基于人工神經(jīng)網(wǎng)絡(luò)模型的混流式水輪機(jī)轉(zhuǎn)輪多目標(biāo)優(yōu)化

王榮濤，賴喜德，陳小明

?灌溉技術(shù)與裝備?

基于人工神經(jīng)網(wǎng)絡(luò)模型的混流式水輪機(jī)轉(zhuǎn)輪多目標(biāo)優(yōu)化

王榮濤，賴喜德*，陳小明

（西華大學(xué) 能源與動力工程學(xué)院，成都 610039）

【目的】探究一種同時提升混流式水輪機(jī)運(yùn)行效率、空化性能及運(yùn)行穩(wěn)定性的優(yōu)化方法，為混流式水輪機(jī)轉(zhuǎn)輪的多目標(biāo)優(yōu)化提供技術(shù)途徑?！痉椒ā恳赞D(zhuǎn)輪葉片進(jìn)出口安放角、安裝角為優(yōu)化變量，通過對葉片幾何參數(shù)隨機(jī)離散抽樣獲取樣本數(shù)據(jù)庫，基于CFD數(shù)值計算獲取各樣本的性能參數(shù)，進(jìn)而建立同時考慮混流式水輪機(jī)轉(zhuǎn)輪效率、出口旋流數(shù)以及空化系數(shù)的多目標(biāo)函數(shù)；基于人工神經(jīng)網(wǎng)絡(luò)建立優(yōu)化變量與多目標(biāo)函數(shù)的映射關(guān)系，最后采用遺傳算法對轉(zhuǎn)輪葉片的18個幾何參數(shù)進(jìn)行全局尋優(yōu)，并對優(yōu)化前后的轉(zhuǎn)輪葉片性能進(jìn)行對比分析?！窘Y(jié)果】在導(dǎo)葉開度為112°且運(yùn)行水頭分別為160、175、180 m的3個工況下，優(yōu)化后的轉(zhuǎn)輪效率相較優(yōu)化前分別提高了0.22%、0.56%、0.60%；葉片壓力分布情況得到有效改善；轉(zhuǎn)輪無葉區(qū)與尾水管錐管段處壓力脈動幅值顯著降低?！窘Y(jié)論】葉片進(jìn)口安放角的優(yōu)化程度越大，混流式水輪機(jī)綜合性能的提升幅度越大。

混流式水輪機(jī)；轉(zhuǎn)輪；多目標(biāo)優(yōu)化；人工神經(jīng)網(wǎng)絡(luò)；遺傳算法

0 引言

轉(zhuǎn)輪是將水能實(shí)現(xiàn)能量轉(zhuǎn)換的核心部件，隨著我國對水力資源開發(fā)能力要求的逐步提高，提升水輪機(jī)的效率、空化性能以及變工況運(yùn)行時的機(jī)組穩(wěn)定性已成為轉(zhuǎn)輪多目標(biāo)優(yōu)化設(shè)計所追求的目標(biāo)[1]?！狙芯恳饬x】現(xiàn)有的全三維反問題設(shè)計的轉(zhuǎn)輪難以兼顧多工況的性能要求[2]，因此需要研究高效、可靠的轉(zhuǎn)輪多目標(biāo)優(yōu)化設(shè)計方法，該類方法可以最大限度減少水力設(shè)計過程中的人為因素、減少試驗(yàn)及降低設(shè)計生產(chǎn)中的成本，對于縮短葉片優(yōu)化周期、提高轉(zhuǎn)輪整體性能具有一定參考意義。

