Опыт многокритериальной оптимизации осевой компрессорной ступени

Обложка


Цитировать

Полный текст

Аннотация

Обоснование. Составление универсального подхода к оптимизации сокращает время на доводку компрессора. В связи с чем вопрос составления данного подхода при проведении подобного рода оптимизационных задач является актуальной задачей.

Цель — составление подхода по постановке задачи пространственной многокритериальной оптимизации компрессорной ступени и её апробации.

Методы. Формирование подхода к проведению задач оптимизации базируется на опыте как организации-исследователя, так и на методиках, применяемых в компрессоростроении. Для апробации составленного подхода применяется алгоритм IOSO совместно с сеточным генератором AutoGrid5 и решателем ANSYS CFX.

Результаты. В ходе работы был разработан универсальный подход по формированию задачи многокритериальной оптимизации, который послужил основой всей работы. Для математической модели рассматриваемого объекта исследования, построенной в системе ANSYS CFX, проведён полный цикл верификации и валидации. Описан метод построения параметрической модели лопаток ступени и её проточной части. Задача оптимизации выполнена в двух постановках: с использованием низкорейнольдсовой (SST) и высокорейнольдсовой (k-ε) моделей турбулентности. Это сделано с целью качественной оценки их влияния на результаты и определения временных затрат, необходимых на один цикл. Для удобства обработки полученных результатов написана программа на языке Python. Представлен и обоснован полный перечень используемых в работе: целевых функций, параметров оптимизации, ограничений и допущений. В общей сложности рассмотрено шесть вариантов альтернативной геометрии объекта исследования. Для каждого из вариантов проведён повенцевой анализ и анализ в каждом из пяти расчётных сечений, подробное описание которых опущено в рамках данной работы. Построены интегральные характеристики каждого из предложенных вариантов альтернативной геометрии. По результатам их анализа выбран наиболее предпочтительный вариант как в плане геометрии, так и в плане постановки задачи.

Заключение. По результатам проделанной работы разработанный подход был апробирован. При этом отмечены недостатки использованного метода постановки задачи многокритериальной оптимизации и методы по их устранению в последующих работах.

Об авторах

Антон Сергеевич Золотухин

Санкт-Петербургский политехнический университет Петра Великого; Силовые машины

Автор, ответственный за переписку.
Email: zolotuhinant@yandex.ru
ORCID iD: 0009-0009-3028-8512
SPIN-код: 7756-7369

аспирант Высшей школы энергетического машиностроения, инженер-конструктор 3 кат. сектора расчётов отдела компрессоров специального конструкторского бюро газотурбинных установок

