선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 압축기의 임펠러에 대하여 여타부품의 변경이 없이 임펠러와 케이싱의 쉬라우드 형상만 변경하여 효율이나 압력비를 향상하는 연구를 수행하였다. 전역적인 최적화의 적용과 빠르게 목적함수에 접근하기 위하여 인공지능의 알고리즘을 적용하고 추가적으로 실험계획법과 PSO법을 혼합한 알고리즘을 사용하였다.
- 본 연구에서는 연료전지의 시스템 효율향상을 위하여 적용되는 10kW급 원심압축기에서의 성능개선 연구가 수행되었다. 이를 위하여 임펠러 설계점에서의 압력비와 효율 향상을 위하여 압력비와 효율을 연계한 목적함수를 설정하고 유로와 블레이드를 변경하여 전역적인 향상이 되도록 하였다.
제안 방법
- PSO에서 얻어진 설계변수 세트를 인공지능망에 적용하여 목적함수를 찾은 후에 우성의 결과에 대하여 서는 수치해석을 통하여 다시 결과를 획득한다. 이러한 결과들의 세트는 인공지능망의 입력으로 추가되어 인공지능망의 정확도를 향상한다.
- 이를 위히여 비기울기기반의 방식인 PSO (Particle Swarm Optimization)(15)를 적용하였다. PSO의 적용에서 각 세대별 개수는 100개로 설정하였으며 다음세대를 찾기 위하여서는 초기 가중치 변수는 1.4로 하였으며, 신뢰 변수 C1과 C2는 1,5와 2,5로 설정하였다.
- 대류항은 second-order의 upwind 방식을 기본으로 하는 high resolution 방식을 적용하였다. 계산 영역은 3개를 만들어 입구영역, 임펠러영역, 출구영역으로 구분하였으며, 각각의 영역이 접하는 부분은 프로젠로터 조건으로 처리하였다. 계산영역은 하나의 유로에서 수행되었으며, 계산 영역에서 회전방향으로의 경계조건은 주기조건을 주었다.
- 익형각의 분포에서 쉬라우드에서는 입구와 가운데 점 그리고 출구에서의 조정점을 설계점(φ7, φ8, φ9)으로 설정하여 허브보다 긴 익형길이에 대하여 익형각의 변화 폭을 넓혔으며, 허브에서는 입구와 출구의 조정점을 설계점(φ5, φ6)으로 설정하였다. 따라서 본 연구에서는 총 9개의 설계변수를 선택하였다. 아울러 익형의 형상이 공력적으로나 구조적으로 문제가 없도록 최소한의 제한조건을 정하였으며 익형각의 조정점과 제한조건을 Table 3에서 보여주고 있다.
- 하지만 압축기에서의 결과는 베어링손실 및 스크롤에서의 손실 등을 포함한다. 따라서 임펠러에서의 사양을 얻기 위하여 동일한 질량유량과 회전수에서 수치해석적으로 얻었다.
- 3차원 블레이드를 표현하기 위하여 블레이드 익형각(β)은 캠버선이 회전하는 각도(θ)와 자오면에서 익형의 곡선길이 (m)를 이용하여 식(1)과 같이 표현된다. 따라서 허브와 쉬라 우드에서 캠버선을 따라 익형각의 변화를 나타내기 위하여 베지어 곡선을 사용하였으며, 베지어 곡선의 조정점은 각각 5개를 사용하였다. 초기모델의 블레이드 익형각의 분포를 Fig.
- 아울러 익형의 형상이 공력적으로나 구조적으로 문제가 없도록 최소한의 제한조건을 정하였으며 익형각의 조정점과 제한조건을 Table 3에서 보여주고 있다. 비록 설계점의 제한범위를 설정하였다고 하여도, 임펠러에서의 익형각은 제한조건 범위내에서도 구조적으로 심각하게 뒤틀어지는 형상이 얻게 되므로 출구에서의 린(lean)각을 초기형상과 같이 얻어지도록 허브에서 설계점이 아닌 조정점들은 자동적으로 변경되도록 하였다. 아울러 익형의 두께는 초기 모델의 두께와 동일하게 분포하였으며 두께의 분포는 Fig.
