工程应用中的可行性。     

基于可靠性的涡轮叶片双循环多学科设计优化

提出一种适用于涡轮叶片复杂结构的基于可靠性多学科设计优化方法.使用多学科可行性优化方法解耦.根据实验设计结果,通过Kriging模型建立多学科分析过程的近似模型,并在计算过程中不断更新近似模型.将Hasofer-Lind Rackwitz-Fiessler(HL-RF)可靠性计算方法和优化算法以双循环可靠性优化方法相结合,实现基于可靠性的多学科设计优化模型.实例分析表明,在保证结构的可靠度要求条件下,设计结果满足性能最优.验证了基于可靠性多学科设计优化方法在工程实践中的应用是可行的.      

基于Kriging模型的涡轮叶片多学科设计优化

引入基于Kriging模型的近似技术, 建立了一种三维涡轮叶片的多学科设计优化方法.系统介绍了Kriging近似模型, 采用松散耦合方法考虑叶片各学科之间的耦合关系, 在多学科耦合分析的基础上, 采用多学科可行方法与基于Kriging模型的多学科优化方法分别进行了优化和比较.算例表明, 同等条件下相对于前者, 后者能够在精度无明显损失的情况下更快地收敛到最优解, 使涡轮叶片的各项性能得到明显改善, 证明该优化方法是可行有效的.      

涡轮叶片的气动-热-结构多学科设计优化研究

涡轮叶片设计是典型的多学科问题,在保证结果精度的同时必须重视计算效率.通过控制样本的数量和质量,近似模型能够在保证一定精度的前提下,简化多学科优化过程中的数据管理,并提高优化效率.通过分析涡轮转子叶片的气动-热-结构三个学科的设计过程和数据传递关系,充分利用各学科现有的分析工具,建立了涡轮叶片的气动-热-结构多学科优化设计框架.对某涡轮转子叶片分别使用Kriging近似模型和精确分析方法进行优化对比,可以看出两者的结果误差约为1.86%,而效率提高了将近46%,表明采用近似方法的优化结果在工程上是可用的,而且在计算效率更占优势.      

基于双循环的涡轮叶冠多学科设计优化

针对经典的多学科设计可行方法(MDF)的低效率问题,开展了利用可变复杂度建模方法改进MDF策略的研究.以涡轮叶冠为对象,综合考虑优化精度和优化效率,利用响应面方法近似高精度分析,简化计算难度,提高优化效率;合理引入可变复杂度建模方法,通过双循环结构优化策略周期性地调用高精度分析更新响应面方程来保证优化精度.基于双循环的涡轮叶冠多学科优化设计(MDO)表明,优化设计目标降低了1.4%,明显好于经典MDF策略(0.97%),整个优化策略共耗时2h39min,仅是经典MDF的优化时间的1/3.     

涡轮叶片的多学科设计优化系统

建立了一个全三维涡轮叶片的一体化多学科设计优化系统, 并对某叶片进行涉及五学科的设计优化分析.在此优化系统中, 采用5次多项式方法进行三维涡轮叶片的参数化建模, 单元线性插值法完成学科间载荷信息的传递, 多岛遗传算法及二次序列规划法联合进行整个优化问题的寻优.实例分析结果表明, 一体化优化使涡轮叶片性能得到明显提高, 所建系统稳定、高效, 具有应用于工程实践的可行性及可靠性.      

基于自适应本征正交分解的涡轮级多学科设计优化

为了提高涡轮级多学科设计优化的优化效率,基于本征正交分解(Proper Orthogonal Decomposition,POD)技术,并结合快照样本自适应更新方法,提出了一种综合的涡轮级多学科优化系统。首先,通过进行POD分析,仅保留占优势的基函数,并以POD系数作为新的设计变量,设计变量个数由60个缩减为5个,提高了优化效率。然后,基于自适应进化规则,优化过程中对快照样本进行不断的进化和修正,从而提高POD精度。最后将该方法与涡轮多学科优化流程相结合,建立了一种高效率、高精度的优化策略。某涡轮优化的结果表明:该优化策略适于设计变量较多的复杂优化问题,且具有良好的收敛性,优化后设计点等熵效率提高了3.5%。     

航空发动机涡轮叶片的多学科设计优化

叙及了多学科设计优化技术在航空发动机涡轮叶片设计中的应用研究,对涡轮叶片多学科设计优化方法进行设计的具体实施过程进行了介绍,讨论了结构、气动、传热、强度、振动和寿命以及优化算法等跨学科之间进行耦合优化设计的理论和方法。文末给出了一计算实例。      

