Многокритериальная оптимизация химического состава высокотемпературных сталей
Партнёры: Florida International University и University of Texas at Arlington (США) Инструмент: IOSO NM Технический кейс: «Многокритериальная оптимизация химического состава сплавов с использованием IOSO» / «Multi-objective Optimization of Alloy Chemical Composition for Target Mechanical Properties Using IOSO Technology» Отрасль Материаловедение. Разработка жаропрочных аустенитных сталей для высокотемпературных применений — энергетика, авиация, химическая промышленность. Задача Найти оптимальный химический состав стального сплава (концентрации легирующих элементов), обеспечивающий одновременную оптимизацию нескольких конкурирующих свойств материала: Максимальная прочность на растяжение (Stress, PSI — максимизировать) Максимальная рабочая температура (T — максимизировать) Максимальное время до разрушения под нагрузкой (Hours — максимизировать) Минимальная стоимость исходных компонентов (Cost — минимизировать) Минимальная плотность сплава (Density — минимизировать) Исходные ограничения и сложности Пространство переменных: концентрации 17 легирующих элементов — C, S, P, Cr, Ni, Mn, Si, Cu, Mo, Pb, Co, Cb, W, Sn, Al, Zn, Ti — каждый из которых может присутствовать в составе или отсутствовать вовсе (дискретная переменная «да/нет») Задача имеет двухуровневую структуру: внешний оптимизатор (дискретный) перебирает возможные наборы присутствующих элементов (химическую структуру), внутренний оптимизатор находит оптимальные концентрации для каждой заданной структуры Ряд легирующих элементов (например, никель, кобальт) значительно дороже остальных — что создаёт реальный конфликт между прочностью и стоимостью Зависимость свойств сплава от состава — нелинейная многоэкстремальная функция многих переменных; аналитической модели не существует — данные берутся из экспериментальной базы или математической модели свойств сплавов Подход и решение Использована двухуровневая оптимизационная схема: Внешний дискретный оптимизатор задаёт «химическую структуру» — набор элементов, которые будут присутствовать в сплаве (каждый: да или нет). Для каждой такой структуры IOSO (внутренний оптимизатор) по базе данных или математической модели находит оптимальные концентрации этих элементов, минимизируя стоимость при заданных ограничениях на механические свойства. Результатом является множество Парето оптимальных структур и соответствующих им составов. Для демонстрации были заданы предустановленные требования: прочность ≥ 4000 PSI, рабочая температура ≥ 1800°F, время до разрушения ≥ 6000 часов. Критерии оптимизации — минимизация концентраций Cr и Ni как наиболее дорогостоящих компонентов. Результаты Получены пять оптимальных составов с разным числом компонентов (от 7 до 10 легирующих элементов), все удовлетворяющие заданным ограничениям по механическим свойствам: Число компонентов C Mn Mo Cb W Ti Cr% Ni% 10 0,529 1,21 0,065 1,344 0,199 0,014 ~31 ~20 9 0,329 0,894 0,061 1,026 0,188 0,048 ~28 ~26 7 0,527 1,21 0,021 — 0,281 0,032 ~28 ~24 9 0,506 0,879 0,053 0,839 0,37 0,001 ~25 ~35 8 0,457 0,977 0,013 1,367 0,476 0,059 ~20 ~40 Построены кривые Парето «плотность — стоимость» для разных требований к времени до разрушения (от 1000 до 7000 часов) при ограничениях Stress > 3000 PSI и Temperature > 1800°F. Кривые наглядно показывают, как ужесточение требования по долговечности смещает фронт в сторону более дорогих и плотных составов. Ценность для заказчика Замена многолетнего эмпирического подбора составов сплавов систематическим многокритериальным поиском — сокращение числа экспериментальных плавок и испытаний Инструмент позволяет одновременно учитывать стоимость, вес и механические свойства, а не оптимизировать их последовательно Метод масштабируется на любые классы сплавов: коррозионностойкие стали, жаропрочные никелевые сплавы, алюминиевые сплавы — и может учитывать дополнительные требования: коррозионную стойкость, особенности микроструктуры, режимы термообработки, технологичность Дискретная переменная «присутствие элемента в составе» позволяет исследовать не только концентрации, но и принципиальные решения о составе системы легирования
