[发明专利]考虑缺陷的大型透平膨胀机叶轮叶片结构优化设计方法

摘要

本发明针对大型空分装备中透平膨胀机叶轮，具体涉及一种考虑缺陷的大型透平膨胀机叶轮叶片的结构优化设计方法。本发明在原有叶轮应力分析基础上，加入缺陷因素，利用广义回归神经网络和基于遗传算法的多目标优化算法对叶轮参数进行遗传优化操作，最终得到分布均匀的Pareto最优解作为叶轮叶片优化参数，优化过程集合了叶轮实际工作特点，叶轮整体强度与结构刚度高，实用性强。该方法在满足叶轮强度要求的条件下，降低缺陷作用下的应力集中，提高叶轮的工作寿命，同时又减轻叶轮重量和转动惯量，节省材料。

主权项

考虑缺陷的大型透平膨胀机叶轮叶片结构优化设计方法，其特征在于：包括以下步骤：步骤1：对带缺陷的叶轮模型进行不同载荷应力分析，得到不同载荷对裂纹的影响程度，以作为叶轮简化裂纹参数化试验的受力条件分析；步骤2：设置简化裂纹参数，每个参数设定样本数，以此确定叶轮对裂纹的敏感区域；步骤3：简化裂纹参数化试验表明裂纹深度与分布形式对叶轮的强度影响较大，主要敏感区域为叶根附近，以减小裂纹处应力集中为出发点，确定叶片截面厚度为叶轮局部优化对象；步骤4：设定叶片不同截面厚度为设计变量，并规定其变化范围，选取在相同的载荷条件下无缺陷叶轮的最大等效应力数值为约束条件,所受的最大等效应力及质量为目标函数对叶轮进行局部优化；步骤5：输出优化结果，利用有限元校核验证，确定具体优化参数数值；其中，步骤1的载荷应力为离心载荷及气动载荷应力；步骤2中的裂纹参数为长度，宽度，深度及分布位置；步骤4包括以下具体过程：a.建立广义回归神经网络响应模型1)计算隐含层神经元径向基函数中心和神经元阈值将设计变量即叶轮不同截面的厚度参数和对应的最大等效应力值与其质量作为神经网络的训练样本；输入矩阵为厚度截面参数，已知的样本输出矩阵为对应的最大等效应力和质量；2）计算隐含层神经元输出和确定隐含层与输出层间的权值矩阵通过1）后可以求出隐含层神经元的输出，将训练集的输出值矩阵作为隐含层与输出层之间的连接权值W；3）计算输出层神经元的输出值即神经网络的输出值；在2）确定连接权值之后，通过输入训练样本进行学习并建立神经网络响应模型；将叶片截面厚度矩阵输入神经网络响应模型中即可求出对应的最大等效应力值和质量输出性能值；b.采用基于遗传算法的多目标优化算法对叶片截面厚度进行优化基于叶片截面厚度和对应的最大等效应力与质量的神经网络预测模型，选取初始训练样本，利用基于遗传算法的多目标优化算法进行选择、交叉及变异遗传操作产生子种群，精英自动保留，父子种群合并，计算相应的序值和拥挤距离，修剪种群使个体数目等于种群的大小，进行终止条件判断得到Pareto解集；将优化解集分别进行数值模拟和神经网络模型预测，根据误差大小对结果取舍优化。