Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Суррогатное моделирование и многокритериальная оптимизация в теплотехническом инжиниринге

Покупка
Новинка
Артикул: 896948.01.99
Доступ онлайн
1 769 ₽
В корзину
Пособие содержит материалы по курсу «Энергетический и теплофизический инжиниринг», читаемому магистрам направления подготовки 13.01.04_5 «Теплотехнический инжиниринг, энергоаудит и энергосервис» Высшей школы атомной и тепловой энергетики Института энергетики СПбПУ Петра Великого. Энергоустановка как система должна удовлетворять техническим требованиям и при этом быть оптимальной для расчета. Целью данного пособия является рассмотрение суррогатного моделирования как способа уменьшения трудозатрат при расчете системы, а также получения точных результатов, не снижающих параметров надежности. Пособие предназначено для студентов и магистров, специализирующихся в области моделирования и оптимизации теплофизических процессов в энергетических установках. Табл. 3. Ил. 62. Библиогр. 21 назв.
Кортиков, Н. Н. Суррогатное моделирование и многокритериальная оптимизация в теплотехническом инжиниринге : учебное пособие / Н. Н. Кортиков, Ю. И. Бабий. - Санкт-Петербург : ПОЛИТЕХ-ПРЕСС, 2025. - 95 с. - ISBN 978-5-7422-9040-7. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2286725 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Санкт-Петербург
Министерство науки и высшего образования Российской Федерации
САНКТ-ПЕТЕРБУРГСКИЙ 
ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ ПЕТРА ВЕЛИКОГО
Институт энергетики
Высшая школа атомной и тепловой энергетики
Н. Н. Кортиков   Ю. И. Бабий
СУРРОГАТНОЕ  
МОДЕЛИРОВАНИЕ  
И МНОГОКРИТЕРИАЛЬНАЯ 
ОПТИМИЗАЦИЯ  
В ТЕПЛОТЕХНИЧЕСКОМ 
ИНЖИНИРИНГЕ
Учебное пособие


© Кортиков Н. Н., Бабий Ю. И., 2025 
© Санкт-Петербургский политехнический
 университет Петра Великого, 2025
ISBN 978-5-7422-9040-7
doi:10.18720/SPBPU/2/id25-172
УДК 519.6:532.526(075.8)
ББК 31.3
         К66
Р е ц е н з е н т ы:
Доктор технических наук, доцент Высшей школы энергетического 
машиностроения Санкт-Петербургского политехнического 
университета Петра Великого В. В. Барсков
Доктор физико-математических наук, профессор, заведующий 
лабораторией фундаментальных исследований Санкт-Петербургского 
государственного университета гражданской авиации имени Главного 
маршала авиации А. А. Новикова С. А. Исаев
Кортиков Н. Н. Суррогатное моделирование и многокритериальная оптимизация в теплотехническом инжиниринге : учеб. пособие / Н. Н. Кортиков, Ю. И. Бабий. – СПб. : ПОЛИТЕХ-ПРЕСС, 2025. – 95 с.
Пособие содержит материалы по курсу «Энергетический и теплофизический инжиниринг», читаемому магистрам направления подготовки 
13.01.04_5 «Теплотехнический инжиниринг, энергоаудит и энергосервис» Высшей школы атомной и тепловой энергетики Института энергетики СПбПУ Петра Великого.
Энергоустановка как система должна удовлетворять техническим 
требованиям и при этом быть оптимальной для расчета. Целью данного 
пособия является рассмотрение суррогатного моделирования как способа уменьшения трудозатрат при расчете системы, а также получения 
точных результатов, не снижающих параметров надежности.
Пособие предназначено для студентов и магистров, специализирующихся в области моделирования и оптимизации теплофизических процессов в энергетических установках.
Табл. 3. Ил. 62. Библиогр. 21 назв.
Печатается по решению
Совета по издательской деятельности Ученого совета
Санкт-Петербургского политехнического университета Петра Великого.


Ministry of Science and Higher Education of the Russian Federation
PETER THE GREAT ST. PETERSBURG 
POLYTECHNIC UNIVERSITY
Saint-Petersburg
2025
Institute of Energy
Graduate School of Nuclear and Heat Power Engineering
N. N. Kortikov   Yu. I. Babiy
SURROGATE MODELING  
AND MULTI-CRITERIA 
OPTIMIZATION  
IN THERMOTECHNICAL 
ENGINEERING
Training manual


