文摘

泵站的布局很容易受到地形影响,网站,以及其他因素,导致可怜的进气道流模式在前舱,严重影响泵站的正常运行。优化其进气道流模式,空洞的大小整流窗台上不断改进通过物理模型试验满足要求所需的泵站进气道流场。介绍粒子群优化(PSO)结合高斯过程(GP)建立粒子swarm-Gaussian过程(PSO-GP)模型来预测速度均匀性与不同hole-to-height泵站进水池的比率,hole-to-width比率,upper-to-lower梁长度比例和槛height-to-water表比率。最后,空心整流窗台上获得了最佳规模和测试的物理模型比较整流效应与其他尺寸的中空的基石。结果表明,该算法模型可以帮助传统物理实验快速预测速度的均匀性的进口油底壳泵站。通过PSO-GP优化算法,我们可以得到最优尺寸的空心整流窗台上。其hole-to-height比率为0.62,其hole-to-width比率为0.37,upper-to-lower梁长度比例是0.63,窗台上height-to-water表比是0.23。它表明该方法实用优化设计的空心整流窗台上,提供了一种新方法的优化泵站前池的流场。

1。介绍

提高涡流等不健康的流动模式和偏差在前舱和进口泵站的油底壳,各种整改措施(1),例如单独的列(2),单独的基石(3),和导流墩4,5),通常在泵站前池的优化前池的流型。应等。6)建立了一个数值模型的流型的泵站前池。基于计算流体动力学和受到的方法,他们得出的结论是,流动模式的优化效果是最好的的基石是安装在80%列和出口之间的距离。夏et al。7使用计算方程和可靠的k -ε湍流模型来分析前池的流型和进口油底壳基于流利。通过构造一个倒置的t形梁和改变其参数,他们研究了其影响流型和侧前池的速度,发现倒t形梁显著提高前池的流型,并获得最佳的大小通过比较在同一时间。罗等。8)使用数值模拟的方法(9- - - - - -15)来预测和模拟流在前舱,使用两个不同的导流墩优化前池的流型,并使用模型实验来支持彼此。作为一种新的整改措施,空心梁(16)是更有效的比其他措施纠正偏差,消除涡,清除沉积物,保护建筑。

近年来,国内外许多学者已经应用智能算法来优化泵站(17,18),如遗传算法(GA) [19),蚁群优化(ACO) (20.(WPA)[],狼群算法21]。Ahmadebrahimpour [22WPA)应用到水库的优化调度模型,发现该算法会导致简单的结果具有良好的优化效果,适用于水库的优化调度。冯et al。23)混合使用WPA并行泵站的优化调度,提供一个有效的操作计划,降低了运行能耗。王等人。24)使用遗传算法建立模型的最低总泵站的运行功率为目标函数优化的计划减少泵站的运行功耗。商等。25)使用遗传算法结合模拟退火算法优化加载大型水电站优化调度。粒子群优化(PSO)算法(26- - - - - -31日)也被用于泵站优化近年来(32),取得了良好的效果,但该方法需要评估个人每次更新个人的位置和速度信息,这需要很长时间(33),极大地提高了计算成本,影响了优化算法的实用性。因此,有必要找到一个建模解决方案来减少个人评估时间。高斯过程(GP) [34- - - - - -36)是近年来迅速发展的机器学习方法。具有良好的适应性等复杂问题的小样本、维数高、非线性。研究表明,GP模型大大减少了所需的时间准确模拟的流动模式的优化设计泵站同时确保其准确性。

近年来,越来越多的学者们结合多个算法优化模型(37- - - - - -41]。在这篇文章中,我们结合了两种算法的优点和第一次建立了PSO-GP模型。与传统的GP模型相比,该模型使用PSO优化的hyperparameters GP模型(42),以避免传统GP模型训练时间长等问题。最后,建立PSO-GP模型作为健身PSO算法的评估计划优化的空心整流窗台上的泵站前池。优化整改的窗台上,物理模型试验43,44)和DPIV测量技术(33,45- - - - - -47)来验证的有效性和工程实用性PSO-GP模型优化设计空心整流窗台上的泵站前池。

2。PSO-GP模型的原则

2.1。高斯过程模型

高斯过程模型可以建立输入之间的映射关系x和输出Y训练集,基于这种映射关系,给测试样品相对应的预测值z+。高斯过程描述的函数分布。它是一组的任何子集无限符合联合高斯分布的随机变量。其属性可以由均值函数和协方差函数,即 在哪里 是一个任意d维向量和 和 分别代表的意思是函数和协方差函数。因此,医生可以表示为