在轉(zhuǎn)輪的多目標(biāo)優(yōu)化過程中，優(yōu)化變量之間的參數(shù)相互耦合，目標(biāo)函數(shù)易出現(xiàn)沖突，因此優(yōu)化變量與目標(biāo)函數(shù)之間良好的近似模型尤為重要[3]。隨著人工智能的興起、人工神經(jīng)網(wǎng)絡(luò)模型不斷更新升級并朝著應(yīng)用領(lǐng)域多元化的方向發(fā)展，該模型因具有較好的非線性映射、自適應(yīng)能力而被逐漸應(yīng)用于流體機(jī)械的多目標(biāo)優(yōu)化工作[4-6]?！狙芯窟M(jìn)展】許多學(xué)者在該方面進(jìn)行了深入研究。朱國俊等[7]基于徑向基神經(jīng)網(wǎng)絡(luò)模型對潮流能水輪機(jī)葉片翼型進(jìn)行了優(yōu)化，以徑向基神經(jīng)網(wǎng)絡(luò)替代優(yōu)化過程中的CFD分析，提高了運(yùn)行效率；趙斌娟等[8]采用BP人工神經(jīng)網(wǎng)絡(luò)模型對雙流道泵蝸殼進(jìn)行多學(xué)科多目標(biāo)優(yōu)化設(shè)計，較大程度上改善了蝸殼隔舌處及擴(kuò)散段的回流現(xiàn)象，并且效率有所提升。該模型傳統(tǒng)的基于梯度下降原則的優(yōu)化方法具有良好的收斂性，但其收斂速度慢，精度低。隨著仿生型智能優(yōu)化算法的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)模型與智能優(yōu)化算法結(jié)合的方法逐漸取代以往的多目標(biāo)優(yōu)化方法[9]，葉道星等[10]采用遺傳算法對旋流泵轉(zhuǎn)子葉片進(jìn)行了全局優(yōu)化，優(yōu)化了葉片前緣的剪切應(yīng)力，提升了運(yùn)行效率；王掩剛等[11]基于神經(jīng)網(wǎng)絡(luò)和遺傳算法，結(jié)合數(shù)值模擬手段對串列葉型進(jìn)行了優(yōu)化設(shè)計，提高了局部尋優(yōu)能力和運(yùn)算效率?！厩腥朦c(diǎn)】可見，將遺傳算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)，使得神經(jīng)網(wǎng)絡(luò)中的連接權(quán)、網(wǎng)絡(luò)結(jié)構(gòu)和自學(xué)習(xí)能力得到進(jìn)化[12]，可保證全局收斂的同時，提高計算速度與精度[13]。

【擬解決的關(guān)鍵問題】本文采用人工神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的策略對混流式水輪機(jī)轉(zhuǎn)輪葉片幾何參數(shù)進(jìn)行多目標(biāo)優(yōu)化，并對比分析優(yōu)化前后水輪機(jī)外特性、優(yōu)化變量參數(shù)、轉(zhuǎn)輪內(nèi)部流場、轉(zhuǎn)輪葉片壓力分布及轉(zhuǎn)輪無葉區(qū)、尾水管壓力脈動幅值的變化規(guī)律，為轉(zhuǎn)輪的多目標(biāo)優(yōu)化提供技術(shù)支撐。

1 葉片幾何參數(shù)化

葉片幾何參數(shù)化是多目標(biāo)優(yōu)化中較為關(guān)鍵的一步，轉(zhuǎn)輪葉片在優(yōu)化過程中常以CAD模型或三維離散點(diǎn)云等形式表達(dá)；本文由流道進(jìn)口至出口流面線性插值出4個分流面，得到6個流面的葉片型線，并利用3次B樣條插值曲面反算法，計算出控制點(diǎn)[14]。本文研究的混流式水輪機(jī)基本參數(shù)如表1所示。

表1 水輪機(jī)基本參數(shù)

2 轉(zhuǎn)輪葉片多目標(biāo)優(yōu)化數(shù)學(xué)模型及求解

2.1 優(yōu)化目標(biāo)

本文以水輪機(jī)水力效率、空化性能以及水力穩(wěn)定性作為優(yōu)化目標(biāo)，即降低轉(zhuǎn)輪的水力損失、降低轉(zhuǎn)輪空化系數(shù)以及降低轉(zhuǎn)輪出口旋流數(shù)。其中，旋流數(shù)為轉(zhuǎn)輪出口流體的周向動量與軸向動量之比[15]，因此優(yōu)化目標(biāo)為minη()、minσ()、minSr()?；谝陨蠗l件，目標(biāo)函數(shù)可定義為：

其中：

2.2 優(yōu)化變量

轉(zhuǎn)輪葉片進(jìn)出口安放角不僅影響水輪機(jī)的性能，而且關(guān)系到葉道渦及葉片脫流等現(xiàn)象的產(chǎn)生[16]；此外，葉片安裝位置對轉(zhuǎn)輪葉片所受載荷影響較大。因此，可通過對轉(zhuǎn)輪葉片進(jìn)出口安放角以及葉片安裝角進(jìn)行多目標(biāo)優(yōu)化。葉片的優(yōu)化變量定義如下：