© Kortikov N. N., Babiy Yu. I., 2025 
©	Peter the Great St. Petersburg  
Polytechnic University, 2025
ISBN 978-5-7422-9040-7
doi:10.18720/SPBPU/2/id25-172
R e v i e w e r s:
Doctor of Engineering, associate professor at the Graduate School  
of Power Engineering of Peter the Great St. Petersburg Polytechnic University 
V. V. Barskov
Doctor of Physics and Mathematics, professor, head of the Fundamental 
Research Laboratory of the Saint Petersburg State University of Civil Aviation 
S. A. Isaev
Kortikov N. N. Surrogate modeling and multi-criteria optimization in thermotechnical engineering: training manual / N. N. Kortikov, Yu.  I. Babiy. – 
St. Petersburg: POLYTECH-PRESS, 2025. – 95 p.
The manual contains materials on the course “Energy and Thermophysical Engineering”, which is given to Master’s degree students in the major 
13.04.01_5 “Thermotechnical Engineering, Energy Audit, and Energy Service” 
at the Graduate School of Nuclear and Heat Power Engineering of the Institute 
of Energy of Peter the Great SPbPU.
A power plant as a system should meet the technical requirements and also 
be optimal for calculation. The purpose of this manual is to consider surrogate 
modeling as a way to reduce the labor input during calculating the system, as 
well as to obtain accurate results that do not reduce reliability parameters.
The manual is intended for all students and, in particular, master’s students 
who specialize in modeling and optimization of thermophysical processes in 
power plants.
Tables: 7. Figures: 3. References: 21 titles.
Printed by the Publishing Council
of the Peter the Great St. Petersburg polytechnic university Academic Council..


ОГЛАВЛЕНИЕ
Условные обозначения ............................................................................. 7
Введение..................................................................................................... 8
1. Принципы суррогатного моделирования.................................................11
1.1. Основы многомерной аппроксимации. Алгоритм  
 радиально-базовой функции..........................................................11
1.2. Суррогатная модель и машинное обучение...................................14
2. Проблема многокритериальной оптимизации ....................................... 20
2.1. Пути решения задач многокритериальной оптимизации ........... 21
2.2. Краткое описание алгоритма IOSO (Indirect Optimization  
 on the basis of Self-Organization) .................................................... 22
3. Платформа IOSO для многокритериальной оптимизации  
и аппроксимации.................................................................................... 27
3.1. Технология оптимизации IOSO..................................................... 27
3.2. Стыковка программных комплексов IOSO и STAR CCM+......... 35
4. Модуль «Аппроксимация» на платформе IOSO .................................... 41
4.1. Основные настройки модуля........................................................ 41
4.2. Создание суррогатной модели...................................................... 45
4.3. Подключение суррогатной модели .............................................. 45
5. Суррогатное моделирование на примере тестовых задач....................... 50
5.1. Двухкритериальная задача оптимизации Belegundu ................... 50
5.2. Тест Rendon–Charre ..................................................................... 53
6. Система охлаждения сопловой лопатки турбины как объект  
 теплотехнического инжиниринга .......................................................... 55
6.1. Эффективность интенсификации теплообмена  
 в канале с матрицей штырей.......................................................... 56
6.2. Численное моделирование течения и теплообмена  
 в канале с матрицей штырей.......................................................... 59


7. Суррогатное моделирование и оптимизация системы охлаждения  
со штырьковой матрицей .......................................................................65
7.1. Постановка задачи оптимизации ..................................................65
7.2. Анализ результатов. Фронт Парето.............................................. 68
8. Повышение эффективности маслоохладителей паротурбинных  
 установок на основе результатов многокритериальной оптимизации ... 73
8.1. Математическая модель для расчета теплогидравлических  
 характеристик маслоохладителя.................................................... 77
8.2. Постановка задачи и результаты оптимизационных расчетов .... 80
Заключение ............................................................................................. 85
Библиографический список.................................................................... 86
Приложения............................................................................................. 88
Приложение 1....................................................................................... 88
Приложение 2....................................................................................... 93
Приложение 3....................................................................................... 94


УСЛОВНЫЕ ОБОЗНАЧЕНИЯ
ρ – плотность
cp – теплоемкость при постоянном давлении
λ – теплопроводность
ν – кинематическая вязкость
x, y, z – координаты декартовой системы
d = 2R – диаметр штыря (R = радиус)
H – высота канала
L – длина канала
S1, S2 – продольный и поперечный шаги пучка
φ – коэффициент интенсификации теплообмена
ψ – коэффициент роста гидравлических потерь
U, u – скорость
δ1, δ2, δ3 – толщины зазоров в проточной части маслоохладителя
F,  f – обозначение функции и поверхности теплообмена
Q – объемный секундный расход
T – температура
p – давление
p* – давление торможения (полное давление)
−
ε =
−
T
T
T
T
вх.м
вых.м
вх.м
вх.вод
 – степень охлаждения 
Re – число Рейнольдса
Nu – число Нуссельта
αм – коэффициент теплоотдачи со стороны масла
αвод – коэффициент теплоотдачи охлаждающей воды
αг – коэффициент теплоотдачи потока воздуха
∆
=
−
*
*
*
p
p
p
вх
вых – потеря полного давления
= ∆*
*
/
POTERI
p
pвх 
Индексы
г – газ (воздух)
вод – вода
м – масло
вх – вход
вых – выход


