一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法技术

本发明专利技术提供一种基于神经网络模型与NSGA‑II遗传算法的射流泵多目标优化方法，主要步骤包括：确定射流泵设计参数、优化目标、约束条件，基于抽样方法获取样本点设计参数；通过CFD软件仿真获取样本点设计参数对应的优化目标值；利用样本点数据，构建射流泵设计参数与优化目标的神经网络模型，验证其预测精度；基于神经网络模型，采用NSGA‑II遗传算法，获取最终优化结果。本发明专利技术将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。

【技术实现步骤摘要】
一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法
本专利技术涉及一种射流泵优化方法，具体涉及一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法。
技术介绍
射流泵特别适用于泵送含有大量固体颗粒(矿物、活鱼、砾石等)的流体。因此广泛适用于海洋工程、海岸工程、物质输运等工程领域。虽然射流泵综合利用价值很高，但较低的传能效率一直是影响其进一步发展的主要因素。如何合理地设计射流泵中各个结构参数来实现不同应用环境下的效率最优化，也是困扰许多专家的问题。尽管目前国内外学者已经开始进行射流泵优化方法的研究，但整体研究与分析仍然不够全面。这些方法很多采用了计算流体力学(CFD)技术。CFD是流体力学的一个分支，它通过对真实流动进行有效的模拟来补充实验研究的不足，从而以较低的成本提供比实验更详细和全面的信息。但是，由于CFD模型是大型复杂的计算机程序，复杂流动过程的分析需要大量的时间才能获得良好的数值解。这通常会带来大量的模拟工作量，可能需要数小时甚至数天的计算时间。此外，传统利用CFD技术提高射流泵水力性能的方法，总是依赖于设计师的工程经验，需要一个不断尝试的过程来达到一个令人满意的水平。同时，这些传统方法得到的最终结果是分散的“点”，而不是“线”或“面”，因此不能全面的对设计空间进行分析。通过构建神经网络模型，构建射流泵设计参数与优化目标之间的映射关系，可以更全面更综合的分析设计参数对射流泵性能的影响。此外，现有的优化方法也多集中于单目标优化，不能满足实际工程需求。如海底挖沟作业中，不同的沟深对扬程比和效率有不同要求。因此，深入研究射流泵多目标优化是一个亟待解决的关键问题。
技术实现思路
本专利技术的目的是提供一种能够满足不同工作需求，能够提高射流泵效率与扬程的多目标优化设计方法。本专利技术的目的是这样实现的：包括以下步骤：步骤1：获取射流泵设计参数，优化目标，约束条件；步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数；步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟。通过数值模拟，得到所有样本点的优化目标值，作为神经网络模型的输出响应；步骤4：构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量；步骤5：对第4步构建的近似模型进行了测试和验证。然后将预测值与仿真值进行比较，若吻合较好，则进行第5步；否则，回到第4步继续更新近似模型；步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。步骤1中所述设计参数包含收缩角α，扩散角β，面积比m、流量比q。步骤1中所述优化目标包含扬程比h和效率η。步骤4中的神经网络模型构建包括如下步骤：第1步：对样本数据进行正则化处理，并将其分为训练集与测试集；第2步：RBF神经网络初始化，给Wih、Who、Th、To分别赋予初值；其中Wih、Who、Th、To分别表示输入层和隐含层的权值、隐含层和输出层的权值、隐含层神经元的阈值、输出层神经元的阈值。所述神经网络结构中，输入层含4个单元，隐含层含9个单元，输出层含2个单元，输入为设计参数收缩角α，扩散角β，面积比m、流量比q，输出为目标参数扬程比h和效率η；第3步：将第1步归一化处理后的测试集样本点数据放入RBF神经网络中进行训练，满足收敛条件后终止训练；第4步：用测试集对已经训练好的神经网络模型进行测试，优化目标的误差到达目标要求即实现了扬程比h和效率η预测。骤6中的NSGA-II遗传算法包括如下步骤第1步：设置算法参数；第2步：产生初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；第3步：从第二代开始，将父代种群与子代种群合并，进行快速非支配排序；第4步：对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；第5步：通过遗传算法的基本操作产生新的子代种群；第6步：判断是否达到收敛条件，如满足收敛条件，生成最终的设计参数；如不满足，重新生成新父种群。与现有技术相比，本专利技术的有益效果是：本专利技术将CFD方法与神经网络模型、遗传算法相结合，不仅解决了多参数、多学科带来的复杂优化设计难以解决的问题，降低计算难度，解决以往基于CFD模拟或实验的优化设计方法成本高、耗时长的问题，还实现了射流泵多目标优化，满足实际工程中扬程比的特殊设计需求，有效改善了射流泵的水力性能。附图说明图1为本专利技术的优化方法流程图；图2为本专利技术的射流泵结构示意图；图3为本专利技术的射流泵CFD计算域；图4a-b为本专利技术的仿真与实验数据比较图；图5a-b为本专利技术的神经网络模型误差分析；图6a-b为本专利技术的效率与扬程比寻优过程变化趋势图；图7本专利技术的NSGA-II算法优化结果。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述。一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其流程如图1所示，包括以下步骤：步骤1：获取射流泵设计参数，优化目标，约束条件。射流泵结构如图2所示。设计参数包含吸入室的收缩角α，扩散管的扩散角β，面积比m、流量比q。无量纲参数m和q计算公式：式中，A为流体喷嘴出口面积，Q为体积流量，脚标w、s、o分别为进口处工作流体、进口处被吸流体和出口处混合流体。优化目标包含扬程比h和效率η：式中，p为静压，γ为容重，g为重力加速度，z为位置水头，V为断面平均流速。射流泵的优化是双目标优化问题，优化函数定义为：约束条件：步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数。采用OSF取样法，得到80个样本点，见表1。表1样本参数步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟。通过数值模拟，得到所有样本点的效率与扬程比，作为神经网络模型的输出响应。所述数值模拟，采用Fluent流体计算软件对射流泵内部流动进行CFD数值模拟，计算采用压力基求解器，湍流模型采用Realizablek-ε湍流模型，压力和速度耦合方法采用SIMPLE算法。计算域如图3所示，所有流体介质都是水。所有模型的网格均为二维非结构网格，由MESH模块生成。所有入口边界均采用速度入口。湍流参数选择湍流强度与水力直径。出口设置为outflow。对流项的空间离散采用二阶迎风格式。迭代次数设置为3000步。各项检测量残差达到10-6时，可认为CFD计算结果收敛。为了验证选用的模型和算法的准确性，引用文献[1]实验数据，其计算域结构数据如下：壁厚w本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤如下：/n步骤1：获取射流泵设计参数，优化目标，约束条件；/n步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数；/n步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟；通过数值模拟，得到所有样本点的优化目标值，作为神经网络模型的输出响应；/n步骤4：构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量；/n步骤5：对第4步构建的近似模型进行了测试和验证；然后将预测值与仿真值进行比较，若吻合较好，则进行第5步；否则，回到第4步继续更新近似模型；/n步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。/n

