机器学习加速离心泵设计

在这篇博文中，我们展示了如何在离心泵的设计过程中使用机器学习来优化扩散器的几何形状。AI 模型使用来自一流仿真工具的数据进行训练，这些工具产生的可靠数据与实验验证结果非常吻合。使用基于仿真数据的训练有素的 AI 模型，工程师可以通过即时反馈来探索扩散器参数变化的影响。

介绍

离心泵广泛用于泵送低粘度流体，如水、油和许多工业化学品。离心泵由一个中央入口和一个旋转叶轮组成，叶轮加速流体并迫使流体沿着泵的外缘通过出口。离心泵通常还包括扩散器：泵内的固定叶片，可减慢流体速度并增加压力，同时增加流动的均匀性。这些扩散器的精确几何形状会影响泵的性能和效率。

离心泵设计中的挑战

离心泵广泛用于工业应用，如石油泵、水和污水处理以及工业化学设施。它们在机械上很简单，能够有效地移动低粘度流体。但是，必须保持流量均匀以保持负载恒定。不均匀的流量会迫使泵超出其最佳工作范围，并增加轴上的噪音和疲劳。

因此，泵内部经常使用扩散器。它们采用定子的形式，其弯曲的叶片以相反的方向围绕叶轮排列。扩散器必须能够调节和减慢流体流动，同时最大限度地减少湍流效应，例如由流动与扩散器叶片的相互作用引起的流动分离。泵的性能在很大程度上取决于扩散器、叶轮和蜗壳的设计，以及叶轮和扩散器之间的相互作用。

离心泵的 3D 模型，突出显示了主要部分。流体从入口进入，并由叶轮驱动通过扩散器到达出口。

欧洲流动、湍流和燃烧研究社区（ERCOFTAC）为建模和模拟社区开发了一个开源的泵模型，以创建最佳实践并改进方法。由于这已经通过实验和模拟得到验证，因此这是一个很好的测试用例，可以展示机器学习的优势。

离心泵扩散器优化

泵模型的特写。

该优化研究侧重于扩散器几何形状。这里有四个参数需要改变：叶片厚度、弦长、入口角和出口角。这些之间复杂的相互依赖关系意味着在优化中需要同时考虑所有这些因素。模拟是使用 CFD 工具执行的。3DEXPERIENCE 平台.

左上：前缘角度可以定义流向变化的锐度

左下：后缘角度可以定义流向变化的程度

右上：叶片的厚度可以定义流动的收缩或膨胀

右下：弦或叶片的弯曲长度在流动分离中起重要作用

使用完整的计算流体动力学 （CFD） 模拟这些参数的所有可能组合将非常耗时。有时使用一维模拟来降低计算要求，但这些模拟的结果很差。相反，我们转向了机器学习 （ML）。可以使用完整 CFD 仿真结果的样本来训练替代 AI 模型，以复制具有不同参数的泵内流动的行为。然后，根据进一步的仿真和物理测试对生成的模型进行了验证，并显示出与完整仿真数据和测量数据的完美一致性。

经过训练的 AI 模型能够在几分钟内为指定范围内的任意参数组合提供 CFD 数据 2% 以内的结果。这为工程师提供了有关设计更改影响的快速反馈，使他们能够考虑大量场景以加快设计决策。借助此机器学习模型支持的设计探索，工程师可以快速找到最符合其设计要求的权衡。

结论

提高离心泵的性能可以提高效率，同时降低噪音并延长疲劳寿命。CFD 仿真揭示了设计变化对泵性能的影响，机器学习可用于根据这些结果训练生成式 AI 体验模型。该模型可以快速预测不同参数组合的性能，并指导工程师快速找到满足其要求的最佳泵设计。通过将 CFD 仿真和机器学习相结合，工程师可以更快地开发产品，并获得有关设计更改对性能影响的快速、可靠的反馈。

Ani Rajagopal 自 2019 年以来一直担任 SIMULIA 的行业流程顾问，在 Exa Corporation 整合后加入 Worldwide Fluids 团队。凭借近8年的流体和热科学专业知识，他在支持包括工业设备和运输与移动出行在内的所有行业的客户方面发挥着专家的作用。在 SIMULIA Fluids 全球团队中任职期间，他专注于通过物理测试增强流体解决方案，并部署这些解决方案来优化客户流程，特别是通过自动化。最近，他一直是 SIMULIA AI/ML 计划核心验证小组的关键成员，特别是流体相关应用。

John Higgins 是 SIMULIA 的行业流程顾问。他于 2019 年加入达索系统，当时 Exa Corporation 整合。John 在流体和热科学领域拥有超过 10 年的经验，在此期间，他从事过售前、售后支持和服务工作。他拥有支持所有行业客户的经验，包括运输与移动性、工业设备以及航空航天与国防。在目前的职位上，他专注于通过开发首创的工艺、物理验证测试和部署流体解决方案来优化客户工艺来增强流体解决方案。最近，他一直是 SIMULIA AI/ML 计划核心验证小组的关键成员，特别是流体相关应用。