- 이 경우에 베지어 곡선의 조정점을 설계변수로 선정할 수 장점이 있다. 압축기 자오면 기 준의 쉬라우드와 허브 형상을 표현하는데 6개 정도의조정점이면 복잡한 형상의 표현도 가능하였지만 본 연구에서는 설계변수의 개수를 가능한 적게 선택하기 위하여 각각 5개의 조정점을 사용하였다.
- 본 연구에서는 연료전지의 시스템 효율향상을 위하여 적용되는 10kW급 원심압축기에서의 성능개선 연구가 수행되었다. 이를 위하여 임펠러 설계점에서의 압력비와 효율 향상을 위하여 압력비와 효율을 연계한 목적함수를 설정하고 유로와 블레이드를 변경하여 전역적인 향상이 되도록 하였다. 목적 함수의 전역적인 탐색과 이를 위한 시간 단축을 위하여 유전자알고리즘의 일종인 PSO (Particel Swarm Optimization) 기법의 적용과 인공지능(ANN: Artificial Neural net)의 기법을 혼합한 알고리즘을 사용하였다.
- 익형각의 분포에서 쉬라우드에서는 입구와 가운데 점 그리고 출구에서의 조정점을 설계점(φ7, φ8, φ9)으로 설정하여 허브보다 긴 익형길이에 대하여 익형각의 변화 폭을 넓혔으며, 허브에서는 입구와 출구의 조정점을 설계점(φ5, φ6)으로 설정하였다.
- 인공지능에서 설계변수 세트의 입력에 대하여 출력을 효율과 압력비로 두 개를 설정하여 얻었다. 얻어진 효율과 압력비로부터 식(2)와 같은 목적함수를 얻어서 PSO에 의한 다음세대의 설계변수의 세트를 얻었다.
- 인공지능은 역전파알고리즘(back propaga-tion algorithm)을 적용하였으며 은닉층과 출력층의 뉴론은 각각 10개와 2개를 사용하였다. 전달함수는 은닉층에는 hyperbolic tangent 함수를 사용하였으며, 출력층은 직선함수를 적용하였다. 인공지능망이 주어진 결과와 일치하도록 하기 위하여 가중치와 바이어스는 Levernberg-Marquardt(12,13)알고리즘을 적용하여 얻었으며, 인공지능망의 형성은 MATLAB(14)의 nntool을 사용하였다.
- 초기의 인공지능망을 형성하기 위한 인공지능망의 입력은 9개의 설계변수로부터 실험계획법을 적용하여얻었다. 실험계획법의 적용은 설계변수의 주효과나 교호작용 등에 대한 정보를 알 수 있으며 실험의 횟수를 줄일 수 있는 효과적인 방법이기 때문이다.
대상 데이터
- 기존 설계방식으로 설계되어져 사용 중인 임펠러의 형상을 Fig. 1에서 보여주고 있으며 임펠러의 외경은 52.4mm이다. 입구에서의 쉬라우드와 허브에서의 직경은 각각 37.
데이터처리
- 얻어진 효율과 압력비로부터 식(2)와 같은 목적함수를 얻어서 PSO에 의한 다음세대의 설계변수의 세트를 얻었다. 얻어진 설계변수의 세트를 인공지능망에 적용하여 일정이상으로 향상된 목적함수에 대하여서는 수치해석으로 재계산을 수행하였다. 각 세대별 재계산된 개수를 Table 4에서 보여주고 있다.
이론/모형
- 을 사용하였으며, 난류모델은 k–∊모델을 적용하였다. 대류항은 second-order의 upwind 방식을 기본으로 하는 high resolution 방식을 적용하였다. 계산 영역은 3개를 만들어 입구영역, 임펠러영역, 출구영역으로 구분하였으며, 각각의 영역이 접하는 부분은 프로젠로터 조건으로 처리하였다.