假设一个有限的训练集,其中包含n观察 ,其中 代表一个 - - - - - -维训练输入矩阵组成的n维维输入向量和训练 代表一个相应的培训输出向量组成的n训练输出标量 ,模型可以表示为

观察目标价值y由加性噪声污染的 。 是一个随机变量服从正态分布,中值是0和方差是谁的 ,也就是说,

X是输入向量,然后呢y是观测值受到噪声的污染。的先验分布y是 在哪里 是 - - - - - -次对称正定的协方差矩阵,矩阵元素是用来测量之间的关系 和 ,和组成的联合高斯先验分布n训练样本的输出y和 测试样本输出 是 在哪里 是 - - - - - -订单之间的协方差矩阵 测试输出样本n训练样本和 是 - - - - - -订单测试输出样本的协方差矩阵本身。

GP的协方差函数必须满足Mercer条件:非负正定协方差矩阵可以保证任何点集。在这里,广场指数协方差函数(SE): 在哪里 振幅因子和吗 是距离 。GP的属性函数和协方差函数是由一组hyperparameters决定的,也是唯一的医生需要确定的参数。根据贝叶斯定理,基于训练集,最可能的输出值对应 可以预测。采用贝叶斯定理的目的是用观察到的真实数据不断更新概率预测分布,也就是说,使用给定的输入 ,输入值X,观察目标价值y最大的训练集,来推断可能的后验分布的预测 : 在哪里 预测的平均值,显示最可能的测试输出值。

2.2。粒子群优化算法

粒子群优化算法(48)容易实现的优点,简单的算法,和更少的参数,可以有效地解决全局优化问题。速度和位置更新公式的粒子群算法 在哪里 和 被称为“学习因子和加速常数;Rand()之间的一个随机数(0,1); 和 的速度和位置吗d维粒子我在k迭代; 是个体极值的位置吗d维粒子我;和 是全球极值的位置的集团吗d维度。

2.3。PSO-GP模型

传统的最优hyperparameters GP模型获得的最大似然估计方法,即hyperparameters的偏导数是通过建立的条件概率的对数似功能训练样本,然后是共轭梯度优化方法用于最优hyperparameter解决方案。该优化方法将导致大量的高阶计算在GP模型的训练,这将影响GP建模的效率。针对上述问题,本文利用PSO算法智能优化hyperparameters GP模型的快速建立GP模型。hyperparameters GP模型的数量取决于所选择的协方差函数和平均函数。当初始化粒子,每个粒子代表一组hyperparameters,顺序分配给医生的协方差函数和平均函数模型。平均绝对误差(MAE) GP模型和预测之间的样品用作全局优化算法的适应度函数。粒子的位置和速度信息更新在每个迭代中,计算停止当迭代的最大数量。

传统的高斯过程,协方差函数的类型和输入数据的维度确定GP模型的参数的数量。假设有N组输入数据1×n,相应的输出是1×米和高斯过程协方差函数是指数平方协方差函数:

其中,矩阵 是积极的长篇的尺度参数与输入变量对应的元素,然后呢 是信号协方差。为N所需的训练数据集,训练参数对应的高斯过程

初始化后,建立GP模型,假设预测GP模型得到的输出值 ,和最初的准确输出值的全科医生输入样本进行测试 。假设每组数据选择N数据点,均方误差(MSE)公式是用在这里。模型设计流程如图1。

(一)
(一)
(b)
(b)
图1
PSO-GP模型。(一)PSO-GP伪代码。(b) PSO-GP流程图。

3所示。空心整流窗台上的泵站前池

3.1。模型建立

窗台上目前广泛应用于工程作为一项整改措施与低成本和方便施工。常用的窗台上主要是一个完整的立体结构,以及水流的流速和方向将调整经过整流窗台上。然而,当水位很低,常用的整流窗台将导致前池的水位下降,这将加剧进气道流模式,并且很容易形成沉积在窗台上,这将影响泵站的正常运行。当新的空心整流窗台上处于低水位,水可以通过底部的空心部分,从而最小化的影响整流窗台上满溢的水位,同时,更有利于流速和流量的调整方向。它还在洗涤中扮演一定的角色和淤积整改前后的窗台上。

的几何模型建立了泵站进水口的一部分。飞机尺寸如图2,图中的尺寸的单位是毫米。泵站的单级泵流研究是25米3/ s,总流是100米3/ s。泵站在左岸的导流通道。模型是由进气通道,泵站前池的,进口油底壳。确保类似的流动模式,我们选择的上游800分水渠的交集泵站和检查门口为我们研究。泵站有四个单位,编号1 - 4根据流动方向是从右到左。进气通道的底部的高度是−2米,底座的高度的进气流道−5.3米,和大门的底座的高度是−2 m。1.7米的工况设计水位和四个单元操作进行了研究。