Оптимизация профиля скорости поршня в процессе литья под давлением (HPDC)
Заказчик / автор: XC Engineering srl, Италия (Stefano Mascetti) Консультант по оборудованию: Bühler AG, Швейцария — мировой лидер в производстве машин для литья под давлением Инструмент: IOSO NM + FLOW-3D Технический кейс:«Оптимизация скорости поршня в процессе литья под давлением: первая фаза заполнения «/ «Optimal Piston Velocity Profile in HPDC First-Phase Sleeve Process Using FLOW-3D and IOSO NM» Отрасль Литейное производство. Высокоскоростное литьё под давлением (HPDC — High Pressure Die Casting). Задача актуальна для всех производителей алюминиевых, цинковых и магниевых отливок, использующих машины Bühler и аналогичное оборудование. Задача Найти оптимальный профиль скорости поршня во время первой фазы заполнения камеры прессования (shot sleeve) — то есть закон изменения скорости поршня в зависимости от его положения, — обеспечивающий одновременно: Минимальное время первой фазы процесса (скорость → качество металла, меньше охлаждение и окисление) Минимальное захватывание воздуха металлическим расплавом (Air Entrainment → качество отливки, меньше пористость) Оба критерия равнозначны и при этом принципиально противоречат друг другу. Исходные ограничения и сложности Фундаментальное противоречие: быстрое движение поршня сокращает время процесса и снижает охлаждение металла, но вызывает разрушение поверхности волны и захват воздуха; медленное движение даёт гладкую поверхность волны, но увеличивает время процесса до 1,1–1,5 секунды, что означает повышенное охлаждение металла и его окисление — то есть более высокую стоимость при более низком качестве Физика процесса крайне нелинейна: волна металла движется вдоль камеры, отражается от стенок, суммируется и разрушается непредсказуемым образом Существующие одномерные и двумерные аналитические методы дают приближённое решение; трёхмерное моделирование принципиально точнее, но требует управления через оптимизатор Современные машины HPDC позволяют задавать профиль скорости поршня до 20 точками «ход–скорость», что открывает огромное пространство возможных комбинаций, недоступное ручному перебору Задача имеет сложную нелинейную топологию пространства параметров Подход и решение Связка IOSO NM + FLOW-3D: IOSO выбирает очередной профиль скорости поршня, FLOW-3D выполняет полный трёхмерный расчёт турбулентного движения металла в камере прессования и извлекает показатели качества выстрела, IOSO интерпретирует результаты и генерирует следующий вариант. Параметры задачи: 10 независимых переменных — 6 точек положения поршня и 6 соответствующих значений скорости (начальная и конечная точки фиксированы). Два критерия оптимизации: время первой фазы (1stPhaseTime) и захватывание воздуха (AirEntrained). Результат — не одна точка, а кривая Парето всех наилучших компромиссных решений. Машина для расчёта: обычный настольный компьютер. Расчёт продолжался около 4 рабочих дней при суммарном числе вызовов FLOW-3D порядка 2000. Уже после первого дня работы были найдены хорошие решения; сходимость фронта Парето достигнута к концу второго дня. В дальнейшем IOSO только уточнял и делал решения более робастными. Результаты Фронт Парето охватил широкий диапазон компромиссных решений с двумя хорошо определёнными крайними точками. Ключевой вывод по времени процесса: максимальное время первой фазы среди всех найденных оптимальных решений составило не более 0,9 секунды — это примерно на 30% быстрее, чем традиционный подход с медленным движением поршня (1,1–1,5 сек), применяемый для предотвращения разрушения волны. Для крайней точки Парето с минимальным захватыванием воздуха значение AirEntrained стремится практически к нулю. Найденный оптимальный профиль скорости поршня оказался близок к профилю, применяемому на машинах Bühler на основе производственного опыта: медленный длительный разгон → постоянная скорость → резкое ускорение в финале. Это одновременно подтверждает корректность инженерной интуиции и показывает, что найденный профиль является лучшим среди всех похожих. Дополнительная валидация: отдельная однокритериальная оптимизация (только минимизация