Przestrzenne kształtowanie łopatki turbiny parowej z wykorzystaniem algorytmu hybrydowego i sieci neuronowej

• Autorzy: Witanowski Ł. , Lampart P.

Warianty tytułu

EN

3D shape optimization of steam turbine blade using a hybrid algorithm and artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodę oraz wyniki optymalizacji sprawnościowej ołopatkowania przestrzennego dwóch ostatnich stopni mikroturbiny ORC9000 lOOkW z wykorzystatniem pakietu OPT_TURB oraz Matlab Toolbox - Neural Network. Wyznaczono funkcję celu z post-processingu obliczeń 3D części przepływowej przy użyciu programu FlowER - solwera modelu RANS. Funkcje celu zdefiniowano, jako sumę strat energii kinetycznej oraz energii wylotowej. Zaproponowano model sztucznej sieci neuronowej wytrenowanej przy użyciu algorytmu Lavenberga-Marquardta.

EN

The paper presents the methods and results of optimization of two last stages of a microturbine ORC9000 lOOkW using a software package OPTI_TURB and Matlab Toolbox - Neural Network. Values of the minimised objective function, that is losses of kinetic energy and exit velocity are found in the first step from 3D RANS computation (from a FlowER code) of geometries changed during the direct process optimization. In the second step an indirect method is used. The applied neural network is trained over flow data with the help of Lavenberg - Marquardt backpropagation.

Słowa kluczowe

PL

optymalizacja; sieć neuronowa; ORC; CFD; sprawność

EN

optimization; neural network; ORC; CFD; efficiency

• Wydawca: Polskie Towarzystwo Symulacji Komputerowej
• Czasopismo: Symulacja w Badaniach i Rozwoju
• Rocznik: 2014
• Tom: Vol. 5, nr 3
• Strony: 209--216
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Witanowski Ł.

• Polska Akademia Nauk Instytut Maszyn Przepływowych im. Roberta Szewalskiego Fiszera 14, 80-231 Gdańsk

autor

Lampart P.

• Polska Akademia Nauk Instytut Maszyn Przepływowych im. Roberta Szewalskiego Fiszera 14, 80-231 Gdańsk

Bibliografia

• 1. Lampart P., Hirt Ł.: Complex multidisciplinary optimization of turbine blading systems, Arch. Mech., vol. 64, pp. 153 -175, 2012.
• 2. Ostanin A.: Metody optymalizacji z Matlab, Nakom, 2009.
• 3. Pierret S., Van den Braembussche R.A.: Turbomachinery Blade Design Using a Navier-Stokes Solver and Artificial Neural Network, Trans. ASME, vol. 121, 1999.
• 4. Tadeusiewicz R.: Sieci neuronowe, AOW, 1993.
• 5. Ostanek J.K.: Improving Pin-Fin Heat Transfer Predictions Using Artificial Neural Networks, J. Turbomach., vol. 136, pp. 051010-1:9, 2013.
• 6. Mengistu T., Ghaly W., Mansour T.: Aerodynamic Shape Optimization of Turbine Blades Using a Design-Parameter-Based Shape Representation, vol. 6 Turbo Expo 2007, Parts A B, pp. 1395-1404, 2007.
• 7. Kosowski K., Tucki K., Kosowski A.: Turbine stage design aided by artificial intelligence methods, Expert Syst. Appl., vol. 36, pp. 11536-11542, 2009.
• 8. Ghaffari A., Abdollahi H., Khoshayand M.R., Bozchalooi I.S., Dadgar A., Rafiee-Tehrani M.: Performance comparison of neural network training algorithms in modeling of bimodal drug delivery., Int. J. Pharm., vol. 327, pp. 126-138, 2006.
• 9. Sakamoto H., Matsumoto K., Kuwahara A., Hayami Y.: Acceleration and Stabilization Techniques for the Levenberg-Marquardt Method - Version details -Trove, Oxford Univ. Press, 2005.