图2
原理图的取水泵站的模型。

构建物理模型如图3。总流入100米3/ s;除了进口和出口和自由水面,其余的都是坚实的墙。的规模模型1:25。整个测试模型包括进气通道,前舱,码头,进气流道,控制阀,水箱,管道和辅助泵。与此同时,WYG-III;无线测控智能水位计南京液压研究所和测压管被用来测量水位和水位的准确性验证。FLOWATCH便携式液体比重计的螺旋桨是主要用于流速测量,和250年代ldy综合采用电磁流量计流量测量。实验流场数据收集的DPIV高清流场测量系统。数字粒子图像测速技术(DPIV)是PIV的一个新兴分支,这是一个不干扰,瞬态和细致的流量测量技术开发的基于流显示使用图像处理技术。然后,他们被Tecplot软件处理。 The layout of the sill in the specific model is shown in Figure4。


图3
物理模型试验装置。

图4
原理图的窗台上的位置。
3.2。选型的中空的窗台上

具体安排是安装一个窗台上的十字路口前池和进气通道1米的高度。四孔应打开对面的四个输入流渠道整顿窗台上的孔宽度2.5米,洞0 - 1 m的高度。测试结果普遍,洞高门槛的高度的比值定义为hole-to-height比率,比率的总宽度的四个孔的总宽度槛hole-to-width比率,上、下底长度的比值斜角从高到低窗台上的窗台上的长度比,和窗台上的比率高水位是槛height-to-water表比例。窗台上的放置位置如图4,空心梁的详细图如图5。


图5
空心梁的详细图纸。

研究空心整流槛,100套随机匹配的数据与不同hole-to-height比率,hole-to-width比率,upper-to-lower槛长度比率,比率和槛height-to-water表被选中时,编号,和分析。看到具体的尺寸表选择范围1。

表1
大小选择范围的中空的基石。

4所示。空心梁的优化设计基于PSO-GP泵站前池的模型

4.1。建立流量均匀性指数

空心梁的最优尺寸参数(通过PSO-GP优化)放入物理模型实验验证。流模式被DPIV测量,最后,速度云图Tecplot处理后得到。一节结的前舱和进气流道选择特征部分(如图4),轴向速度分布的均匀性 用作指数评估的质量流量。接近100%的 ,速度均匀性越好。计算公式是

派生的流速数据值后每个小段的平均流速将整个区域划分为多个小的部分。为了这个目的,一个面积加权统一目标函数可以介绍: 在哪里 每个部分的面积,米2, 每个部分的平均轴向速度,米/秒, 节点的数量, 轴向速度分布的均匀性, 每个部分元素的平均轴向速度,m / s,和它的价值是什么

4.2。PSO-GP优化处理

PSO-GP空心梁的模型后,建立了泵站前池,PSO算法用于优化设计。PSO算法中的迭代的最大数量是1000,加速度恒定 ,惯性的重量是 ,初始种群是20,尺寸是4。优化的空心梁hole-to-height比率为0.62,hole-to-width比率为0.37,upper-to-lower梁长度的比率0.63,窗台上height-to-water表0.23的比例。大约需要24天建立物理模型并进行测试,大约500秒完成PSO-GP模型的训练,300秒使用PSO和PSO-GP优化空心梁的泵站前池,和0.3秒一代20粒子(每个粒子代表4套大小参数)。因此,这远远超过所需的时间使用其他算法粒子群算法的适应度函数。底槛的过程优化如图6。


图6
PSO-GP优化流程图。
4.3。PSO-GP优化误差分析

我们建立了一个物理模型试验,选定的80组数据作为训练样本PSO-GP模型,使不同尺寸的空心西尔斯基于这些数据,在物理模型并进行了测试。然后我们DPIV用于测试和测量,观察流模式受到不同尺寸的中空的基石,并使用Tecplot软件后处理获得的相应速度均匀性的泵站前池。我们使用速度均匀性的训练输入数据PSO-GP模型建立模型;此外,我们选择20组作为测试样本,PSO-GP模型的输出 ,和每个组的输出相应的物理模型试验处理 。空心梁的有一个全面的理解,我们将hole-to-height比设置为0 - 1,hole-to-width比0.14 - -0.48,斜角从高到低的窗台上的长度比例0.4 - 1和槛height-to-water水平比0.1 - -0.5。在图所示的错误结果7。