захваченного воздуха, без ограничения на время) дала результат, отличающийся от двухкритериального расчёта лишь на 2% — это доказывает, что найденная точка Парето реально близка к абсолютному минимуму по данному критерию. Физическая интерпретация оптимального профиля: поршень управляет волной металла, постепенно увеличивая её крутизну без разрушения; при достижении критического угла — ускоряется, чтобы не дать волне упасть и образовать воздушные пузыри. Ценность для заказчика Получен научно обоснованный оптимальный закон движения поршня вместо эвристических правил — с полным описанием компромисса между скоростью процесса и качеством отливки Процесс на 30% быстрее традиционного «медленного» подхода при сопоставимом качестве поверхности — прямая экономия на времени цикла и температуре металла Фронт Парето из нескольких десятков точек позволяет оператору осознанно выбирать настройку машины под конкретные требования производства Трёхмерное моделирование в FLOW-3D позволяет точнее предсказать критический угол разрушения волны, чем упрощённые 1D/2D методы — решение ближе к физическим пределам Подход применим к конкретным конструкциям литниковых систем; для общего случая рекомендуется дополнить задачей Robust Design Optimization (RDO) для оценки устойчивости решения к производственным отклонениям
Многокритериальная оптимизация аэродинамики автомобильного бокса на крышу
Инструмент: IOSO NM + Pro/Engineer + ANSYS ICEM CFD + ANSYS CFX Кейс по оптимизации: «Многокритериальная оптимизация геометрии автомобильного багажника: аэродинамика и объём» / «Multi-objective Geometry Optimization of Car Bag: Aerodynamic Drag and Volume» Отрасль Автомобильная промышленность. Проектирование навесного оборудования для легковых автомобилей — автомобильных боксов на крышу (roof cargo box / car bag). Задача Найти оптимальную геометрию корпуса автомобильного бокса на крышу, обеспечивающую одновременно два конкурирующих критерия: Минимизация аэродинамического сопротивления (Fx → MIN) — снижает расход топлива при езде Максимизация объёма (S → MAX) — увеличивает полезную вместимость Скорость обдува: V = 50 м/с. Переменные: геометрия корпуса, 4 параметра. Исходные ограничения и сложности Задача принципиально двухкритериальная с противоречивыми целями: более обтекаемая форма с низким сопротивлением, как правило, имеет меньший объём, и наоборот — широкий вместительный бокс создаёт большое лобовое сопротивление Для каждой итерации требовался полный цикл: перестроение параметрической геометрии в Pro/Engineer, автоматическое создание расчётной сетки в ANSYS ICEM CFD и CFD-расчёт обтекания в ANSYS CFX — то есть цикл из трёх последовательных программ Необходимо было не найти одну «лучшую» точку, а построить весь фронт компромиссных решений Парето, чтобы конструктор мог осознанно выбирать между вместимостью и аэродинамикой Подход и решение IOSO NM управлял полностью автоматизированным трёхэтапным вычислительным циклом: Pro/Engineer — параметрическое изменение геометрии бокса по вектору переменных от IOSO (жёлтые параметры — переменные, красные — постоянные) ANSYS ICEM CFD — автоматическое построение расчётной сетки вокруг новой геометрии ANSYS CFX — CFD-расчёт аэродинамики, получение значений Fx и S Результаты возвращались в IOSO NM для обновления аппроксимационной модели и генерации следующей точки Результаты За ~200 вызовов расчётного цикла IOSO построил фронт Парето из 20 точек, охватывающий весь спектр компромиссных решений между аэродинамикой и вместимостью: Точка Парето Аэродинамическое сопротивление Fx Объём S N1 (минимум сопротивления) 2,28 51 650 N7 (компромисс) 3,1 61 432 N11 (компромисс) 3,85 71 470 N13 (компромисс) 5,36 75 967 N20 (максимум объёма) 9,63 77 135 Диапазон найденных решений: Аэродинамическое сопротивление варьируется более чем в 4 раза (от 2,28 до 9,63) Объём варьируется более чем в 1,5 раза (от 51 650 до 77 135) Для каждой точки Парето ANSYS CFX предоставляет детальные картины распределения скорости и давления вокруг корпуса бокса, позволяющие физически понять характер обтекания для каждого компромиссного решения. Ценность для заказчика Конструктор получает не одно «оптимальное» решение, а полную карту компромиссов между аэродинамикой и вместимостью — 20 точек Парето с детальной геометрией и CFD-картинами для каждой Полностью автоматизированный цикл из трёх разных программ (Pro/Engineer → ANSYS ICEM CFD → ANSYS CFX) работает без участия человека на каждой итерации При ручном переборе геометрий инженер мог бы исследовать единицы вариантов; IOSO исследует пространство из 200 расчётных точек и строит оптимальный фронт Подход демонстрирует универсальность IOSO: он одинаково эффективно работает как с авиационными двигателями, так и с потребительскими товарами — любой задачей, где есть параметрическая геометрия и расчётный код
Оптимальная калибровка микропроцессорной системы управления двигателем ВАЗ-2110
Заказчик: АвтоВАЗ, ЗМЗ, УМЗ (российские автомобильные заводы) Инструмент: IOSO NM (работа с реальным физическим стендом) Прикладной кейс: «Оптимальная калибровка системы управления двигателем ВАЗ-2110 с использованием IOSO» / «Optimal Calibration of VAZ-2110 Engine Control System Using IOSO Technology» Отрасль Автомобилестроение. Калибровка электронных систем управления бензиновыми двигателями для снижения токсичности выхлопа и улучшения топливной экономичности. Задача Найти оптимальные параметры настройки микропроцессорной системы управления двигателем ВАЗ-2110 с распределённым впрыском, обеспечивающие: минимальный выброс коэффициента избытка воздуха α (воздушно-топливного отношения) при разгоне и сбросе газа минимальный расход топлива при соблюдении ограничений по токсичности (CO, NO, CH) Задача решалась двухэтапно: на первом этапе оптимизировался выброс α при разгоне (ограничение на выброс при сбросе газа), на втором — при сбросе газа (ограничение на выброс при разгоне). Исходные ограничения и сложности Задача решалась на реальном физическом стенде АвтоВАЗ — каждый эксперимент требовал физического запуска и замера на двигателе, то есть был дорогостоящим по времени Коэффициент α зависит от большого числа взаимосвязанных параметров настройки системы управления, которые инженеры традиционно подбирают вручную методом проб и ошибок Традиционный подход требовал порядка 200 экспериментов для достижения стабильного α при переходных режимах Система управления двигателем включала: электронную систему подачи топлива с обратной связью по λ-зонду, систему управления углом опережения зажигания, систему управления интенсивностью турбулентного потока (заслонки во впускном коллекторе), систему оптимального управления рециркуляцией ОГ Подход и решение IOSO применялся непосредственно для управления физическим экспериментом на стенде: алгоритм выдавал значения трёх управляющих параметров (воздушно-топливное отношение, угол опережения зажигания, рециркуляция ОГ), инженер реализовывал эти настройки на двигателе, измерял результат и передавал его обратно в IOSO. Параметры задачи: 3 переменных, 1 ограничение. Задача решалась в два этапа: 19 экспериментов на первом этапе и 2 эксперимента на втором. Результаты Оптимальная калибровка достигнута всего за ~20 экспериментов против ~200 при традиционном ручном подборе — ускорение в 10 раз Выброс α при переходных режимах (разгон и сброс газа) минимизирован: графики показывают полное устранение характерного пика воздушно-топливного отношения, наблюдавшегося в исходном варианте Топливная экономичность двигателя улучшена на до 6% Выполнена оптимальная калибровка электронной системы подачи топлива и системы управления зажиганием для двигателя УМЗ Ценность для заказчика Радикальное сокращение времени и стоимости доводки двигателя на испытательном стенде: 20 экспериментов вместо 200 — это прямая экономия на стендовом времени и оплате труда инженеров-испытателей IOSO позволяет применять математически обоснованный поиск оптимума вместо интуитивного перебора, что особенно ценно при большом числе взаимовлияющих параметров настройки Метод масштабируется на любые двигатели российских производителей (АвтоВАЗ, ЗМЗ, УМЗ) без изменения методологии Улучшение топливной экономичности на 6% при соблюдении норм токсичности — прямой коммерческий результат для автопроизводителя
Многопараметрическая оптимизация рабочего процесса автомобильного дизеля