式中：為從上冠到下環(huán)的流面；1為不同流面的葉片進(jìn)口安放角；2為不同流面的葉片出口安放角；為不同流面的葉片安裝角。

2.3 優(yōu)化約束條件

水輪機(jī)轉(zhuǎn)輪優(yōu)化包括3個方面，分別為能量約束、幾何約束及變量約束[17]，本文具體函數(shù)分別如下所示：

式中：max為葉片最大包角；Δ為上冠與下環(huán)的包角差。

由于葉片進(jìn)口安放角對水輪機(jī)水力性能的影響較大，因此適當(dāng)加大進(jìn)口安放角的優(yōu)化搜尋范圍。

2.4 葉片優(yōu)化模型求解

葉片多目標(biāo)優(yōu)化需要足夠的樣本庫，數(shù)據(jù)庫既要保證樣本數(shù)量足夠多，足以覆蓋優(yōu)化參數(shù)的整個變化范圍以保證得到全局最優(yōu)解，又需盡可能減少樣本量以減少計算量。因此，本文的樣本數(shù)基于要求的折中方案設(shè)置為優(yōu)化變量的2～3倍[18]。

據(jù)上文描述，優(yōu)化變量為6個流面上的葉片安放角以及安裝角共18個參數(shù)，為盡可能在有限的樣本中獲取更多的信息，本文采用FINE/Design3D中Database Generation模塊的隨機(jī)離散層取樣方式（Random among Discrete Levels）生成樣本。該方法在樣本空間中抽取的樣本點(diǎn)分布較均勻，全局性較強(qiáng)。本文基于該方法生成50個樣本，且每個樣本數(shù)據(jù)都包含了6個流面上共18個變量參數(shù)及其相應(yīng)的流場計算結(jié)果。

本文采用人工神經(jīng)網(wǎng)絡(luò)模型建立優(yōu)化目標(biāo)與優(yōu)化變量之間的非線性映射關(guān)系，設(shè)置其網(wǎng)絡(luò)層數(shù)為3；為提高尋優(yōu)能力并減少優(yōu)秀個體的流失，采用遺傳算法在求解空間內(nèi)進(jìn)行尋優(yōu)，本文將初始種群設(shè)為100，種群重新生成循環(huán)次數(shù)設(shè)為60，設(shè)置迭代步數(shù)為50。

3 優(yōu)化設(shè)計結(jié)果及分析

3.1 優(yōu)化后葉片模型與原型對比

葉片優(yōu)化前后在不同葉高處的型線對比如圖1所示（其中紅色代表優(yōu)化前葉片，綠色代表優(yōu)化后葉片）。從6個流面上的型線變化規(guī)律可以看出，優(yōu)化后的葉片頭部朝著葉片吸力面彎曲，表明優(yōu)化后的葉片能適應(yīng)更寬范圍工況的工作狀態(tài)；葉片優(yōu)化前后各流面上的進(jìn)出口安放角及葉片安裝角如表2所示，從3個優(yōu)化變量優(yōu)化前后的變幅可得，葉片優(yōu)化后的進(jìn)口安放角變化較大，葉片優(yōu)化前的進(jìn)口安放角在S1—S5流面范圍內(nèi)均為負(fù)值，并且安放角的變化梯度較小；葉片優(yōu)化后的進(jìn)口安放角在S1—S4流面范圍內(nèi)為負(fù)，變化梯度較大，在S5—S6流面范圍內(nèi)安放角轉(zhuǎn)為正值，意味葉片進(jìn)水邊靠下環(huán)處向葉片吸力面偏移，優(yōu)化后葉片幾何形狀與X型葉片較為相似，表明優(yōu)化后葉片具有更小的水力損失以及更廣泛的工作范圍等特點(diǎn)。

圖1 優(yōu)化前后葉片不同葉高處的型線對比

表2 優(yōu)化前后優(yōu)化變量對比

注1、2為進(jìn)出口安放角，為葉片安裝角，a為優(yōu)化前，b為優(yōu)化后。

3.2 外特性對比分析

葉片的效率和壓力分布是衡量轉(zhuǎn)輪性能好壞的重要參考依據(jù)。通過對電站的運(yùn)行日志分析，得出該電站的實(shí)際運(yùn)行水頭處于高水頭段。因此本文選取導(dǎo)葉開度為112°時運(yùn)行水頭分別為160、175、180 m的3個典型工況，分別命名為OP1、OP2、OP3。由于電站建設(shè)于20世紀(jì)，電站缺失部分運(yùn)行監(jiān)測設(shè)備，缺少蝸殼的進(jìn)口流量及壓力等重要數(shù)據(jù)。因此，電站實(shí)際運(yùn)行水頭、效率則通過運(yùn)行日志中的上下游水位、機(jī)組的有功功率以及水輪機(jī)運(yùn)轉(zhuǎn)特性曲線和水輪機(jī)模型綜合特性曲線推導(dǎo)得出（表3）。優(yōu)化前后的效率及最低靜壓對比如表4所示。