【技术特征摘要】
1.一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤如下：
步骤1：获取射流泵设计参数，优化目标，约束条件；
步骤2：选择抽样方法获得构建神经网络模型所需的样本点及其射流泵设计参数；
步骤3：根据样本点，利用CFD软件对不同设计参数的射流泵进行了数值模拟；通过数值模拟，得到所有样本点的优化目标值，作为神经网络模型的输出响应；
步骤4：构造神经网络模型，第2步获得采样点的射流泵设计参数为输入变量，第3步得到的优化目标为输出变量；
步骤5：对第4步构建的近似模型进行了测试和验证；然后将预测值与仿真值进行比较，若吻合较好，则进行第5步；否则，回到第4步继续更新近似模型；
步骤6：基于神经网络模型采用NSGA-II遗传算法，得到射流泵结构参数的全局最优解。


2.根据权利要求1所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤1中所述设计参数包含收缩角α，扩散角β，面积比m、流量比q。


3.根据权利要求1或2所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：步骤1中所述优化目标包含扬程比h和效率η。


4.根据权利要求3所述的一种基于神经网络模型与NSGA-II遗传算法的射流泵多目标优化方法，其特征在于：所述的步骤4中的神经网络模型构建包括如下步骤：
第1步：对样本数据进...

【专利技术属性】
技术研发人员：王立权，徐凯，孙文浩，王刚，运飞宏，贾鹏，王洪海，鞠明，李超，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23