图7
PSO-GP优化错误表。

为了验证PSO-GP算法的优点,在这里我们选择共同PSO-GP算法和高斯过程算法进行比较和研究,替代流均匀性指数作为训练输入数据,分别执行迭代的计算与不同的迭代次数。结果与真实值相比,结果如图所示8。计算结果表明,与PSO-GP算法和高斯过程算法相比,PSO-GP算法有显著降低计算成本和更小的错误,特别是迭代的数量。在高精度的情况下可以实现,使用描述算法PSO-GP在计算时间和准确性有更好的优势。


图8
不同算法的比较图。

5。优化结果的比较分析

后安装在泵站前池的中空的窗台上,水流的空心部分完全接触流经整流窗台上的水和能量耗散在窗台上。空心部分的水流直接调整有很好的影响流的方向,这样水流通过中空的部分是相对直接调整后,和整流窗台上起着主导作用的整个流程的调整。在实验中,我们发现hole-to-height比率,hole-to-width比率,upper-to-lower梁长度比和槛height-to-water水平比例对整流效果影响更大。研究这些因素的影响流型的进口水,计划1是原计划没有空心梁整流,并计划2到7计划有六个不同大小的空洞的窗台上。流场的表层和底层图所示9。从图可以看出,空心部分逐渐增加,连续的水流驱动逐渐增加,和前池的回流逐渐减少,但是当开幕式太大,窗台上的空心部分将减少水流通过孔的整改效果;因此,空心整流窗台上的整流效果降低。从数据9 (f)- - - - - -9 (h),可以看出回流区引水渠道的增加,右边有一个本地高速区域右边的没有。1进口流道。通过PSO-GP优化,我们可以得到最好的大小,hole-to-height比率为0.62,hole-to-width比率为0.37,斜角从高到低的窗台上长度的比率是0.63,窗台上height-to-water水平比是0.23。表层和底层流场计划8所示,分别。前池的流型比较好,和进口油底壳的流速分布也比较均匀。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
图9
表面流场图的计划:1 (a)计划,(b)计划2、3 (c)计划,(d)计划4,(e)计划5、6 (f)计划,(g)计划7和8 (h)计划。

根据每个入口流槽形截面的流速分布,流速均匀性的每个流动通道的入口部分进行了研究和分析。根据公式(14),每个流道的速度均匀性计算,可以看出,速度均匀性是65% - -75%。当hole-to-height比率小于或等于0.62,速度均匀性增加而hole-to-height比率的增加,所以我们可以开洞窗台上的调整速度均匀性是有利的。hole-to-height比大于0.62时,速度均匀性逐渐降低,hole-to-height比率是0.62时达到最大。总的来说,速度是最统一的时候hole-to-height比率是0.6。当hole-to-width比率小于或等于0.37,速度均匀性增加而hole-to-width比率的增加,逐步减少hole-to-width比大于0.37。速度均匀性达到最大时hole-to-width比率是0.37。总的来说,hole-to-width时的流速是最统一的比率是0.37。斜角从高到低时,窗台上的长度比例是小于或等于0.63,速度均匀性的增加而增加的窗台上的长度比。斜角从高到低时,梁长度的比值大于0.63,速度均匀性逐渐降低,比0.63时达到最大。总的来说,速度是最统一的斜角从高到低时,窗台上的长度比是0.63。 The velocity uniformity increases with the increase of the hole-to-height ratio when the sill height-to-water table ratio is less than or equal to 0.23, and it gradually decreases when the ratio is larger than 0.23. The velocity uniformity reaches the maximum when the sill height-to-water level ratio is 0.23. Overall, the velocity is the most uniform when the sill height-to-water level ratio is 0.23.

6。结论

本文粒子群优化结合的高斯过程建立PSO-GP模型优化设计的空心梁的泵站前池,从而有效地减少的选型时间空心梁在泵站前池的优化和改善选型优化的准确性。通过物理模型试验比较,PSO-GP模型可以用来获得更准确的泵站前池的速度分布,和速度均匀性可以用来判断空心梁的优化效果。空心梁的最优规模由PSO-GP泵站前池的优化模型如下,也就是说,hole-to-height比率为0.62,hole-to-width比率为0.37,斜角从高到低的窗台上长度的比率是0.63,窗台上height-to-water水平比是0.23。之后我们把这个尺寸的空心梁的物理模型试验,并与其他尺寸的空心基石的整流效应,我们发现这个尺寸的整流效果是最好的,这表明该方法实用优化设计的空心整流的泵站前池的窗台上。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(51779215和51779215)和江苏研究生研究和创新计划(KYCX20_2980)。