表3 電站實(shí)際運(yùn)行數(shù)據(jù)

對比表3、表4電站實(shí)際運(yùn)行數(shù)據(jù)與全流道三維數(shù)值模擬結(jié)果，考慮實(shí)際運(yùn)行數(shù)據(jù)的推導(dǎo)計算誤差及數(shù)值模擬誤差，數(shù)值模擬結(jié)果與實(shí)際數(shù)據(jù)較吻合，仿真數(shù)據(jù)較為真實(shí)。由表4可知，初始轉(zhuǎn)輪效率隨著出力的增加而增加，當(dāng)達(dá)到設(shè)計工況時，轉(zhuǎn)輪效率達(dá)到最大值；在超負(fù)荷工況運(yùn)行時，轉(zhuǎn)輪效率有下降的趨勢；轉(zhuǎn)輪優(yōu)化后效率的變化趨勢與優(yōu)化前相同，且優(yōu)化后3個工況下的轉(zhuǎn)輪效率均有小幅度提升，表明優(yōu)化后轉(zhuǎn)輪拓寬了葉片工作的高效區(qū)[19]。此外，優(yōu)化后的葉片最低靜壓均得到大幅度提升，其中超負(fù)荷工況的靜壓增長幅度最大，轉(zhuǎn)輪抗空蝕性能明顯提升。

表4 優(yōu)化前后的效率及最低靜壓對比

3.3 穩(wěn)態(tài)流場分析

3.3.1轉(zhuǎn)輪流道速度矢量圖

葉片優(yōu)化前后3個工況下的轉(zhuǎn)輪流道速度矢量如圖2所示。由圖可得，葉片優(yōu)化前進(jìn)口速度較小，葉片頭部出現(xiàn)明顯的不穩(wěn)定旋渦及回流現(xiàn)象，阻塞了水流流動，使得葉片對水頭大變幅運(yùn)行工況不適應(yīng)，從而導(dǎo)致葉片表面易出現(xiàn)脫流、旋渦等現(xiàn)象。該現(xiàn)象凸顯了優(yōu)化前轉(zhuǎn)輪葉片的設(shè)計不合理；通過對葉片各流面的進(jìn)口安放角進(jìn)行優(yōu)化，由圖可得，優(yōu)化后葉片在3個工況下的進(jìn)口流速均明顯增高，速度矢量分布相比優(yōu)化前更為均勻。表明優(yōu)化后葉片降低了轉(zhuǎn)輪流道中出現(xiàn)旋渦、二次回流等現(xiàn)象的可能性，提高了流動的穩(wěn)定性，表明優(yōu)化后的葉片較優(yōu)化前更適應(yīng)當(dāng)前機(jī)組運(yùn)行工況。

圖2 轉(zhuǎn)輪流道速度矢量圖

3.3.2葉片表面靜壓對比

優(yōu)化前后的葉片吸力面靜壓對比如圖3所示。優(yōu)化前葉片頭部在3個工況下均出現(xiàn)明顯的負(fù)壓區(qū)，隨著運(yùn)行負(fù)荷的提升，負(fù)壓區(qū)從頭部靠下環(huán)處朝上冠擴(kuò)大；優(yōu)化后葉片負(fù)壓區(qū)消失，表明本次優(yōu)化有效改善了3個工況下轉(zhuǎn)輪葉片的進(jìn)口壓力，保證轉(zhuǎn)輪葉片在實(shí)際運(yùn)行中具有較好的空化性能。

3.3.3壓力分布曲線

翼型空蝕是混流式水輪機(jī)轉(zhuǎn)輪最主要的空蝕現(xiàn)象，優(yōu)化前后葉片在3個工況下0.5倍葉高處的壓力分布如圖4所示。由圖4（b）、圖4（c）可得，初始轉(zhuǎn)輪葉片進(jìn)口處有明顯負(fù)壓，其壓力值遠(yuǎn)低于常溫下的汽化壓力，優(yōu)化后葉片進(jìn)口壓力有較大漲幅；優(yōu)化后葉片在3個工況下的壓力面與吸力面上的壓力均有較小漲幅，壓力隨相對弦長變化規(guī)律一致，表明葉片優(yōu)化后表面無較大的壓力波動，有效提高了葉片抗空蝕的能力。

