e-works数字化企业网  »  文章频道  »  产品创新数字化(PLM)  »  CAE

基于AcuSolve及HyperStudy的电动工具风道系统优化设计

2023/9/30    来源:Altair    作者:彭荣      
关键字:CFD  风道系统  
利用Catia及HyperWorks的Morph功能建立风扇叶片及进出口的参数化模型,选择AcuSolve作为CFD求解器并联合HyperStudy对电动工具的风道系统进行优化分析,分析风扇叶片及进出口相关参数对风道系统风量的影响,从而得到风扇叶片及进出口的最优尺寸及形状,提高散热效果。

1 引言

       计算流体动力学(CFD)是通过计算机数值计算和图像显示,对包含有流体流动和热传导等相关物理现象的系统所做的分析。通过CFD数值模拟,我们可以得到极其复杂问题的流场内各个位置上的基本物理量,如速度,压力及温度等的分布。风扇是电动工具的核心散热原件。风扇的散热原理是靠叶片旋转推动流体快速移动,即增加流体通过流量,通过产生的强制对流来带走高温气体(热量),最有效的方式可以通过改变风扇、风口、流道性状面积等参数,从而提高散热整体效果。通过对进行电动工具的CFD分析,可得到电动工具内气流的分布,系统的阻力及风扇的效率等;研究进出气孔的大小和位置,风扇叶片的形状及风扇跟挡板的间隙等对风量的影响,通过改变相应参数增加通过电动工具的气体的流量,提高散热效果。

       我们采用Catia建立风扇叶片的参数化模型,利用HyperWorks的Morph功能建立进出口的参数化模型,选择AcuSolve作为CFD求解器联合HyperStudy来进行优化分析,分析风扇叶片及进出口相关参数对风道系统风量的影响,从而得到风扇叶片及进出口的最优尺寸及形状,提高散热效果。

2 优化方法简述 

       2.1 优化方法的数学模型 

       优化方法的数学模型由三部分组成,及设计变量、目标函数和约束条件。

       (1)设计变量:优化问题中需要确定的独立变量为设计变量,设计变量的个数代表设计空间的维数。设计空间中的一个点代表一个设计方案,通常用设计向量X表示:


       (2)目标函数:设计者希望达到的目标,如流量最大、扭矩最小、效率最高等,这些目标是优化设计中的目标函数,是设计变量的函数,如下式所示:


       通常优化设计问题的目标函数不只一个,这就属于多目标优化问题,属于向量优化,优化目标形成一个向量,其中每个元素是一个目标,如下式所示:


       (3)约束条件:优化设计是在一定的约束条件下进行的,约束条件是设计变量的函数,分等式约束和不等式约束两类。约束函数的边界把设计空间分为可行区和不可行区,满足约束条件的空间为可行区,可行区内的设计点为可行点,最优设计必须在可行区内,一般都在边界上。

       在设计变量、约束条件和目标函数确定后就可以建立优化设计的数学模型,一般是寻求在满足约束条件下使目标函数最小(或最大)的设计变量。

       2.2 CFD优化设计 

       基于CFD的优化设计,一般存在计算时间长的问题,而采用AcuSolve作为求解器,能很好的解决这一问题。AcuSolve对于普通模型的稳态流场计算在很短的时间内就能得到收敛的结果,计算的稳健性极佳。CFD外形优化设计的另一技术难点是快速建立参数化模型。我们一般通过HyperMesh中的Morph模块来建立参数化模型,这种建模策略又包括了两种方法,方法一是基于体网格,方法二是基于面网格。对于方法一,允许的网格变形范围是很小的,同时变形后的体网格的质量也较差,特别是初始网格尺寸较小的边界层区域,所以这一方法一般不推荐使用。对于方法二,允许的网格变形范围较大,由于每次基于变形后的面网格重新生成体网格,所以最终得到的体网格质量较高。对于曲面较多的复杂模型,推荐采用方法二来建立变形的参数化模型。

       对于电动工具风道系统而言,我们需要研究风扇叶片的数目变化对流量的影响,因此上述两种方法均不适用。我们采用三维建模软件Catia建立风叶叶片数目的参数化模型,调用HyperMesh生成2D网格。对于进出口的尺寸变化,我们采用Morph来建立参数化模型。

