[论文解读] Multidiscipinary Optimization For Gas Turbines Design

Francesco Bertini, Lorenzo Dal Mas+2 more|arXiv (Cornell University)|Feb 3, 2014

Advanced Multi-Objective Optimization Algorithms参考文献 6被引用 3

一句话总结

本文提出了一种用于航空发动机衍生型低压涡轮（LPT）的多学科优化框架，整合了基于梯度的方法、元启发式方法以及响应面方法，包括一种人工蜂群优化器、一种多目标遗传多样性进化算法，以及基于神经网络的响应面模型，以提升设计效率与性能。通过方法的混合与并行化，该方法在真实初步设计基准上实现了更优的收敛性与解的质量。

ABSTRACT

State-of-the-art aeronautic Low Pressure gas Turbines (LPTs) are already characterized by high quality standards, thus they offer very narrow margins of improvement. Typical design process starts with a Concept Design (CD) phase, defined using mean-line 1D and other low-order tools, and evolves through a Preliminary Design (PD) phase, which allows the geometric definition in details. In this framework, multidisciplinary optimization is the only way to properly handle the complicated peculiarities of the design. The authors present different strategies and algorithms that have been implemented exploiting the PD phase as a real-like design benchmark to illustrate results. The purpose of this work is to describe the optimization techniques, their settings and how to implement them effectively in a multidisciplinary environment. Starting from a basic gradient method and a semi-random second order method, the authors have introduced an Artificial Bee Colony-like optimizer, a multi-objective Genetic Diversity Evolutionary Algorithm [1] and a multi-objective response surface approach based on Artificial Neural Network, parallelizing and customizing them for the gas turbine study. Moreover, speedup and improvement arrangements are embedded in different hybrid strategies with the aim at finding the best solutions for different kind of problems that arise in this field.

研究动机与目标

• 为解决由于设计成熟度高而导致的先进航空发动机衍生型低压涡轮（LPT）改进空间狭窄的问题。
• 在初步设计（PD）阶段内，开发并实施针对复杂多目标涡轮设计问题的先进优化策略。
• 整合并定制基于梯度的方法、元启发式方法以及响应面方法，以实现燃气轮机中有效的多学科设计优化（MDO）。
• 通过优化算法的混合与并行化，提升解的质量与收敛速度。
• 在真实、具有工业相关性的LPT设计基准上，验证这些方法的有效性。

提出的方法

• 采用基于梯度的方法作为多学科设计空间中局部优化的基线。
• 实施一种半随机的二阶方法，以提升相较于基础梯度方法的收敛性。
• 引入一种类似人工蜂群（ABC）的优化器，以探索复杂且非凸的设计空间。
• 应用一种多目标遗传多样性进化算法（GDEA），以保持种群多样性并找到Pareto最优解。
• 开发一种基于人工神经网络（ANN）的多目标响应面模型，以近似复杂的性能映射关系。
• 对算法进行混合与并行化处理，以加速收敛性，并在不同设计场景下提升鲁棒性。

实验结果

研究问题

• RQ1 如何有效结合基于梯度与元启发式优化方法，以提升燃气轮机设计中的收敛性与解的质量？
• RQ2 基于神经网络的响应面模型对多学科涡轮优化的准确性与效率有何影响？
• RQ3 在进化算法中保持遗传多样性如何增强对稳健且Pareto最优涡轮设计的发现能力？
• RQ4 优化策略的混合与并行化在复杂真实LPT设计问题中能在多大程度上提升性能？
• RQ5 多目标优化框架能否有效平衡燃气轮机设计中效率、重量与耐久性等相互冲突的设计目标？

主要发现

• 与单一方法相比，混合优化框架在复杂多目标设计空间中显著提升了收敛速度与解的质量。
• 类似人工蜂群的优化器在处理涡轮气动外形优化中常见的非凸设计空间时，展现出强大的探索能力。
• 多目标遗传多样性进化算法有效维持了种群的高多样性，从而实现了在多个竞争目标之间分布良好的Pareto前沿。
• 基于ANN的响应面模型能够有效近似复杂的性能关系，在保持精度的同时降低计算成本。
• 优化流程的并行化带来了可测量的速度提升，使初步设计阶段的迭代与评估更加迅速。
• 将多种优化策略整合到统一框架中，被证明在处理真实燃气轮机设计问题的多学科复杂性方面非常有效。