涡轮叶片多学科设计优化中的多学科可行解耦

为解决涡轮叶片多学科设计优化过程中的解耦问题,将多学科可行解耦方法应用于涡轮叶片气动、传热及结构三学科的解耦。将气动、传热分析载荷下的叶片变形作为解耦循环结束与否的判断标准;解耦循环中的关键步骤——学科间的载荷传递及变形传递分别用单元内线性插值法及自由网格变形技术实现。某涡轮叶片初始设计点的解耦算例表明,解耦循环结束前收敛标准降幅达90.74%,气动、传热及结构得到了完全解耦。整个过程表明,多学科可行解耦方法虽然解耦效率有限,但在解决学科间耦合问题时具有较好的稳定性、准确性及可操作性。     

涡轮冷却叶片参数化建模及多学科设计优化

建立了一个涉及结构、气动、传热、振动、强度和寿命等学科的涡轮冷却叶片多学科设计优化系统, 进行了单孔薄壁冷却叶片的多学科设计优化.提出了单孔薄壁冷却叶片的参数化造型方法, 叶片叶型采用5次多项式构造, 气动与传热为三维耦合分析;叶片体积平均温度与最高温度为优化目标, 强度、振动和寿命等学科相关参数为约束, 模拟退火与序列二次规划组合算法进行叶片参数空间寻优, 在保持冷却气体流量不变的条件下, 优化提高了冷却效果, 降低了叶片材料的性能要求.      

涡轮多学科优化中的气动设计技术探讨

通过对涡轮多学科优化的分析,讨论了多学科优化中的气动设计技术.提出了基于叶栅特征参数和贝塞尔函数的二维叶栅参数化造型方法,并结合积叠轴的掠、弯形成三维复杂几何叶片成型技术.通过对气动优化过程中的数学模型分析,给出了一般要求的约束条件,并根据不同阶段的气动设计和约束条件提出了分阶段嵌套优化方法.针对三维气动计算,对商用软件CFX进行了二次开发,实现了三维计算的自动分网、建模、求解和后处理.最后,结合具体算例完成的优化设计结果表明,其涡轮效率提高了约2.3%,工作叶片数减少13.21%,叶片叶身总质量下降8.96%.      

基于网格参数化变形的单级涡轮多学科可靠性设计优化

基于自由变形技术发展了一种可以协调实现流场、结构分析网格参数化变形的方法,并实现单级涡轮的多学科可靠性设计优化。针对流场分析网格展向积叠的特征,将三维网格变形转化为不同叶高二维截面的网格变形;根据二维流场分析网格的拓扑结构,设计二维控制面,基于叶型设计参数建立叶型控制点、其他控制点伴随叶型控制点移动,实现了网格的参数化变形,避免了网格畸变、提高了网格变形的质量;不同叶高的二维控制面组成控制体,实现三维流场分析网格的参数化变形。采用相同的控制体进行结构分析网格的变形,实现了耦合界面网格协调变形。基于Kriging代理模型进行单级涡轮的多学科可靠性优化,在满足可靠性约束的情况下效率提高4.97%、寿命提高40.86%,证明了方法的有效性。      

基于响应面法的可靠性稳健设计优化

针对极限状态函数和结构性能函数为隐式的结构可靠性稳健设计优化问题,将结构性能稳健性、可靠性灵敏度稳健性与6σ稳健设计思想相结合,建立了一种基于响应面法的可靠性稳健设计优化模型并给出了具体算法.采用多项式拟合结构性能函数和极限状态函数,推导了基于响应面函数的1阶可靠度指标以及性能函数均值和均方差的计算方程;将结构可靠度作为基本约束条件,采用序列二次规划法得到稳健设计优化结果.运用该方法对某涡轮叶片型线进行设计优化,经过优化后,静、动叶的动能效率均值分别提高1.5%和6.4%,动叶片最大应力均值下降7.9%,动叶叶身最大变形均值下降5.6%,动叶片结构强度可靠度由初始的91.3%提高到了99.9%.      

基于多目标优化的透平叶栅变工况设计方法

将基于多目标优化方法的变工况设计思想引入到透平叶栅气动优化设计领域, 以能量法为基础, 提出了二维叶栅型线光顺方法和叶栅自动设计参数化方法, 在此基础上进一步结合并行多目标差分进化算法和CFD技术, 发展了叶栅变工况自动气动优化设计方法.对一个透平叶栅选择一亚声速工况和一跨声速工况进行了变工况自动气动优化设计研究.设计结果表明该设计方法能一次性获得适用于不同工况范围的多个气动性能优良的叶栅, 具有优秀的设计能力和工程实用价值.