基于BP神经网络和PSO算法的射流泵结构优化_张浩.pdf

产业与科技论坛2023年第22卷 第3期Industrial&Science Tribune2023（22）3基于 BP 神经网络和 PSO 算法的射流泵结构优化张浩刘升贵【内容摘要】为了提高水力射流泵的效率值，采用拉丁超立方试验设计方法对水力射流泵的喷嘴直径、喉管直径、喉嘴距、喉管长度和扩散管角度 5 个几何变量进行 30 组叶轮方案设计，应用 ANSYS 软件对水力射流泵进行数值模拟，得到设计工况下的水力射流泵效率，然后应用 BP 近似模型建立水力射流泵的5 个几何变量与效率之间的近似建模，最后再通过粒子群算法(PSO)对近似建模结果进行极值寻优，以得到最优的水力射流泵参数组合。研究结果表明:BP近似模型能够较好地预测泵效率与设计数据之间的关联，优化后预测值与数值模拟间的误差为 0.02 个百分点;优化后的模型相对于原有模型，效率增加了 8.17 个百分点;相对于原始水力射流泵，优化后改善了水力射流泵内的流场特性，减弱了流场中的涡效应。【关键词】BP 神经网络;粒子群优化算法;结构参数优化;射流泵效率【作者简介】张浩(1996 12)，男，中国矿业大学(北京)硕士研究生;研究方向:流体机械刘升贵，男，北京人，中国矿业大学(北京)教授;研究方向:煤层气开发由于对不可再生能源资源(煤、石油和天然气等)的巨大消耗，生物燃料越来越紧缺，而煤层气作为一个洁净有效的燃料，也日益引起人们重视，煤层气井的数量逐步增加，水力射流泵作为煤层气开发的主要部件之一，对其进行优化设计是有必要的。对于水力射流泵的研究一直基于数值模拟和实验两个方向。邹晨海1 给出某种射流泵装置性能预测方法，运用遗传算法和公式自动进行拟合，修正了该种方式中的射流泵扬程推算公式方法，进一步完善了该种具有较高可信度的预测方法。通过对国内外的研究可以发现虽然对射流泵的研究射流泵各项性能的研究十分普遍，但都缺乏对射流泵结构参数的深入研究。本文以 BP 近似模型的预测功能为基础，使用粒子群算法反向求解在射流泵效率最高情况下的最优结构参数，为水力射流泵结构参数优化提供了一种新的思路。一、计算模型与数值方法(一)泵模型。泵性能参数为:工作流体流量346.6 m3/d、引射流体流量为 129.6 m3/d 及压力出口边界条件为 30MPa，恒定流量比为 0.356。水力射流泵几何结构尺寸:喷嘴直径为2.298mm、喉管直径为5.637mm、喉管长度为33.7mm 及扩散管长度为 185mm。采用 SolidWorks 对水力射流泵进行三维造型，水力射流泵剖面如图 1 所示。图 1水力射流泵剖面(二)网格划分。结构化网格技术可以增加了数值模拟精度，并缩短了运算时限。对水力射流泵利用 ANSYS 平台中的 Mesh 功能，对水力射流泵进行网格分析。当网格数为一百二十万时，地层液入口压力趋于稳定。水力射流泵核心区域的网格，如图 2 所示。图 2水力射流泵核心区域结构网格图二、优化过程采用 BP 近似模型的水力射流泵进水通道的主要优化步骤，如图 3 所示。以设计工况下水力射流泵工作效率为主要优化目标，将水力射流泵的喷嘴孔径、喉管口径、喉嘴距、喉管直径和扩散管角度等五个参数作为主要优化变量，并定义了设计变量的上下界，然后通过拉丁方实验设计方法在区域内随机地生成了水力射流泵核心区域流道的总体设计方案，对每个总体设计方案进行了定常数值仿真得到了泵效率。图 3水力射流泵进水通道的优化过程图(一)优化目标。水力射流泵的无量纲压力比为:p=pd pspn pd(1)式中，pn为工作流体入口截面压力，Pa;ps为被吸液入口截面压力，Pa;pd为扩散管出口截面压力，Pa。042023年第22卷 第3期产业与科技论坛2023（22）3Industrial&Science Tribune水力射流泵效率定义为入射流体得到能量与工作流体损失能量之比，即效率=(pd ps)Qs(pn pd)Qn(2)式中，Qn为工作流体入口流量，L/s;Qs为被吸液入口流量，L/s。