Россия, Санкт-Петербург; Санкт-Петербург

Любовь Николаевна Маренина

Санкт-Петербургский политехнический университет Петра Великого

Email: marenina_ln@mail.ru
ORCID iD: 0000-0001-9380-9754
SPIN-код: 5842-1771

канд. техн. наук, доцент Высшей школы энергетического машиностроения

Россия, Санкт-Петербург

Александр Александрович Дроздов

Санкт-Петербургский политехнический университет Петра Великого

Email: a_drozdi@mail.ru
ORCID iD: 0000-0002-3808-7098
SPIN-код: 6030-5685

д-р техн. наук, профессор Высшей школы энергетического машиностроения

Россия, Санкт-Петербург

Александр Георгиевич Никифоров

Смоленская государственная сельскохозяйственная академия

Email: nikiforof@mail.ru
ORCID iD: 0009-0006-6890-2889
SPIN-код: 9236-5572

д-р техн. наук, профессор кафедры механизации

Россия, Смоленск

Список литературы

  1. Inozemcev A, Sandracikj V. Gas Turbine Engines. Perm’: OAO “Aviadvigatel”; 2006. (In Russ.)
  2. Kim H, Liou MS. New fitness sharing approach for multi-objective genetic algorithms. Journal of Global Optimization. 2012;55(3):579–595. doi: 10.1007/s10898-012-9966-4
  3. Benini E. Three-Dimensional Multi-Objective Design Optimization of a Transonic Compressor Rotor. Journal of propulsion and power. 2004;20(3):559–565. doi: 10.2514/1.2703
  4. Samad A, Kim KY. Multi-objective optimization of an axial compressor blade. Journal of mechanical science and technology (Seoul Print). 2008;22(5):999–1007. doi: 10.1007/s12206-008-0122-5 EDN: HFVQWF
  5. Osyczka A. Multicriteria optimization for engineering design. In: Design Optimization. Elsevier; 1985:193–227. doi: 10.1016/b978-0-12-280910-1.50012-x
  6. Rechenberg I. Evolutionsstrategie — Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Stuttgart: Frommann-Holzboog-Verlag; 1973. doi: 10.1002/fedr.4910860506
  7. Schwefel HP. Numerical optimization of computer models. Chichester: Wiley & Sons; 1981.
  8. Reid L. Performance of Single-Stage Axial-Flow Transonic Compressor with Rotor and Stator Aspect Ratios of 1.19 and 1.26, Respectively, and with Design Pressure Ratio of 2.05. NASA Technical Paper. 1980;1659.
  9. Zolotukhin A, Marenina L. Verification of the methodology for conducting CFD studies of the axial compressor stage, using the example of the NASA Stage 37 in the ANSYS CFX. Saint Petersburg; 2023:506–510. (In Russ.) EDN: GOXMAG
  10. Zolotukhin A, Marenina L, Semenovskij V, et al. CFD calculations of the axial compressor stage NASA Stage 37. In: Innovative scientific research in the modern world: Collection of scientific articles based on the materials of the XV International scientific and practical conference, Ufa, October 22, 2024. Ufa: Vestnik nauki; 2024:57–64. (In Russ.) EDN: BQNPGW
  11. Zolotuhin A, Drozdov A, Marenina L. A method for creating a parametric model of a transonic compressor stage. In: Equipment and technology of petrochemical and oil and gas production: Proceedings of the 14th International Scientific and Technical Conference, Omsk, March 12-15, 2024. Omsk: Omskiy gosudarstvennyy tekhnicheskiy universitet; 2024:74–75. (In Russ.) EDN: ZFGMTS
  12. Attetkov A, Galkin S, Zarubin V. Optimization methods. Moscow: MGTU im NE Baumana; 2003. (In Russ.)
  13. Vorob’ev A, Malyshev F. Development of GTE-170.2 compressor. Prospects for the Development of Engine Building: Proceedings of the International Scientific and Technical Conf. named after N. D. Kuznetsov (June 21–23, 2023): in 2 vol. Samara: Samarskiy natsionalnyy issledovatelskiy universitet imeni akademika S.P. Koroleva; 2023;2:64–65. (In Russ.) EDN: JYSXEY
  14. “Sigma Technology”. Novel Optimization Strategy — IOSO. Iosotech.com. [internet] Accessed April 1, 2025. Available from: https://www.iosotech.com/
  15. Lieblein S, Schwenk FC, Broderick RL. Diffusion factor for estimating losses and limiting blade loadings in axial-flow-compressor blade elements. NACA Research Memorandum. Washington: National Advisory Committee For Aeronautics; 1953.
  16. Lieblein S. Aerodynamic Design of Axial-flow Compressors. VI — Experimental Flow in Two-Dimensional Cascades. Washington: National Advisory Committee For Aeronautics; 1955.
  17. Cumpsty NA. Compressor Aerodynamics. Krieger Pub; 2004.
  18. Wislicenus GF. Fluid Mechanics of Turbomachinery. New York: Dover Publications; 1947.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Предлагаемая схема подхода к формированию задачи многокритериальной оптимизации.

Скачать (491KB)
Метаданные
3. Рис. 2. Параметрическая модель осевой компрессорной ступени.

Скачать (128KB)
Метаданные
4. Рис. 3. Сопоставление характеристик NASA Stage 37: исходной (а) и параметрических (b) моделей в двух вариантах постановки.

Скачать (209KB)
Метаданные
5. Рис. 4. Схема предлагаемой постановки задачи многокритериальной оптимизации NASA Stage 37.

Скачать (304KB)
Метаданные
6. Рис. 5. Облако точек альтернативных вариантов, полученных в результате оптимизации NASA Stage 37 с применением модели турбулентности SST: а — в Gв(πк*) координатах; b — в Δpout(ηad) координатах; и для модели турбулентности k-ε: c — в Gв(πк*) координатах ; d — в Δpout(ηad) координатах.

Скачать (328KB)
Метаданные
7. Рис. 6. Парето фронты для постановки с SST (a) и k-ε (b) моделями турбулентности соответственно.

Скачать (174KB)
Метаданные
8. Рис. 7. Твёрдотельные модели рабочих и направляющих лопаток после оптимизации для SST и k-ε моделей турбулентности соответственно.

Скачать (311KB)
Метаданные
9. Рис. 8. Постобработка венцов РЛ (a), (b) и НА (c), (d) для модели турбулентности k-ε.

Скачать (421KB)
Метаданные
10. Рис. 9. Результат постобработки лопатки НА в характерном сечении dотн = 0,25: а — сопоставление альтернативных профилей: b — зависимость типа ω = f(CL,2); c — зависимость типа ω = f(CL,m); d — зависимость типа ω = f(Cs); e — зависимость типа ω = f(Г).

Скачать (571KB)
Метаданные
11. Рис. 10. Сопоставление интегральных характеристик альтернативных вариантов для двух вариантов постановки задачи: SST — (a) и (b); k–ε — (с) и (d).

Скачать (453KB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».