虹吸式出水管體型優(yōu)化設計研究

譚淋露，孫 楊

(1.江西省水利科學研究院，江西 南昌 330029；2.江西省水利職業(yè)學院，江西 南昌 330013)

虹吸式出水管體型優(yōu)化設計研究

譚淋露1，孫 楊2

(1.江西省水利科學研究院，江西 南昌 330029；2.江西省水利職業(yè)學院，江西 南昌 330013)

在數(shù)值模擬基礎上，利用神經(jīng)網(wǎng)絡算法對虹吸式出水管進行體型優(yōu)化設計，得到了參數(shù)與優(yōu)化目標之間的最優(yōu)解集，優(yōu)化方案解集相較于原方案，在虹吸性能和管內(nèi)流態(tài)方面均有明顯改善，可為虹吸式出水管設計提供參考。

虹吸式出水管；神經(jīng)網(wǎng)絡；數(shù)值模擬；水力優(yōu)化設計

虹吸式出水管能夠安全可靠地切斷泵站出流，避免機組長時間倒轉，因而應用廣泛。在目前的虹吸式出水管參數(shù)設計中，大多根據(jù)經(jīng)驗推定取值，或是參考已有的規(guī)模相近且水力性能較好的管道形線，缺乏系統(tǒng)的設計依據(jù)。

本文基于數(shù)值模擬，利用SPSS Clementine內(nèi)部的Exhaustive Prune神經(jīng)網(wǎng)絡模型對虹吸式出水管的主要設計參數(shù)進行了探討，以虹吸形成時間與虹吸穩(wěn)定后的水力損失為指標進行量化分析，綜合研究成果，對虹吸式出水管管道體型設計提出優(yōu)化方法[1-8]。

1 神經(jīng)網(wǎng)絡算法概述

人工神經(jīng)網(wǎng)絡是一種通過模擬腦神經(jīng)細胞的結構實現(xiàn)復雜信息處理的人工智能技術。它具有自組織、自學習、能夠分布并行處理及推理等特性，因而廣泛應用于控制優(yōu)化、故障診斷等領域。

如圖1所示，人工神經(jīng)網(wǎng)絡利用物理器件來模擬生物神經(jīng)網(wǎng)絡的結構和功能。中間的圓形部分模擬的是我們?nèi)四X中神經(jīng)元的中心——細胞體；在細胞體前有一個神經(jīng)元的主要接收器，模擬的是腦神經(jīng)元中的“樹突”，用來接收信息；在細胞體后的是用來傳導信息的“軸突”，軸突的末端與另一個細胞體或其樹突構成一種突觸的整體，從而通過突觸實現(xiàn)神經(jīng)元間信息的傳遞。

圖1 典型人工神經(jīng)元模型

大量人工神經(jīng)元組成的拓撲結構即圖2的神經(jīng)網(wǎng)絡模型。在神經(jīng)網(wǎng)絡中的處理單位可以分成一層層的不相交的子集，每一層的神經(jīng)元在傳遞函數(shù)的過程中有3種形式：一是輸入層：只接受信息的輸入；二是輸出層：將信息輸出，此輸出可能直接影響整個系統(tǒng)，也可能只影響系統(tǒng)外的其他系統(tǒng)；三是隱含層：信息的輸入與輸出都在系統(tǒng)中的單元。輸入層接收從外部環(huán)境到達信息的輸入，產(chǎn)生輸出，而后此輸出被用于隱含層的輸入，這個過程一直持續(xù)到滿足了某個特定條件進而輸出到外界環(huán)境。

圖2 典型神經(jīng)網(wǎng)絡模型

SPSS Clementine內(nèi)部擁有高級建模技術，包含各種神經(jīng)網(wǎng)絡，極易操作理解，并且可視化性能好，是一款適合無編碼基礎的人員選擇的軟件。其中Exhaustive Prune神經(jīng)網(wǎng)絡算法是建立一個大型的神經(jīng)網(wǎng)絡，隨著訓練的進行修剪隱藏層和輸入層。由于是徹底修剪，能夠徹底搜索神經(jīng)網(wǎng)絡的內(nèi)部空間，選出最好的模型，因而這種方法雖然較為緩慢，但常常生成的是最好的結果。