圖4 葉片0.5倍葉高處壓力分布曲線

3.4 壓力脈動分析

由于轉(zhuǎn)輪與活動導(dǎo)葉之間動靜干涉、轉(zhuǎn)輪出口流體與尾水管的干涉現(xiàn)象劇烈，造成能量損失，本文在活動導(dǎo)葉與轉(zhuǎn)輪區(qū)域間、尾水管錐管段設(shè)置相應(yīng)監(jiān)測點(diǎn)。監(jiān)測點(diǎn)V1—V36均勻分布在轉(zhuǎn)輪葉片0.5倍葉高處無葉區(qū)，W1、W2為尾水管錐管段處的監(jiān)測點(diǎn)，監(jiān)測點(diǎn)具體位置見圖5。

3個工況下無葉區(qū)周向相對壓力脈動幅值如圖6所示。葉片優(yōu)化后在3個工況0.5倍葉高處無葉區(qū)的周向相對壓力幅值顯著降低，相對幅值的變化趨勢較優(yōu)化前更均勻，表明葉片優(yōu)化后無葉區(qū)動靜干涉對機(jī)組的擾動明顯減小。

圖5 壓力脈動監(jiān)測點(diǎn)

圖6 無葉區(qū)周向相對壓力脈動幅值

圖7（a）、圖7（b）與圖7（c）、圖7（d）分別為轉(zhuǎn)輪葉片優(yōu)化前后在3個工況下尾水管監(jiān)測點(diǎn)W1、W2的壓力脈動時域圖與頻域圖。由時域圖可得，監(jiān)測點(diǎn)W2的壓力波動值、壓力脈動強(qiáng)度高于監(jiān)測點(diǎn)W1，葉片優(yōu)化后尾水管錐管段處的壓力值均顯著降低；由頻域圖可知，2個監(jiān)測點(diǎn)的壓力脈動幅值均在130 Hz達(dá)到最大，該頻率為轉(zhuǎn)輪的通過頻率。在通過頻率下，葉片優(yōu)化后監(jiān)測點(diǎn)W1測得的壓力脈動幅值為優(yōu)化前葉片的0.71倍，監(jiān)測點(diǎn)W2測得的壓力脈動幅值為優(yōu)化前葉片的0.66倍。由于尾水管渦帶的影響；3個工況下均監(jiān)測到單倍轉(zhuǎn)頻的脈動信號，其脈動幅值較小，優(yōu)化后的尾水管流場更穩(wěn)定。

圖7 尾水管壓力脈動時域圖與頻域圖

4 討論

對于轉(zhuǎn)輪的多目標(biāo)優(yōu)化而言，許多參數(shù)彼此相互制約、相互關(guān)聯(lián)，確定獨(dú)立的優(yōu)化變量較為復(fù)雜。為此，首先參考其余葉片式流體機(jī)械的多目標(biāo)優(yōu)化變量，找到影響轉(zhuǎn)輪葉片性能的主要變量。由于葉片進(jìn)出口安放角對水輪機(jī)外特性如效率、空化、振動等影響較大，通過優(yōu)化葉片進(jìn)出口安放角以改善混流式水輪機(jī)的能量特性這一方法具有較強(qiáng)的普適性。本文針對某電站混流式水輪機(jī)轉(zhuǎn)輪葉片進(jìn)口邊局部壓力過低易發(fā)生空化的問題，選擇葉片進(jìn)出口安放角作為優(yōu)化變量，通過隨機(jī)離散抽樣的方法生成計算樣本，并利用CFD數(shù)值計算得到樣本的性能參數(shù)，進(jìn)而采用人工神經(jīng)網(wǎng)絡(luò)模型建立轉(zhuǎn)輪效率、空化系數(shù)、轉(zhuǎn)輪出口旋流數(shù)與優(yōu)化變量的映射關(guān)系，最后利用遺傳算法對葉片的幾何參數(shù)尋優(yōu)并對比分析轉(zhuǎn)輪葉片優(yōu)化前后混流式水輪機(jī)的性能變化。

研究表明，葉片優(yōu)化后頭部靜壓值明顯提升，提升了3個工況下的轉(zhuǎn)輪效率，與田鋒社[6]的研究結(jié)果相似，但田鋒社的研究結(jié)論中葉片頭部靜壓無較大提升，可能由于本文中的優(yōu)化前葉片設(shè)計不合理使得優(yōu)化效果相比于前人研究更明顯；以轉(zhuǎn)輪出口旋流數(shù)作為優(yōu)化目標(biāo)可明顯降低轉(zhuǎn)輪無葉區(qū)的壓力脈動幅值，與唐健[17]的研究結(jié)論一致。表明以轉(zhuǎn)輪出口旋流數(shù)作為優(yōu)化目標(biāo)，對于降低動靜干涉引起的不穩(wěn)定性的優(yōu)化效果較好。

