[发明专利]一种超大变量叶轮机械高效设计优化方法及系统及应用

说明书

一种超大变量叶轮机械高效设计优化方法及系统及应用，设置超大变量的叶轮机械参数化方法；根据优化设计的设计工况设置CFD计算模型；全局范围内进行均匀的初始加点并计算评估值；在全局建立高维的PCE拟合模型；将高维问题分解为多个低维子问题；对所有的子问题进行独立的代理模型优化，在优化过程中将全局PCE模型作为低精度数据来源加入HK模型以实现知识迁移；将所有子问题优化结果进行组合得到一组全局样本并进行评估；更新全局模型并重复上述步骤，直到满足优化停止条件；该设计方法可以在样本数量可以接受的前提下增加设计的变量数从而扩大设计的自由度，且具有很强的并行扩展能力，设计时间短，计算效率高。

技术领域

本发明属于叶轮机械优化领域，特别涉及一种超大变量叶轮机械高效设计优化方法及系统及应用。

背景技术

近年来，在叶轮机械领域，自动化的优化设计方法受到越来越广泛的应用。自动优化设计方法需要人为确定一个可以参数化的设计空间，空间中的每个样本都对应一个具体的几何设计方案。以计算机模拟计算的结果作为寻优的目标，借助特定的优化算法就可以自动化地设计得到性能优异的叶轮机械部件。自动化设计方法的使用可以有效减少对于设计人员经验的需求，快速高质量地完成设计。

优化算法往往是决定自动化优化设计方法效率的关键。以高效全局优化算法(EGO)为代表的代理模型优化方法(SBO)在工程领域取得了显著的成果。代理模型优化算法往往能够很好地平衡全局搜索与局部寻优之间的关系，具有较高的优化效率。

然而随着工程问题研究的深入，目标问题必然朝着设计空间维度更高，单样本计算资源更大，设计变量间关系更加复杂的方向发展。更高的设计空间维度使得工程设计具有更大的自由度，可以探索更加丰富的设计可能；更大的计算资源需求则是更高精度计算模拟的结果；而复杂的变量与结果间的关系增加了自动化设计的必要性。对于这样的高维度大资源黑盒问题(或简称为HEB问题)，适用范围在15维以下的传统代理模型优化算法开始力不从心。传统代理模型优化方法的不适用体现在：(1)使用有限的样本无法建立准确的高维代理模型。从获取信息的角度，要建立相同精度的代理模型，所需的样本数量会随着问题维度的上升而指数增加。但在实际的工程优化中，样本的数量受到算力和时间的限制。(2)搜索加入新样本的前提是代理模型的准确性，在高维代理模型准确性较低的情况下无法指导后续的加点。(3)代理模型建立和优化搜索的时间复杂度随着样本数量和维度的增加而急剧增大。(4)Kriging模型使用的高斯核函数是基于欧拉距离实现的，但在高维空间中存在欧拉距离失效的情况。

发明内容

本发明的目的在于提供一种超大变量叶轮机械高效设计优化方法及系统及应用，以解决上述问题。

为了实现上述目的，本发明采用的技术方案是：

一种超大变量叶轮机械高效设计优化方法，包括以下步骤：

建立设计空间：以叶轮机械部件为设计对象，得到三维叶片的调整参数；

在建立的设计空间中使用LHS方法获得分布较为均匀的若干个样本坐标，对其进行性能评估获得这若干个设计样本的级效率值；

使用获得的样本坐标和样本值建立PCE拟合模型建模后对模型预测最优值的坐标进行级效率的评估，将坐标和评估结果加入数据列表中；

选择所有样本中级效率最大的值作为核心点，将高维全局问题分解为r个低维问题，记录确定的分解参数{x^*,I}；

对r个低维问题同步地并行地完成操作：使用多保真度代理模型HK模型和最大期望提升加点准则在子问题空间内完成一次完整独立的优化搜索，优化得到的结果为x_best,j；

使用所有已评估样本更新全局PCE模型计算模型的最小预测值坐标，将坐标评估后加入数据集中；