3 电动工具风道系统的优化分析

       3.1 电动工具风道系统的CFD模型及边界条件

       我们对电动工具的风道系统进行简化,简化模型由风扇,挡板,马达,外壳及进出口组成。风扇的转速设置为20000RPM,进口设置为压力进口边界条件,出口设置为Outflow边界条件。网格类型为纯四面体单元,总单元数为2208091,总节点数为403363。

CFD模型

图1 CFD模型


       3.2 设计变量及优化目标 

       为了研究风扇叶片的数目及进出口的大小对风量的影响,我们选择叶片数目、进风口的直径、出风口的高度和宽度作为设计变量,通过风道系统的总流量为我们的目标函数。使用Catia建立风扇的参数化模型,具体来说,把风扇的内径、外径及叶片数目参数化。选择风扇的叶片数目作为优化分析的设计变量。对于进出口的尺寸,我们采用Morph来建立参数化模型,选择进风口的直径、出风口的高度和宽度作为设计变量。

风扇的参数化变量

图2 风扇的参数化变量


       3.3 优化分析流程 

       优化分析流程如下图所示,利用Catia及HyperWorks的Morph功能建立风扇叶片及进出口的参数化模型,AcuSolve作为CFD求解器,在HyperStudy中设置相关优化的参数,进行Norminal run及DOE/Optimization分析,最后进行后处理,分析设计变量对优化目标的影响。

优化分析流程

图3 优化分析流程


       在进行优化分析前,我们选择全因子算法进行DOE(Design of Experiments)分析。通过DOE分析,我们可以了解哪些变量对目标函数影响较大,从而去掉对目标函数影响不大的设计变量,减少下一步优化分析的设计变量,从而提高优化计算的效率。

HyperStudy中的DOE分析设置

图4 HyperStudy中的DOE分析设置


       对于优化分析,选择风扇叶片数目、进风口直径、出风口高度及宽度为设计变量,总风量为目标函数,优化算法选择ARSM算法。

HyperStudy中的优化分析设置

图5 HyperStudy中的优化分析设置


       3.4 结果分析 

       图6所示为线性效应分析,通过线性效应分析我们可以知道哪些设计变量对目标函数影响较大。由图6可知,风扇叶片的数目,进口直径及出风口高度对风量影响较大。

DOE分析结果:线性效应

图6 DOE分析结果:线性效应


       图7所示为相互效应分析,通过相互效应分析,可知设计变量之间的相互作用,及他们对优化目标的复合影响。由图可知,进风口的尺寸与出风口的尺寸之间有一定的相互影响,如果我们仅仅增加进风口的面积,而出风口的面积不增加甚至减少,风量不会有明显的增加。同时,进出风口的面积跟风叶叶片的数目没有相互影响。

DOE分析结果:相互效应

图7 DOE分析结果:相互效应


       图8所示为不同设计变量组合下得到的优化目标的数值,即不同的进出口面积及叶片数目下的风量,同时图8显示了最优的进出口面积及叶片数目组合及相应的风量。

不同设计变量下的优化目标

图8 不同设计变量下的优化目标


       图9为设计变量与优化目标之间的关系。由图可知,风量随着进出风口面积及风扇叶片数目的增加而增加;但面积和叶片数增加到一定程度后,风量的增量会变得不明显。

设计变量与优化目标的关系

图9 设计变量与优化目标的关系


4 结论 

       通过对简化的电动工具风道模型进行优化分析,我们可以得到如下结论。

       (1)对于形状变化很大的设计变量,例如风扇的叶片数目,我们可以使用Catia建立设计变量参数化模型并进行优化分析。

       (2)AcuSolve作为优化分析的CFD求解器,相对于其他CFD求解器而言,它能快速而准确地得到结果,从而使得优化分析能在合理的时间内完成。

       (3)HyperStudy作为一个多学科优化软件,它能方便地调用Catia或Morph建立设计变量的参数化模型,并同时调用求解器进行计算,十分方便。同时,它拥有较为丰富的优化算法。

       (4)此针对简化模型的优化分析流程,能够很好地运用到实际的复杂的电动工具风道模型进行优化分析。

责任编辑:程玥
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