由于人工神經(jīng)網(wǎng)絡(luò)具有高度的自組織、自適應(yīng)的能力，以及遺傳算法具有易于實(shí)現(xiàn)、應(yīng)用效果顯著的優(yōu)點(diǎn)而逐漸應(yīng)用于水力發(fā)電行業(yè)中，以往很多學(xué)者在確定轉(zhuǎn)輪的優(yōu)化變量時，會考慮上冠、下環(huán)軸向長度，下環(huán)進(jìn)出口直徑等幾何參數(shù)。在進(jìn)行水輪機(jī)改造時，一般不可能對埋入部件進(jìn)行較大的改造，因此不適用于本文提到的待改造優(yōu)化的老電站，本文結(jié)合電站實(shí)際改造優(yōu)化需求，保證流道尺寸不變的約束條件，實(shí)現(xiàn)優(yōu)化轉(zhuǎn)輪與原其余過流部件的匹配優(yōu)化。

本文采用人工神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的策略對葉片幾何參數(shù)進(jìn)行多目標(biāo)尋優(yōu)，較大程度上提高了尋優(yōu)的速度與精度。由于機(jī)組運(yùn)行工況范圍較大，同時優(yōu)化更多運(yùn)行工況會導(dǎo)致計算時間過長并且難以收斂，因此該方法尚存在一定局限性。本文的多目標(biāo)優(yōu)化只是針對單一的轉(zhuǎn)輪葉片而沒有考慮多級優(yōu)化，多級優(yōu)化將增加優(yōu)化變量的個數(shù)，優(yōu)化過程將更難收斂或陷入局部最優(yōu)解，后續(xù)將對水輪機(jī)其余部件如蝸殼、固定導(dǎo)葉、活動導(dǎo)葉、尾水管等部件進(jìn)行協(xié)同優(yōu)化可行性的研究。

5 結(jié)論

1）優(yōu)化后葉片頭部靠下環(huán)處有朝葉片吸力面后掠的趨勢、在OP1、OP2、OP3工況下效率分別提升了0.22%、0.56%、0.60%；優(yōu)化后葉片的空化性能得到提升。

2）葉片優(yōu)化后的轉(zhuǎn)輪流道內(nèi)速度矢量更加均勻，葉片進(jìn)口旋渦、回流現(xiàn)象明顯減少；無葉區(qū)周向相對壓力脈動幅值約為葉片優(yōu)化前的0.5倍，尾水管錐管段壓力脈動幅值約為原先0.7倍，有效提升了機(jī)組的運(yùn)行穩(wěn)定性。

3）通過對混流式轉(zhuǎn)輪葉片進(jìn)行多目標(biāo)優(yōu)化，最終得到了滿足綜合性能的葉片模型，驗(yàn)證了基于人工神經(jīng)網(wǎng)絡(luò)的遺傳算法的策略優(yōu)化混流式水輪機(jī)葉片的可行性。

（作者聲明本文無實(shí)際或潛在的利益沖突）

[1] 何芳. 混流式水輪機(jī)轉(zhuǎn)輪結(jié)構(gòu)及優(yōu)化設(shè)計[D]. 南昌: 南昌大學(xué), 2008.

HE Fang. Francis turbine runner design and optimization of the structure[D]. Nanchang: Nanchang University, 2008.

[2] 劉安然. 基于數(shù)值方法的混流式水輪機(jī)轉(zhuǎn)輪優(yōu)化設(shè)計[D]. 邯鄲: 河北工程大學(xué), 2014.

LIU Anran. Francis turbine runner design optimization based on the numerical method[D]. Handan: Hebei University of Engineering, 2014.

[3] 劉小民, 張文斌. 采用遺傳算法的離心葉輪多目標(biāo)自動優(yōu)化設(shè)計[J]. 西安交通大學(xué)學(xué)報, 2010, 44(1): 31-35.

LIU Xiaomin, ZHANG Wenbin. Multi-objective automatic optimization design of centrifugal impeller based on genetic algorithm[J]. Journal of Xi’an Jiaotong University, 2010, 44(1): 31-35.

[4] 吳曉冬, 賴喜德, 楊洪忠. 基于多工況數(shù)值試驗(yàn)的水輪機(jī)改造優(yōu)化設(shè)計技術(shù)[J]. 西華大學(xué)學(xué)報(自然科學(xué)版), 2008, 27(6): 6-8, 12, 120.