ВВЕДЕНИЕ
Проектирование современных конкурентоспособных технических изделий невозможно без применения методов оптимизации. 
Более того, помимо получения оптимального изделия, обеспечивающего наилучшие значения критериям качества и отвечающего 
всем требованиям эксплуатации и работоспособности, важно отыскать его в наиболее короткие сроки.
В настоящее время перед энергетическим машиностроением 
стоит актуальная задача повышения эффективности и безопасности 
проектируемого оборудования. Из-за роста сложности разрабатываемых агрегатов требуется все более детальный анализ теплогидравлических процессов (в том числе с применением трехмерных 
кодов вычислительной гидродинамики), что приводит к увеличению затрат времени на проведение моделирования. В то же время 
повышение эффективности сложных теплогидравлических систем 
со множеством варьируемых технических параметров, влияющих 
на работоспособность системы, может быть обосновано с помощью 
математических алгоритмов многокритериальной оптимизации [1], 
требующих проведения большого количества вариантных расчетов 
(или экспериментов) рассматриваемой системы. В этом случае применение кодов вычислительной гидродинамики для моделирования 
отдельных геометрически сложных элементов в оптимизационном 
цикле становится затруднительным, поскольку приводит к неприемлемым временным затратам. 
Чтобы быстрее вывести продукт на рынок, необходимо постоянно ускорять все виды анализа. Для этого раньше было достаточно 
моделирования с разной точностью. В последнее время в различных 
инженерных областях набирает популярность подход, основанный 
на данных и называемый суррогатным моделированием [2].


Суть суррогатного моделирования заключается в построении подменной/упрощенной (или суррогатной) модели методами машинного обучения. Впоследствии эта обученная модель может быть 
использована для замены полномасштабной многодисциплинарной модели. Применение суррогатного моделирования позволит 
проводить быстрый анализ выходных данных и сократить время, затрачиваемое на поиск оптимального режима работы. Помимо этого, 
суррогатное моделирование сократит вычислительные и временные 
затраты при последующем проведении цифровых (виртуальных) 
испытаний в рамках создания цифрового двойника изделия.
Данная проблема может быть решена с использованием аппроксимационной зависимости (суррогатной модели) входных и 
выходных параметров, построенной на базе некоторой обучающей 
выборки, полученной в ходе расчета или эксперимента, вместо 
исходной сложной вычислительной математической модели. Однако в этом случае с повышением размерности задачи требуется 
увеличение обучающей выборки. 
В рамках настоящей работы предлагается способ представления 
суррогатной модели большой размерности в виде совокупности аппроксимационных зависимостей с меньшим числом размерностей, 
что позволяет обучать более точные модели на меньших выборках. 
Рассмотрена методика генерации обучающих выборок, а также представлена методология построения суррогатных моделей энергетического оборудования на примере проточной части системы охлаждения газовой турбины. Получено хорошее соответствие построенной 
суррогатной модели с результатами численного моделирования.
Как правило, на этапе проектирования вместо еще несуществующего изделия оперируют некой расчетной моделью. Современной практикой является использование различных систем автоматизированного проектирования (CAD – Computer-aided design / 
CAE  – Computer-aided engineering) для построения таких расчетных 
моделей (рис. 1).
В условиях все нарастающей сложности проектируемых изделий 
растет сложность разрабатываемых моделей. Качество оптимального изделия зависит от точности используемой расчетной модели. 


При этом чем сложнее и выше точность расчетной модели, тем больше ресурсов и времени требуется для ее расчета. Инженер вынужден 
искать компромисс между качеством разрабатываемой модели и 
временем, необходимым для поиска оптимальной конфигурации.
В этой связи для сокращения времени проектирования часто 
используют менее точные, но более простые и поэтому менее требовательные к вычислительным ресурсам суррогатные (аппроксимационные) модели. Для каждого критерия оптимальности и 
ограничения строят свою модель. В качестве обучающего множества используют данные, полученные в результате численного 
эксперимента с тяжелыми (в смысле долгого времени счета), но 
более точными расчетными моделями. Стоит отметить, что иногда 
по тем или иным причинам не удается построить модель на основе 
базовых принципов предметной области. В таких ситуациях используют данные физического эксперимента.
Как только суррогатная модель построена, инженер может использовать ее для того, чтобы провести детальное исследование 
проектируемого изделия, а также решить задачи оптимизации.
Чтобы решить задачу, необходимо применять CFD (Computational 
fluid dynamics) моделирование. Для осуществления расчета из тысячи повторений (на каждом повторении делается CFD моделирование), требуются огромные временные затраты. Следовательно, 
оптимальным вариантом можно считать создание суррогатной 
модели, для которой нужны: интерфейсы для подключения расчетного программного обеспечения; интегрированные средства 
многомерной аппроксимации; возможности для проведения анализа качества созданных моделей.
Рис. 1. Расчетная модель
Design  
parameters (X)
Computational Model
Objectives (F)
Constraints (С)


Доступ онлайн
1 769 ₽
В корзину