西安交通大学席光教授团队 | 组合式智能模型、71参数、9种设计目标实现大流量系数斜流压缩机整机全工况多学科优化设计

发布时间：2026-11-09来源：中国科学杂志社

关键词

原文信息

张勇, 姬成, 李国豪, 等. 大流量系数斜流压缩机全工况多学科优化及结果分析. 中国科学: 技术科学, 2026, 56(5): 1256-1271. DOI: 10.1360/SST-2025-0185.

研究内容

大流量系数斜流压缩机鉴于其较为严苛的气动和强度要求带来的复杂多学科特性, 给设计开发造成困难, 采用传统设计方法性能偏差大、容错率低、开发周期长.

为了解决这一问题, 西安交通大学席光教授团队发展了适用于离心/斜流叶轮的全工况多学科智能优化体系, 综合考虑了效率、压比、堵塞裕度、失速裕度、最大应力、最大变形量、最大径向变形量、蜗壳性能损失、叶轮外径约束等多种设计目标, 从系统上解决了复杂的设计问题, 使得优化结果直接满足实际工程需要.

图1 组合式多学科智能代理模型

本文创新点

1. 在以往“叶轮+扩压器”优化的基础上, 进一步在优化过程中考虑下游蜗壳匹配问题, 并建立了新的样本计算流程, 减小了60%带蜗壳计算的成本.

图2 优化前后叶轮几何对比：(a)基线叶轮(b)优化叶轮

2. 在全工况预测模型的基础上, 发展并建立了组合式多学科智能代理模型, 采用力学模型、堵塞模型、工作模型、蜗壳模型组合预测, 在优化过程中综合考虑了效率、压比、堵塞裕度、失速裕度、最大应力、最大变形量、最大径向变形量、蜗壳性能损失、叶轮外径约束等多种设计目标, 使得优化结果能够满足工程实际需要.

图3 优化前后性能对比：(a)气动性能对比(b)力学性能对比

3. 为大流量系数(流量系数达0.225)斜流叶轮的复杂设计问题提供了较为通用的智能化解决方案, 完成了难以兼具气动和力学良好性能的基线叶轮的优化设计问题, 并采用机器学习可解释性方法SHAP分析了71个参数对9种性能指标的具体贡献, 揭示了复杂优化下的参数调控机制.

图4 优化前后全部参数对各性能提升的贡献的SHAP分析

扫描二维码，下载相关文章

Energy and Power Engineering

转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。