(二)优化变量。选取水力射流泵的喷嘴直径(D1)、喉管直径(D2)、喉嘴距(L1)、喉管长度(L2)和扩散管角度()5个变量为设计参数，各设计参数的上下限如表 1 所示。表 1水力射流泵设计参数上下限变量D1/mmD2/mmL1/mmL2/mm/上限1.53.01.020.03.0下限3.88.410.050.014.0(三)数据样本。在优化过程中要考虑的实验设计样本要反映在整个设计空间，所以，基于 BP 近似模型中神经元的数量和设计变量的个数，通过拉丁方实验设计方法共产生了约三十组的设计方案，远大于 BP 近似模型中近似模型的设计系数数量。表 2 所示的是 30 组设计方案及每组方案对应的目标效率值。表 2水力射流泵设计方案及目标效率值方案D1/mmD2/mmL1/mmL2/mm()(%)11.506.022.5335.124.330.10621.575.127.4845.154.570.07531.683.327.6627.169.960.02141.725.842.7443.625.710.12551.826.113.2349.313.900.15561.894.499.6046.2711.800.05571.925.666.5642.225.790.14581.983.591.8930.0511.490.03792.035.216.4447.2412.560.098102.114.674.4748.8510.640.088112.214.943.5336.534.100.138122.276.472.3422.296.630.153132.324.319.2931.2013.170.032142.353.686.8024.953.450.140152.417.103.7528.1011.430.238162.517.554.0041.145.310.305172.583.865.4444.337.850.143182.644.134.9727.5113.530.146192.737.821.6547.738.850.227202.754.045.7322.894.920.218212.835.757.2721.8412.740.242222.926.652.4137.8111.650.290232.963.417.1445.8913.880.025243.007.374.8431.9311.030.149253.105.503.0733.496.960.321263.217.018.0820.255.400.139273.307.644.1235.883.290.176283.366.298.7032.4710.450.179293.485.399.4628.7511.140.191303.805.305.3230.566.720.158(四)近似模型。BP 近似模型则是一个通过按误差逆传递计算训练的多个前馈网络系统，是目前应用得最普遍的神经网络模型一种2。BP 网络的网络架构如图 4 所示。图 4神经网络架构其输入层和隐含层之间的关系表达式为oi=f(ni=0vijxi)(3)式中，f 和 v 分别为隐含层的激活函数和权重。同理，隐含层和输出层之间的关系表达式为yi=f(ni=0wijoi)(4)式中，f 和 w 分别为输出层的激活函数和权重。f sigmoid 激励函数f(p)=21+e2p1(5)误差计算表达式E=12mk=1e2k=12mk=1(dk ok)(6)为提高近似模型的准确性，从拉丁超立方抽样产生的三十组数据被细分成了两组:80%的样本(24 组)被用于训练BP 近似模型;20%的样本(6 组)被用于测试 BP 近似模型的精确度。(五)粒子群算法。粒子群算法是一种基于群体的，根据对环境的适应度让个体向着更好区域移动的算法3。流程步骤如图 5 所示。图 5粒子群算法的流程步骤图三、结果与讨论(一)优化对比。