WU Xiaodong, LAI Xide, YANG Hongzhong. Optimization design technique for retrofit of hydro turbines based on multi-condition numerical test[J]. Journal of Xihua University (Natural Science Edition), 2008, 27(6): 6-8, 12, 120.

[5] 區(qū)天慶. 中小型水電站水輪發(fā)電機(jī)組的技術(shù)改造[J]. 技術(shù)與市場, 2011, 18(7): 228-229.

[6] 田鋒社. 八盤峽電站D179a轉(zhuǎn)輪的多目標(biāo)優(yōu)化設(shè)計[J]. 西北水電, 2004(4): 46-48.

TIAN Fengshe. Multipurpose optimal design of D179a runner for Bapanxia Hydropower Station[J]. Northwest Water Power, 2004(4): 46-48.

[7] 朱國俊, 馮建軍, 郭鵬程, 等. 基于徑向基神經(jīng)網(wǎng)絡(luò)-遺傳算法的海流能水輪機(jī)葉片翼型優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(8): 65-73.

ZHU Guojun, FENG Jianjun, GUO Pengcheng, et al. Optimization of hydrofoil for marine current turbine based on radial basis function neural network and genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(8): 65-73.

[8] 趙斌娟, 仇晶, 趙尤飛, 等. 雙流道泵蝸殼多目標(biāo)多學(xué)科設(shè)計優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015, 46(12): 96-101, 225.

ZHAO Binjuan, QIU Jing, ZHAO Youfei, et al. Multi-objective and multidisciplinary optimization of double-channel pump[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 96-101, 225.

[9] 楊洪忠, 賴喜德, 張仁福. 水電站水輪機(jī)改造中的新技術(shù)[J]. 四川工業(yè)學(xué)院學(xué)報, 2004, 23(S1): 175-177.

YANG Hongzhong, LAI Xide, ZHANG Renfu. New techniques for rehabilitation of hydro turbines of hydro power plant[J]. Sichuan University of Science and Technology, 2004, 23(S1): 175-177.

[10] 葉道星, 李浩, 馬秋妍, 等. 采用近似模型和NSGA-Ⅱ遺傳算法的旋流泵性能優(yōu)化研究[J]. 灌溉排水學(xué)報, 2019, 38(7): 76-83.

YE Daoxing, LI Hao, MA Qiuyan, et al. Optimal design of vortex pump using approximate model and the non-dominated sorting genetic algorithm[J]. Journal of Irrigation and Drainage, 2019, 38(7): 76-83.

[11] 王掩剛, 魏崍, 陳為雄. 大彎角串列葉型優(yōu)化設(shè)計與數(shù)值分析[J]. 推進(jìn)技術(shù), 2014, 35(11): 1 469-1 474.

WANG Yangang, WEI Lai, CHEN Weixiong. Optimization and numerical simulation of high-turning tandem cascade[J]. Journal of Propulsion Technology, 2014, 35(11): 1 469-1 474.

[12] 李雪, 劉長發(fā), 朱學(xué)慧, 等. 基于BP人工神經(jīng)網(wǎng)絡(luò)的海水水質(zhì)綜合評價[J]. 海洋通報, 2010, 29(2): 225-230.

LI Xue, LIU Changfa, ZHU Xuehui, et al. Integrated assessment of sea water quality based on BP artificial neural network[J]. Marine Science Bulletin, 2010, 29(2): 225-230.

[13] 蘇林, 祝云. 基于粒子群算法的柬埔寨桑河水電站調(diào)度優(yōu)化研究[J]. 電力設(shè)備管理, 2021(7): 90-92.

SU Lin, ZHU Yun. Research on scheduling optimization of Cambodia’s Sanhe Hydropower Station based on particle swarm optimization[J]. Electric Power Equipment Management, 2021(7): 90-92.

[14] 趙林明. 水輪機(jī)數(shù)學(xué)模型[M]. 北京: 中國水利水電出版社, 2011.

ZHAO Linming. Mathematical model of hydraulic turbine[M]. Beijing: China Water & Power Press, 2011.

[15] SUSAN-RESIGA R, MUNTEAN S, HASMATUCHI V, et al. Analysis and prevention of vortex breakdown in the simplified discharge cone of a francis turbine[J]. Journal of Fluids Engineering, 2010, 132(5): 1.

[16] 劉勝柱, 羅興錡, 紀(jì)興英, 等. 葉片幾何參數(shù)對水輪機(jī)穩(wěn)定性的影響[J].水力發(fā)電學(xué)報, 2004, 23(1): 91-96.