Партнёр: МГТУ им. Баумана, программный комплекс ДИЗЕЛЬ-РК Инструмент: IOSO NM + ДИЗЕЛЬ-РК Презентация-кейс: «Оптимизация рабочих процессов дизеля с интеграцией IOSO NM и ДИЗЕЛЬ-РК» / «Diesel Engine Optimization Using IOSO NM and DIESEL-RK Integration» Отрасль Двигателестроение. Разработка и доводка автомобильных и транспортных дизельных двигателей с целью снижения выбросов вредных веществ и расхода топлива в соответствии с нормами Евро III и выше. Задача Одновременное снижение двух показателей автомобильного дизеля на рабочем режиме (RPM=1800; Pe=17 бар): Минимизация удельного расхода топлива (SFC → MIN) Минимизация эмиссии оксидов азота (NOx → MIN) Ограничения: максимальное давление сгорания Pz < 190 бар, давление впрыска Pinj < 2000 бар, выброс NOx < 0,7 г/кВт·ч. В расширенной постановке — оптимизация по всему диапазону рабочих режимов согласно Европейскому ездовому циклу R83: минимизация суммарного расхода топлива при ограничениях на суммарные выбросы твёрдых частиц (PM) и NOx. Исходные ограничения и сложности Конкурирующие цели: снижение NOx, как правило, достигается за счёт увеличения рециркуляции ОГ, что ухудшает расход топлива — задача принципиально многокритериальная Большое число взаимосвязанных переменных: стратегия впрыска, фазы газораспределения, степень сжатия, конструктивные параметры распылителя, степень наддува — все влияют на оба критерия одновременно При одноразовом впрыске в исходном варианте топливо попадает на зеркало цилиндра, что ведёт к повышенному расходу топлива и несгоревшим углеводородам Высокий уровень NOx при одноразовом впрыске: 3,2 г/кВт·ч — не соответствует современным нормам При оптимизации по ездовому циклу R83 задача резко усложняется: для каждого из 10 рабочих режимов цикла требуется свой набор регулировочных параметров при общих конструктивных ограничениях Подход и решение IOSO управляет расчётным ядром ДИЗЕЛЬ-РК через файловый интерфейс: на каждой итерации передаёт вектор параметров через входной текстовый файл, получает результаты моделирования из выходного файла и обновляет аппроксимационную модель. ДИЗЕЛЬ-РК обеспечивает физически обоснованное моделирование рабочего процесса: многозонная модель дизельной струи, учёт рециркуляции ОГ, детальный кинетический механизм образования NOx (199 реакций, 33 компонента), поддержка многоразового впрыска и процесса PCCI (предварительное смешение с самовоспламенением). Оптимизировались три стратегии впрыска поочерёдно: одноразовый, двухразовый (пилотный + основной) и трёхразовый (два пилотных + основной). Независимые переменные: доля пилотного впрыска, задержка между впрысками, угол опережения впрыска, степень рециркуляции ОГ, степень повышения давления в компрессоре, степень сжатия, фаза закрытия впуска, диаметр и количество сопловых отверстий распылителя, давление топлива перед соплами. Результаты Сравнение трёх стратегий впрыска на режиме RPM=1800, Pe=17 бар: Параметр Одноразовый Двухразовый Трёхразовый Расход топлива SFC, г/кВт·ч 220 213 229,7 Выброс NOx, г/кВт·ч 3,2 0,71 0,66 Степень рециркуляции ОГ 0 0,313 0,35 Степень наддува πk 2,33 2,785 2,8 При двухразовом и трёхразовом оптимизированных впрысках топливо полностью перестаёт попадать на зеркало цилиндра, что подтверждается визуализацией процесса смесеобразования в ДИЗЕЛЬ-РК. Для транспортного дизеля D=82 мм, S=94 мм оптимизация показала, что двухразовый впрыск с EGR=0,066 позволяет снизить NOx с 13,56 до 4,03 г/кВт·ч при умеренном ухудшении расхода топлива. Ценность для заказчика Совместное использование IOSO + ДИЗЕЛЬ-РК даёт разработчикам дизелей инструмент для быстрого поиска компромиссных настроек двигателя по всему рабочему диапазону без дорогостоящих натурных испытаний на каждом шаге Возможность одновременно оптимизировать конструктивные параметры двигателя и стратегию впрыска для каждого режима ездового цикла — задача, недостижимая методом ручного перебора Поддержка современных норм токсичности Евро III и выше за счёт правильного подбора многоразового впрыска и рециркуляции ОГ Детальный кинетический механизм ДИЗЕЛЬ-РК (199 реакций) обеспечивает точный расчёт NOx при нестандартных стратегиях сгорания (PCCI, альтернативные топлива), а IOSO находит оптимум в этом сложном пространстве параметров
