Resumen

La deformación es un importante modo de fallo de los álabes de las turbinas. La calidad de un modelo influye seriamente en la optimización de la fiabilidad de los álabes de turbina en las turbomáquinas. Para mejorar la optimización de la fiabilidad de los álabes de las turbinas, este artículo propone un nuevo enfoque de optimización de la fiabilidad basado en el aprendizaje automático, denominado método de regresión de vectores de soporte (ISRM) mejorado, mediante la fusión de la colonia de abejas artificial (ABC), el modelo SR tradicional y el algoritmo genético multipoblacional (MPGA). En este método propuesto, se aplicó el algoritmo ABC para encontrar los parámetros óptimos en el modelo SR para establecer un ISRM preciso, siguiendo el pensamiento del método del modelo sustituto y la aleatoriedad de las restricciones. A continuación, el modelo de optimización de la fiabilidad y el procedimiento con el método ISRM fueron resueltos por el MPGA. Con respecto a muchos parámetros de diseño (es decir, la velocidad del rotor, la temperatura y la presión aerodinámica), el objetivo de diseño (es decir, la deformación de las palas) y las restricciones de aleatoriedad del grado de fiabilidad y las condiciones de contorno, realizamos la optimización de la fiabilidad de la deformación de las palas de una turbina. A partir de los resultados de la optimización, encontramos que la deformación del álabe de la turbina se reduce en 0,09329 mm, y el método de aprendizaje ISRM puede mejorar el diseño de optimización de la fiabilidad de las estructuras complejas con el énfasis en la precisión del modelado y la eficiencia de la optimización. Los trabajos de este artículo proporcionan un enfoque de optimización de la fiabilidad basado en el aprendizaje automático para la optimización de la fiabilidad de estructuras complejas y enriquecen y desarrollan la teoría y los métodos de fiabilidad mecánica.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:optimización de la turbina, enfoque de optimización de la fiabilidad, pala de la turbina, deformación de la pala de la turbina, optimización de la fiabilidad, estructura compleja, métodos de aprendizaje de isrm, restricciones de la fiabilidad, muchos parámetros de diseño, métodos de modelos sustitutos
• Keywords:optimization of turbine, reliability optimization approach, turbine blade, turbine blade deformation, reliability optimization, complex structure, isrm learning methods, constraints of reliability, many design parameters, surrogate model methods