LIU Shengzhu, LUO Xingqi, JI Xingying, et al. Effect of blade geometric parameters upon hydraulic turbine stability[J]. Journal of Hydroelectric Engineering, 2004, 23(1): 91-96.

[17] 唐健. 基于流面上葉型自動逼近的高水頭混流式轉(zhuǎn)輪水力優(yōu)化設(shè)計[D]. 成都: 西華大學(xué), 2016.

TANG Jian. Research on hydraulic optimization design of francis runner based on automatic approximation of blade profiles on stream-surface[D]. Chengdu: Xihua University, 2016.

[18] 郭然, 賈力平, 樊小莉. NUMECA系列教程[M]. 北京: 機(jī)械工業(yè)出版社, 2013.

GUO Ran, JIA Liping, FAN Xiaoli. NUMECA series tutorial[M]. Beijing: China Machine Press, 2013.

[19] 姜勁. 基于遺傳算法的豎軸潮流能水輪機(jī)性能優(yōu)化研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2008.

JIANG Jin. Optimization study on tidal currnet turbine performance based on genetic algorithm[D]. Harbin: Harbin Engineering University, 2008.

Using Artificial Neural Network to Solve Multi-objective Optimization of Francis Turbine Runner

WANG Rongtao, LAI Xide*, CHEN Xiaoming

(Xihua University, School of Energy and Power Engineering, Chengdu 610039, China)

【Background】Technical renovation of turbine equipment in hydropower plant has attracted increased attention due to its low investment, quick return and high economic benefit. The purpose of modifying turbine equipment in hydropower station is to increase its capacity or improve its operation performance. Generally, it is impossible to make large modification to embed components in turbine modification. Most modifications aimed at the runners or the guide vanes. It is important to study effective multi-objective runner optimization design method to ensure efficiency, cavitation performance and hydraulic stability of the unit, as well as the comprehensive performance of the unit under different operating conditions.【Objective】This paper is to explore an optimization method which can simultaneously improve the operation efficiency, cavitation performance and operation stability of the Francis turbine, and provide a technical approach for multi-objective optimization of the Francis turbine runner.【Method】Taking the position angle and installation angle of runner blade inlet and outlet as optimization variables, the sample database was obtained by random discrete sampling of blade geometry parameters. The performance parameters of each sample were obtained based on CFD numerical calculation. A multi-objective function was then established, considering runner efficiency, swirl numbers at the outlet and cavitation coefficient of the Francis turbine. The mapping relationship between optimization variables and the multi-objective function is established based on artificial neural network. Runner blades with18 geometric parameters are optimized by genetic algorithm, and the performance of the runner blades before and after optimization is compared and analyzed. 【Result】For guide vane opening 112 degrees with running head being 160 m, 175 m or 180 m, the optimized runner efficiency was increased by 0.22%, 0.56% and 0.60% respectively compared with that without optimization. The optimization also improved the pressure distribution in the blades, and reduced pressure fluctuation amplitude at the vaneless area of the runner and the conical section of the draft tube.【Conclusion】The greater the optimized blade inlet placement angle was, the greater the improvement of comprehensive performance of Francis turbine would be.

francis turbine; runner; multi-objective optimization design; artificial neural network; genetic algorithm

1672 - 3317（2023）09 - 0046 - 07

TV734.1

A

10.13522/j.cnki.ggps.2022588

王榮濤, 賴喜德, 陳小明. 基于人工神經(jīng)網(wǎng)絡(luò)模型的混流式水輪機(jī)轉(zhuǎn)輪多目標(biāo)優(yōu)化[J]. 灌溉排水學(xué)報, 2023, 42(9): 46-52.

WANG Rongtao, LAI Xide, CHEN Xiaoming. Using Artificial Neural Network to Solve Multi-objective Optimization of Francis Turbine Runner[J]. Journal of Irrigation and Drainage, 2023, 42(9): 46-52.

2022-10-21

2023-05-19

2023-09-14

四川省科技計劃項(xiàng)目（2020ZHCG0018，2021JDZH001，2022JDZH0011）

王榮濤（1997-），男。碩士研究生，主要從事流體機(jī)械研究。E-mail: 2956014578@qq.com

賴喜德（1962-），男。教授，主要從事流體機(jī)械研究。E-mail: laixd@mail.xhu.edu.cn

@《灌溉排水學(xué)報》編輯部，開放獲取CC BY-NC-ND協(xié)議

責(zé)任編輯：趙宇龍