低压汽轮机级的机器学习优化

大型语言模型已成为 AI/ML 的头版新闻，但与许多计算技术一样，CFD 行业长期以来一直在该领域取得突破，而 Cadence Fidelity CFD 软件就是其中之一。但与处理从互联网上抓取的 JPEG 或文本片段不同，CFD 计算可能需要数小时，因此我们需要机器学习算法以尽可能少的输入提供结果 - 我们谈论的是具有数十个输入的模型，而不是数十亿个参数。话虽如此，寻找最佳设计的自动化、人工智能/机器学习加速流程仍然比手动调整所有内容快几个数量级。

自动化设计优化取代了手动对 CAD 模型和流动条件进行小幅修改以寻求更好设计的费力过程。与许多其他技术一样，它不会取代工程师，而是让工程师能够腾出时间来完成其他任务。在这种情况下，设计工程师的重点和精力从设置和运行模拟转移到理解和分析设计空间。由于 CFD 计算非常耗时，因此开发快速找到最佳值的高效设计空间探索方法对于使自动化设计优化成为涡轮机械部件设计的可行技术至关重要。在本文中，

该优化项目的目标是通过新设计对该级进行改造，以提高系统的功率。由于情况是我们正在用新的动力改造旧机器，因此原始机器的几何形状提出了新设计中必须遵守的基本约束和要求。因此，定子腔、轴承和喷嘴叶片是固定的，而叶轮叶片和转子尖端泄漏腔是优化的目标。

设计空间概览

Cadence 的 Fidelity 软件套件包括与 Concepts NREC 合作的设计工具 Fine Agile，这是一种用于涡轮机械的设计、分析和几何生成工具。使用 Fine Agile，我们可以适当地参数化设计空间并施加约束。表 1 显示了如何对叶尖泄漏腔进行参数化，而表 2 显示了叶片形状的值。优化运行期间总共调整了八个参数。

	型腔设计参数	允许范围
1	迷宫密封齿顶宽	2-5毫米
2	迷宫密封齿不对称	0-1
3	迷宫密封齿轴向偏移	±5毫米

表1：型腔设计空间

	型腔设计参数	允许范围
1	迷宫密封齿顶宽	2-5毫米
2	迷宫密封齿不对称	0-1
3	迷宫密封齿轴向偏移	±5毫米

表2：叶片设计空间

Fidelity Fine Design3D 软件基于复杂的机器学习内核，该内核使用进化算法来驱动基于初始实验设计 (DoE) 的替代模型，使其运行到保持在定义的约束范围内的最佳状态。首先，通过使用提供的八个参数进行完整的 CFD 模拟来运行 DoE，并用几个点填充设计空间。代理模型被定义为拟合这些点的响应面。Fine Design3D 然后智能地探索这个空间，改变输入参数，运行更多模拟，更新模型，并迭代细化，直到找到最佳值。

为了生成初始解决方案，根据最佳实践设置 CFD 模拟。单次传代生成 1.8m 细胞的低分辨率网格，并使用 Fine Turbo 运行模拟。使用水蒸汽作为流体，并使用 Spalart-Allmaras 湍流模型生成稳态解。表3给出了更详细的模拟参数。

\

图 1：初始模拟几何结构

湍流模型	斯帕拉特-阿尔马拉斯
节能灯	3
体液	水蒸汽（热力学表）
初步解决方案	用于涡轮机械+技术效果
进口	施加总压力和热函，流量垂直于入口
墙壁	转子 - 绝热转速 (3000rpm) 定子 - 静态和绝热
出口	静压（径向平衡）
时间配置	稳定的
遥控/遥控	全非匹配混合平面
输出数量	功率、轴向推力、质量流量、（收敛）

表3：仿真参数

LP 涡轮级的设计空间有 12 个维度。表 2 和表 3 中显示了八个输入，以及三个感兴趣的输出量 (QoI)：功率、轴向推力和质量流量。最后，我们还必须考虑CFD模拟的收敛性，因为不能考虑收敛性差的结果。最初的 DoE 运行是使用 20 组输入参数完成的，从而允许合理的初始空间填充。美国能源部的方差分析 (ANOVA) 显示，感兴趣的三个输出对不同的输入最敏感。功率受护罩出口角度的影响最大，轴向推力受轮毂出口角度的影响最大，质量流量受轮毂出口角度和护罩入口角度的影响大致相等。在全球范围内，后两个是最有影响力的参数。

模型评估

进行留一分析以评估替代模型的稳健性。使用 19 个样本生成的模型不应与使用所有 20 个样本生成的模型有显着差异，因此使用所有 19 个元素子集重新生成模型，并且可以根据完整模型计算简化模型的相关性。在全球范围内，相关系数计算如下：

轴向推力	0.987
质量流量	0.964
力量	0.669

相关系数高于 0.6 表明该模型与数据拟合良好，并且分辨率足够高，可以作为自动优化的基础。

可视化 DOE 空间对于考虑该优化方案是否合理非常重要。毕竟，如果我们选择改变对输出影响很小或没有影响的参数，那么现有最复杂的 AI/ML 内核的加速程度将无法让我们得到有用的结果。然而，绘制 12 维图是不可能的。然而，对于任何空间，都可以找到一个映射，我们可以根据它生成等高线图和热图。自组织映射是一种使用无监督机器学习来查找映射的方法，该映射可确保具有相似参数的实验集聚集在一起，并将输入映射到使得空间拓扑在视觉上直观。请注意，自组织映射的垂直轴和水平轴是没有意义的。

在图 2 中，我们看到轴向偏移 (AXIAL_OFFSET)、功率 (Restart_U_POWER) 和护罩出口角度 (SHROUD_EXITANGLE) 的自组织映射。我们看到的是，功率和护罩出口角是相关的，高频带和低频带遵循大致相同的形状，而轴向偏移频带完全不相关。

图 2：轴向偏移、功率和护罩出口角的自组织图。重叠的红色区域表示功率和出射角密切相关

验证设计空间有意义后，使用替代模型和额外的 CFD 运行进行优化。每次 CFD 运行大约需要 45 分钟，因此最大限度地减少了完整 CFD 的使用。首先，使用计算成本低的替代模型执行内部优化循环，在尊重设计约束的同时寻求最佳功效。这导致新的候选人被确定。然后，对候选执行 CFD，并更新代理模型。执行该过程直到获得收敛。需要进行 22 次连续 CFD 运行才能全面优化设计，该过程在 24 小时内完成。

图3：功率优化

结果、总结和结论

优化后的设计比原始设计提高了近 1% 的功率。图 4 显示，这种改进主要是通过减少转子吸力侧的分离流区域来实现的。

图 4：新设计的马赫数等高线图

Cadence Fidelity 软件用于在严格的设计约束下设计和优化低压汽轮机级。Fine Agile、Fine Turbo和Fine Design3D一起使用，自动优化设计，比之前的设计实现了近1%的功率提升。Fine Design3D 环境中的数据分析工具，特别是自组织地图，被证明能够验证设计空间是否已正确参数化，以找到有用的最佳值。事实证明，代理建模与偶尔基于 CFD 的更新相结合能够在 24 小时内生成最佳解决方案。

文章来源：cadence博客