2 模型建立與模擬結果

2.1虹吸式出水管概況

虹吸式出水管的結構布置如圖3所示，在管道的型線結構中，上升段上升角、駝峰斷面高寬比、曲率半徑與下降段下降角對水力特性影響較大，是本文的研究對象。

圖3 虹吸式出水管管路模型

2.2計算模型

本文模擬的是水流進入管道，逐漸將空氣排出，水流形成穩(wěn)定虹吸的過程。在初始時刻，管內(nèi)主體為空氣，出水池中存有部分原始水體。模擬區(qū)域從水流進入上升段開始，至充滿出口段后出水池結束。采用四面體單元進行網(wǎng)格劃分，多相流模型混合模型，并采用了對彎曲流線運動支持較好的RNGk-ε進行數(shù)值模擬，采用SIMPLEC算法。進口邊界采用速度入口條件，出水池水面以上大氣進口設為壓強出口，管道內(nèi)部及出水池邊壁設為壁面邊界。用有限體積法對控制方程離散，將壓力、湍動能、湍動能耗散率布置于控制體中心，速度矢量布置于控制體表面。采用壓強速度耦合算法進行計算，選用SIMPLEC算法求解方程。

守恒方程為：

(1)

(2)

式(1)、(2)中：xi(i=1，2，3)為笛卡爾坐標系坐標；ui為速度矢量u在i方向的分量；gi為沿i方向的質量力；v為水的運動粘度系數(shù)；vt為渦粘性系數(shù)。

k-ε控制方程為:

(3)

(4)

其中：

μeff=μ+μt；

Cμ=0.0845,αk=αε=1.39；

C1ε=1.42,C2ε=1.68；

η0=4.377,β=0.012

2.3計算結果

2.3.1 虹吸形成過程 圖4為數(shù)值模擬的虹吸形成過程圖，水泵啟動后，水流沿著管道上升段上升，管內(nèi)氣體受壓擠向出口段水面，從出口段與出水池連接處排出。水流急劇翻越過峰頂后，快速下落，此時水氣相互摻和翻滾劇烈，氣體在水流的挾帶下間歇性排出。隨著空氣的逐漸排出，駝峰氣壓逐步由正壓轉為負壓，旋滾區(qū)逐漸減小，直至管內(nèi)氣體全部排出，虹吸形成過程完成。最終測得虹吸形成時間為36.3 s。

2.3.2 穩(wěn)定后流態(tài)觀測 在虹吸過程完全形成后，水流形成穩(wěn)定虹吸。圖5為均勻進水條件下，虹吸式出水管縱剖面水流流速圖。從圖5可知，上升段水流平順，駝峰段由于管口縮小，流速增大，彎管部分因管道形狀的變化流速以軸向流速為主，下大上小；下降段主流緊貼上壁，左下方存在脫流現(xiàn)象，尾部有較大范圍的回流，流態(tài)較為紊亂；出口段流速稍有調(diào)整，但分布不均。這些局部的不良流態(tài)對管道的安全高效運行會產(chǎn)生不良影響，因此對其體型進行主要設計參數(shù)研究非常必要。

圖4 虹吸形成過程圖

圖5 虹吸式出水管縱剖面圖

3 利用神經(jīng)網(wǎng)絡算法進行優(yōu)化

3.1創(chuàng)建數(shù)據(jù)樣本

采用SPSS 13.0軟件中正交設計功能，在設計向導中輸入?yún)?shù)和水平數(shù)，取得16組樣本，通過流體動力學仿真，得到《正交實驗結果》特征樣本集用以訓練神經(jīng)網(wǎng)絡。得到樣本如表1所示。

同時，將其他可能的組合交互變化組成預測樣本。

表1 正交實驗特征樣本及結果

3.2選擇模型

如圖6所示，采用SPSS Clementine中提供的Exhaustive Prune神經(jīng)網(wǎng)絡算法建立模型，將以上《正交實驗結果》導入，分別以虹吸形成時間T權重與水力損失S權重為50%與50%、40%與60%、30%與70%、20%與80%、10%與90%作為目標建立Exhaustive Prune神經(jīng)網(wǎng)絡模型。

圖6 神經(jīng)網(wǎng)絡模型建立設計圖

如圖7所示，將所建立的模型投入到預測樣本中運行，對預測樣本結果進行選擇，即得到各優(yōu)化目標下的優(yōu)化結果，將5組優(yōu)化結果對比取交集得到優(yōu)化解集。