Оптимизация геометрии диска турбины авиационного двигателя
Заказчик: не указан Инструмент: IOSO NM + ANSYS Демонстрационный кейс: Sigma Technology / IOSO NM «Оптимизация диска турбины с использованием IOSO и ANSYS» / «Turbine Disk Optimization Using IOSO and ANSYS Technology» Отрасль Авиационное двигателестроение. Проектирование деталей горячего тракта газотурбинного двигателя. Задача Минимизировать массу диска турбины при соблюдении ограничений по уровню механических напряжений в конструкции. Параметры задачи: Переменные: геометрия диска турбины (12 независимых параметров) Критерий оптимизации: минимизация массы диска Ограничения: уровень напряжений (не должен превышать допустимые значения) Расчётный код: ANSYS (прочностной анализ методом конечных элементов) Исходные ограничения и сложности Задача относится к классу нелинейных многопараметрических задач с ограничениями по прочности Каждый расчётный прогон в ANSYS включает три последовательных этапа: построение геометрии диска, генерацию расчётной сетки и прочностной анализ — что делает каждую итерацию вычислительно затратной Необходимо одновременно улучшать несколько компонентов тензора напряжений (σr, σt, интенсивность напряжений mizes) при снижении массы, то есть задача фактически многокритериальная Подход и решение Использована связка IOSO NM + ANSYS. IOSO управляет процессом оптимизации: на каждой итерации передаёт в ANSYS вектор геометрических параметров диска, получает результаты прочностного расчёта (масса, компоненты напряжений), обновляет аппроксимационную модель (поверхность отклика) и формирует следующий вектор переменных. Алгоритм IOSO включает четыре внутренних этапа: задание вектора переменных → алгоритм оптимизации → стратегия перемещения в пространстве поиска → построение аппроксимационной функции. Это позволяет эффективно работать в условиях нелинейного отклика и нескольких конкурирующих критериев. Всего выполнено 400 итераций расчёта. Результаты В ходе оптимизации масса диска снижена с исходных 12,64 кг до 12,07 кг — снижение составило 4,5%. При этом напряжения оставались в допустимых пределах: Параметр Исходное состояние Оптимизированное Масса 12,64 кг 12,07 кг σr (радиальное напряжение) 91,48 кг/мм² 87,77 кг/мм² σt (тангенциальное напряжение) 87,80 кг/мм² 90,88 кг/мм² Построены кривые сходимости по массе и всем компонентам напряжений, демонстрирующие устойчивое улучшение на протяжении 400 итераций. Ценность для заказчика Снижение массы ответственной детали горячего тракта на 4,5% без нарушения прочностных ограничений — прямая экономия на материале и снижение нагрузки на подшипники и смежные элементы конструкции Полная автоматизация оптимизационного цикла: инженер формулирует задачу, остальное делает IOSO совместно с ANSYS без ручного вмешательства в каждую итерацию Наглядная визуализация результатов: кривые сходимости, фронт Парето и распределение напряжений по сечению диска позволяют инженеру осознанно выбирать компромиссное решение, а не принимать на веру «лучшую точку» Подход масштабируется на любые детали, рассчитываемые в ANSYS, без изменения расчётной модели
Многокритериальная оптимизация вентилятора авиационного двигателя SaM 146
Заказчик: НПО «Сатурн» (Россия) совместно со Snecma (Франция, группа Safran) Продукт: Двигатель SaM 146 для самолёта Sukhoi Superjet 100 Инструмент: IOSO NM Презентация кейсов: «Применение технологии IOSO NM в аэрокосмической отрасли» / «IOSO NM Optimization Software: Aerospace Applications» Отрасль Авиационное двигателестроение. Разработка турбовентиляторного двигателя нового поколения для регионального пассажирского самолёта. Задача Найти оптимальную геометрию лопатки вентилятора, обеспечивающую одновременно максимальный КПД вентилятора и минимальные механические напряжения в лопатке. Задача решалась в нескольких постановках с нарастающей сложностью: Задача 1 — Снижение напряжений (5 критериев) Снизить напряжения в лопатке по пяти критериям при неухудшении КПД вентилятора. Варьируемые параметры: геометрия лопатки (7–30 переменных). Расчётные