利用粒子群优化算法对所得的数学模14产业与科技论坛2023年第22卷 第3期Industrial&Science Tribune2023（22）3型进行寻优计算，收敛后所得的最佳模型的效率为 35.89%。数值模拟检验该最优模型，模拟所得水力射流泵效率为35.87%，近似模型预测值与数值模拟结果误差为 0.02%。相较于原始模型，水力射流泵工作效率提高了 8.17 个百分点(原始模型计算效率为 27.70%)。表 3优化前后的几何参数和效率对比D1/mm D2/mm L1/mm L2/mm/效率/%原始2.2985.6375.64033.700327.70优化(预测)2.4225.7461.50032.45735.89优化(CFD)2.4225.7461.50032.45735.87(二)内流场对比。原始方案下喷嘴的直径从 2.298mm增大到 2.422mm，导致水力射流泵内流道速度最大值从416.5m/s 下降到 333.5m/s，速度分布更加均匀，能量损耗值下降，说明优化的结构设计更符合流体流动特性，因此水力射流泵基本性能增加，引射流体的能量利用率提高。(a)原始方案(b)优化方案图 6优化前后内流道内轴线上速度分布对比图 6 为优化前后水力射流泵内流道轴线上速度分布对比图，优化后轴线上的速度最大值下降，使得内流道内部速度梯度变化减小，因此而产生的能量损耗减小。入射流体在喷嘴处速度值最大，而后当进入喉嘴之间的混合室与引射流体混合时，速度明显降低，在当前工况下，出口压力值恒定，因此要使得压力比增大，水力射流泵工作性能增强，效率提升，需要通过调整结构参数，减小内流道轴线上速度差。因此对比图 6(a)、(b)可以看出，优化后的方案更有效地降低了速度梯度值，更符合流体流动特性，优化后的结构参数提高了射流泵的水力效率。对比原始方案与优化方案，可以看出湍动能最大值减小了 42%，且优化方案中湍动能的分布更加均匀，说明了优化的射流泵结构参数使得射流泵的形状更加符合流体流动特性，优化后的射流泵结构参数提高了射流泵的水力效率。(a)原始方案(b)优化方案图 7优化前后内流道内轴线上湍动能分布对比图 7 为优化前后射流泵内流道轴线上湍动能分布对比图，优化后轴线上的湍动能减小，因此产生的能量损耗也在减小。流体在喉管内壁面处湍动能值最大，而后当进入扩散管与引射流体混合完成后，湍动能明显降低。因此对比图 7(a)、(b)可以看出，优化后的方案更有效地降低了湍动能值，更符合流体流动特性，更有利于入射流体和引射流体的混合，优化后的结构参数提高了射流泵的基本性能和效率。射流泵内湍流涡旋耗散的分布规律与湍动能的分布规律相似，流体在喉管内壁面处涡旋耗散值最大，而后当进入扩散管与引射流体混合完成后涡旋耗散值明显降低直到消失。优化后的方案更有效地降低了湍流涡旋，更符合流体流动特性，更有利于入射流体和引射流体的混合，优化后的结构参数提高了射流泵的基本性能和效率。原始方案下流泵内流道压力最大值从 78.73MPa 下降到59.12MPa，压力分布更加均匀，能量损耗值下降，说明优化的结构设计更符合流体流动特性，因此射流泵基本性能增加，引射流体的能量利用率提高。(a)原始方案(b)优化方案图 8优化前后内流道内轴线上压力分布对比图 8 为优化前后射流泵内流道轴线上压力分布对比图，优化后轴线上的压力最大值下降，压力最小值上升，使得内流道内部压力梯度变化减小，因此而产生的能量损耗减小。入射流体在喷嘴处压力值最大，而后当进入喉嘴之间的混合室与引射流体混合时，压力明显降低，在当前工况下，出口压力值恒定，因此要使得压力比增大，射流泵工作性能增强，效率提升，需要通过调整结构参数，减小内流道轴线上压力差。因此对比，图 8(a)、(b)可以看出，优化后的方案更有效地降低了压力梯度值，更符合流体流动特性，优化后的结构参数提高了射流泵的水力效率。四、结语结合 CFD 仿真计算、分层抽样试验设计、人工神经网络和粒子群算法对水力射流泵上的 5 个几何结构参数进行优化，使得水力射