各優(yōu)化解集中相同解匯集成表2，即虹吸式出水管的優(yōu)化方案解集。

3.3優(yōu)化結果驗證

將得出的優(yōu)化解集中的各優(yōu)化方案進行數(shù)值模擬，分別得出各優(yōu)化方案下虹吸式出水管的水流流動情況(圖8)。

表2 優(yōu)化解集

如圖9、圖10所示，在虹吸式出水管的各優(yōu)化方案中，水流在上升段內(nèi)流速分布均勻，流態(tài)較好；駝峰段由于管口逐漸縮小，流速加大，彎管部分流勢明顯，下大上小，均勻轉向，且無原始設計方案中大于3.6 m/s的流速，說明流速均勻度有所提高；下降段雖仍存有脫流現(xiàn)象，但回流區(qū)較原方案均有明顯減小，水流平順，流態(tài)有較大改善；出口段流速分布基本均勻。與原方案相比，優(yōu)化方案上升段和駝峰段流道線型光滑平順，流速分布較為均勻，下降段雖仍有稍許回流、漩渦現(xiàn)象，但有所緩解，出口段高流速集中在靠近管壁上方位置，流速均勻度有所提高。總體而言，各優(yōu)化方案較原方案流速分布有明顯提高。

圖7 優(yōu)化樣本數(shù)據(jù)流程設計圖

圖8 各虹吸管優(yōu)化方案剖面流速分布圖

圖9 各虹吸管優(yōu)化方案駝峰斷面等值線圖

圖10 各虹吸管優(yōu)化方案出口斷面等值線圖

如圖11所示，各優(yōu)化方案虹吸形成時間較原型的虹吸形成有所增長，但漲幅不大，而水力損失則有較大幅度的降低。在神經(jīng)網(wǎng)絡模型的建立中，水力損失的優(yōu)化比重設置均大于虹吸形成時間，而這兩目標函數(shù)在某些設計參數(shù)的影響方向上是相異的，這樣就導致了最優(yōu)解的解集結果為水力損失有較大減小，但虹吸形成時間略有增長。可觀察到無論是虹吸形成時間還是水力損失，預測數(shù)據(jù)均小于實測數(shù)據(jù)，雖兩者差值不均，但趨勢較為相近。

4 結論

原方案中下降段出現(xiàn)的脫流、回流等現(xiàn)象與出口斷面流速分布不均現(xiàn)象在各優(yōu)化方案中都有很大改善，從而各優(yōu)化方案水力損失較原方案也有所減小，雖虹吸形成時間略有增長，但總體而言各優(yōu)化方案對虹吸式出水管水力特性均有改善，證明了利用神經(jīng)網(wǎng)絡算法優(yōu)化體型這一方法路徑是行之有效的。

圖11 各虹吸管優(yōu)化方案量化對比圖

[1] 于永海，徐輝，陳毓陵，等.城市排污泵站虹吸式出水管水力瞬變過程現(xiàn)場試驗分析[J].給水排水，2005，31(9)：86-87,88.

[2] 戴紅霞.駝峰后帶長直管的泵站虹吸式出水流道水力特性研究[D].南京：河海大學，2006.

[3] 馮建剛.城市排水泵站虹吸式出水管水力特性研究[D].南京：河海大學，2010.

[4] 習和忠,王常生,陳秀玉.虹吸式輸水管道駝峰斷面上壓強分布的計算[J].水運工程,1987(7):8-12.

[5] 姜俊紅,戴紅霞.駝峰后帶長直管虹吸式出水流道的水力特性試驗研究[J].中國農(nóng)村水利水電,2008(8):130-132.

[6] 徐輝，史旻.淺論數(shù)據(jù)挖掘技術及其應用[J].計算機光盤軟件與應用，2012(5):119.

[7] 林耀斌，杜友福.基于Clementine神經(jīng)網(wǎng)絡的商品促銷效果預測模型應用[J].電腦知識與技術，2009,5(34):9790-9792.

[8] 張帆.基于Clementine的廣告客戶數(shù)據(jù)挖掘模型設計與實現(xiàn)[D].北京:北京郵電大學，2010.

(責任編輯：曾小軍)

StudyonOptimumDesignofSiphonicOutletPipeShape

TAN Lin-lu1, SUN Yang2

(1. Jiangxi Academy of Hydraulic Science, Nanchang 330029, China;2. Jiangxi Water Conservancy Vocational Institute, Nanchang 330013, China)

On the basis of numerical simulation, we studied the optimum design of siphonic outlet pipe shape by using the neural network algorithm, and obtained the optimal solution set between the parameters and the optimized target. In comparison with adopting the original scheme, adopting the optimized solution-set scheme obviously improved the siphonic performance and interior flow type of outlet pipe. This study can provide reference for the design of siphonic outlet pipe.

Siphonic outlet pipe; Neural network; Numerical simulation; Hydraulic optimized design

TV675

A

1001-8581(2017)12-0102-05

2017-07-10

國家自然科學基金資助項目(51009051)；上海市力學在能源工程中的應用重點實驗室開放基金。

譚淋露(1988─)，女，江西高安人，碩士，主要從事農(nóng)業(yè)水土工程研究。