Optimización Aerodinámica de Rotor Transónico Usando Deformación Basada en Funciones de Base Radial y Optimizador de Evolución Diferencial Basado en Datos
Autores: Liu, Yi; Chen, Jiang; Cheng, Jinxin; Xiang, Hang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimización Aerodinámica de Rotor Transónico Usando Deformación Basada en Funciones de Base Radial y Optimizador de Evolución Diferencial Basado en Datos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Aerodinámico
Optimización
Compresores axiales
RBF
Evolución diferencial
Modelo sustituto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Las complicadas condiciones de flujo y los masivos parámetros de diseño traen dos dificultades principales a la optimización aerodinámica de compresores axiales: evaluaciones costosas y numerosos variables de optimización. Para abordar estos desafíos, este documento establece una nueva plataforma de optimización aerodinámica rápida para compresores axiales, que consiste en un método de parametrización de palas basado en funciones básicas radiales (RBF), un optimizador de evolución diferencial impulsado por datos y un solucionador de dinámica de fluidos computacional (CFD). Como un método de interpolación versátil, RBF se utiliza como técnica de parametrización de forma y deformación para reducir las variables de optimización. Con el objetivo de adquirir soluciones competitivas en pasos limitados, se desarrolla un optimizador de evolución impulsado por datos, llamado asistente de modelo sustituto de pre-selección para la evolución diferencial (pre-SADE). A diferencia de la mayoría de los algoritmos evolutivos asistidos por modelos sustitutos, los modelos sustitutos en pre-SADE se utilizan para filtrar las muestras, en lugar de estimarlas directamente, en cada generación para reducir las evaluaciones costosas. El modelo de regresión polinómica, el modelo de Kriging y el modelo RBF se integran en el modelo sustituto para mejorar la precisión. Para ahorrar aún más tiempo de optimización, el optimizador también integra programas de gestión de tareas paralelas. La optimización aerodinámica de un rotor transónico (NASA Rotor 37) se realiza como validación de la plataforma. Se introduce un optimizador de evolución diferencial (DE) y otro algoritmo asistido por modelo sustituto, aprendizaje activo basado en comités para optimización por enjambre de partículas asistida por modelo sustituto (CAL-SAPSO), para las corridas de comparación. Después de la optimización, la eficiencia adiabática, la relación de presión total y el margen de sobrepresión aumentan, respectivamente, en un 1.47%, 1.0% y 0.79% en comparación con el rotor inicial. En los mismos pasos limitados, pre-SADE obtiene una eficiencia adiabática del rotor un 0.57% y un 0.51% más alta que DE y CAL-SAPSO, respectivamente. Con la ayuda de técnicas paralelas, pre-SADE y DE ahorran la mitad del tiempo de optimización en comparación con CAL-SAPSO. Los resultados verifican la efectividad y la rapidez de la plataforma de optimización aerodinámica rápida.
Descripción
Las complicadas condiciones de flujo y los masivos parámetros de diseño traen dos dificultades principales a la optimización aerodinámica de compresores axiales: evaluaciones costosas y numerosos variables de optimización. Para abordar estos desafíos, este documento establece una nueva plataforma de optimización aerodinámica rápida para compresores axiales, que consiste en un método de parametrización de palas basado en funciones básicas radiales (RBF), un optimizador de evolución diferencial impulsado por datos y un solucionador de dinámica de fluidos computacional (CFD). Como un método de interpolación versátil, RBF se utiliza como técnica de parametrización de forma y deformación para reducir las variables de optimización. Con el objetivo de adquirir soluciones competitivas en pasos limitados, se desarrolla un optimizador de evolución impulsado por datos, llamado asistente de modelo sustituto de pre-selección para la evolución diferencial (pre-SADE). A diferencia de la mayoría de los algoritmos evolutivos asistidos por modelos sustitutos, los modelos sustitutos en pre-SADE se utilizan para filtrar las muestras, en lugar de estimarlas directamente, en cada generación para reducir las evaluaciones costosas. El modelo de regresión polinómica, el modelo de Kriging y el modelo RBF se integran en el modelo sustituto para mejorar la precisión. Para ahorrar aún más tiempo de optimización, el optimizador también integra programas de gestión de tareas paralelas. La optimización aerodinámica de un rotor transónico (NASA Rotor 37) se realiza como validación de la plataforma. Se introduce un optimizador de evolución diferencial (DE) y otro algoritmo asistido por modelo sustituto, aprendizaje activo basado en comités para optimización por enjambre de partículas asistida por modelo sustituto (CAL-SAPSO), para las corridas de comparación. Después de la optimización, la eficiencia adiabática, la relación de presión total y el margen de sobrepresión aumentan, respectivamente, en un 1.47%, 1.0% y 0.79% en comparación con el rotor inicial. En los mismos pasos limitados, pre-SADE obtiene una eficiencia adiabática del rotor un 0.57% y un 0.51% más alta que DE y CAL-SAPSO, respectivamente. Con la ayuda de técnicas paralelas, pre-SADE y DE ahorran la mitad del tiempo de optimización en comparación con CAL-SAPSO. Los resultados verifican la efectividad y la rapidez de la plataforma de optimización aerodinámica rápida.