Inverse Methode für die Schaufel von Zentrifugalpumpen basierend auf Gaussian-Prozess-Regressionsanalysen

Das inverse Problem ist eines der wichtigen Themen im Bereich der Fluidmaschinen aufgrund der komplexen Beziehung zwischen Schaufelform, hydraulischer Leistung und innerer Strömungsstruktur. Basierend auf der bayes'schen Theorie der posterioren Wahrscheinlichkeit, die aus der bekannten prioren Wahrscheinlichkeit abgeleitet wird, wurden die inversen Methoden für die Schaufel von Zentrifugalpumpen basierend auf der Einzelausgabe-Gaussian-Prozess-Regression (SOGPR) und der Mehrfachausgabe-Gaussian-Prozess-Regression (MOGPR) vorgeschlagen. Der Trainingsdatensatz besteht aus den Schaufelparametern und der Verteilung von Strömungsparametern. Die Hyperparameter in den Modellen des inversen Problems wurden mittels der Maximum-Likelihood-Schätzung und dem Gradientenabstiegsalgorithmus trainiert. Die zur Ziel-Schaufellast passende Schaufelform kann durch die trainierten Modelle des inversen Problems erreicht werden. Die MH48-12.5 Zentrifugalpumpe mit niedriger spezifischer Drehzahl wurde gewählt, um die vorgeschlagenen inversen Methoden zu verifizieren. Die Zuverlässigkeit und Genauigkeit beider Modelle des inversen Problems wurden durch die Durchführung der Leave-One-Out (LOO) Kreuzvalidierung und die Analyse der Extrapolationsmerkmale bestätigt und verglichen. Die Ergebnisse zeigen, dass die Schaufelformen innerhalb des Stichprobenraums von beiden Modellen genau rekonstruiert werden können. Die Mittelwertquadratischen Fehler des MOGPR-Modells für das inverse Problem der Schaufel sind im Allgemeinen niedriger als die des SOGPR-Modells im Rahmen der LOO-Kreuzvalidierung. Die Extrapolationsmerkmale des MOGPR-Modells für das inverse Problem sind besser als die des SOGPR-Modells, da die Korrelation zwischen den Schaufelparametern vollständig durch die Korrelationsmatrix des MOGPR-Modells berücksichtigt werden kann. Die vorgeschlagenen inversen Methoden können das inverse Problem der Zentrifugalpumpenschaufel effizient mit ausreichender Genauigkeit lösen.