коды: 3D FEA + 3D CFD. Задача 2 — Повышение аэродинамического КПД (1 критерий) Максимизировать КПД вентилятора при варьировании геометрии (36 переменных). Расчётный код: 3D CFD. Задача 3 — Оптимизация на двух режимах работы одновременно (2 критерия) Найти геометрию лопатки, обеспечивающую максимальный КПД одновременно на крейсерском (80%) и проектном (100%) режимах скорости. Варьируемые параметры: 36 переменных. Расчётный код: 3D CFD. Задача 4 — Многодисциплинарная оптимизация (2 критерия: КПД + напряжения) Одновременная максимизация КПД и минимизация напряжений в лопатке. Варьируемые параметры: 7 переменных. Расчётные коды: Numeca Fine/Turbo (CFD) + ANSYS (FEA). Задача 5 — Оптимизация трёхступенчатого вентилятора (задача без аналогов) Повышение аэродинамических характеристик трёхступенчатого вентилятора на крейсерском режиме при сохранении характеристик на проектном режиме. Геометрия шести лопаток описана 65 независимыми переменными. Один расчётный прогон — 21 час. Исходные ограничения и сложности Высокая вычислительная стоимость одного расчёта: один прогон 3D CFD занимал от 3 до 21 часов на процессоре Pentium IV 3,0 ГГц Нелинейные конструктивные ограничения: параметры давления, расхода воздуха и углы на выходе не должны ухудшаться Многоэкстремальность целевой функции в пространстве большой размерности Наличие зон «невычисляемости» — точек, где расчётный код завершается с ошибкой (нестабильная сходимость CFD на плохой расчётной сетке) Необходимость одновременной работы нескольких расчётных кодов в рамках одной оптимизационной задачи (многодисциплинарный проект) Задача оптимизации трёхступенчатого вентилятора на момент публикации не имела опубликованных аналогов решения Подход и решение Использована платформа IOSO NM с алгоритмом на основе метода поверхности отклика (Response Surface Method). Цикл оптимизации организован следующим образом: IOSO генерирует вектор переменных → расчётная программа строит геометрию, сетку и выполняет расчёт → результаты передаются обратно в IOSO для обновления аппроксимационной модели и выдачи нового вектора переменных. Для многодисциплинарной задачи (Задача 4) одновременно работали два расчётных кода: Numeca Fine/Turbo для расчёта обтекания и ANSYS для прочностного анализа. IOSO управлял обоими в едином оптимизационном цикле. Для задачи с трёхступенчатым вентилятором (Задача 5) применена параллельная оптимизация: к решению задачи было подключено 12 вычислительных узлов одновременно, что позволило выполнить 340 итераций за приемлемое время. Результаты Задача 1 (снижение напряжений, 5 критериев): Улучшение каждого из пяти критериев напряжений в диапазоне от 9% до 56%. Максимальное напряжение в лопатке снижено на 18%. Достигнуто всего за 22 вызова расчётных кодов. Задача 2 (КПД, 1 критерий): КПД вентилятора улучшен на 1,5%. Задача 3 (два режима одновременно): КПД на проектном режиме (100%) улучшен на 5,4%, на крейсерском режиме (80%) — на 4,5%. При одновременной оптимизации обоих режимов получены компромиссные решения с улучшением 3,2% и 4,3% соответственно. Задача 4 (многодисциплинарная, КПД + напряжения): Напряжения в лопатке снижены на 1,2%, КПД вентилятора увеличен на 1,5%. Построен фронт Парето, демонстрирующий множество компромиссных решений между двумя критериями. Задача 5 (трёхступенчатый вентилятор): КПД на крейсерском режиме (80%) улучшен на 2,2% при сохранении КПД на проектном режиме (100%). Суммарное вычислительное время сокращено более чем в 10 раз по сравнению с традиционными подходами. Ценность для заказчика Результатом работы стала оптимизированная геометрия лопатки вентилятора, реализованная в серийном двигателе SaM 146, установленном на самолёт Sukhoi Superjet 100. Применение IOSO позволило: сократить количество дорогостоящих расчётных прогонов на порядок по сравнению с перебором или генетическими алгоритмами; решить задачи, для которых опубликованных аналогов на тот момент не существовало; обеспечить конструкторам инструмент для исследования фронта компромиссных решений, а не просто единственную «лучшую» точку; интегрировать несколько расчётных программ в единый автоматизированный цикл без изменения их кода.