- 이를 위하여 임펠러 설계점에서의 압력비와 효율 향상을 위하여 압력비와 효율을 연계한 목적함수를 설정하고 유로와 블레이드를 변경하여 전역적인 향상이 되도록 하였다. 목적 함수의 전역적인 탐색과 이를 위한 시간 단축을 위하여 유전자알고리즘의 일종인 PSO (Particel Swarm Optimization) 기법의 적용과 인공지능(ANN: Artificial Neural net)의 기법을 혼합한 알고리즘을 사용하였다.
- 실험계획법의 적용은 설계변수의 주효과나 교호작용 등에 대한 정보를 알 수 있으며 실험의 횟수를 줄일 수 있는 효과적인 방법이기 때문이다. 본 연구에서는 부분요인배치(Fractional Factorial Design)을 시행하였으며, resolution VI 의 배치법을 적용하였다. 따라서 중심점 개수까지 포함하면 총 65개의 설계변수 세트에 대한 공간을 형성하게 된다.
- 따라서 계산시간을 단축하면서 정확한 결과를 얻는 것이 중요하다. 본 연구에서는 최적화를 위한 방법으로 인공지능 방식을 기본으로 사용하였다. 인공지능은 역전파알고리즘(back propaga-tion algorithm)을 적용하였으며 은닉층과 출력층의 뉴론은 각각 10개와 2개를 사용하였다.
- 수치해석은 3차원 압축성 난류유동해석 상용프로그 램인 CFX-13(10)을 사용하였으며, 난류모델은 k–∊모델을 적용하였다.
- 최적의 목적함수를 찾기 위하여서는 무한한 설계변수들의 세트에서 효과적인 설계변수의 세트를 적용하여야 한다. 이를 위히여 비기울기기반의 방식인 PSO (Particle Swarm Optimization)(15)를 적용하였다. PSO의 적용에서 각 세대별 개수는 100개로 설정하였으며 다음세대를 찾기 위하여서는 초기 가중치 변수는 1.
- 전달함수는 은닉층에는 hyperbolic tangent 함수를 사용하였으며, 출력층은 직선함수를 적용하였다. 인공지능망이 주어진 결과와 일치하도록 하기 위하여 가중치와 바이어스는 Levernberg-Marquardt(12,13)알고리즘을 적용하여 얻었으며, 인공지능망의 형성은 MATLAB(14)의 nntool을 사용하였다.
- 본 연구에서는 최적화를 위한 방법으로 인공지능 방식을 기본으로 사용하였다. 인공지능은 역전파알고리즘(back propaga-tion algorithm)을 적용하였으며 은닉층과 출력층의 뉴론은 각각 10개와 2개를 사용하였다. 전달함수는 은닉층에는 hyperbolic tangent 함수를 사용하였으며, 출력층은 직선함수를 적용하였다.
- 임펠러의 성능을 향상하기 위하여서는 임펠러의 형상을 조정할 수 있는 적절한 형상변수를 선택하여야 한다. 임펠러의 형상을 표현할 수 있는 여러 가지 방법이 있으나 본 연구에서는 베지어 곡선으로 나타내는 법을 사용하였다. 이 경우에 베지어 곡선의 조정점을 설계변수로 선정할 수 장점이 있다.
- 본 연구에서는 압축기의 임펠러에 대하여 여타부품의 변경이 없이 임펠러와 케이싱의 쉬라우드 형상만 변경하여 효율이나 압력비를 향상하는 연구를 수행하였다. 전역적인 최적화의 적용과 빠르게 목적함수에 접근하기 위하여 인공지능의 알고리즘을 적용하고 추가적으로 실험계획법과 PSO법을 혼합한 알고리즘을 사용하였다. 이 같은 방식으로 실제수치해석은 150여회 수행하고 총 1,200 여개의 설계변수세트에 대하여 계산을 수행하여 초기 모델에 비하여 효율은 1% 향상하고 압력비는 9.
성능/효과
- 입구에는 전압력 조건과 출구에는 질량유량의 조건을 주었다. 격자 개수에 대한 테스트를 수행하여 39만개를 적용하였으며 Eckardt 임펠러의 실험결과와 비교하였을 때 상당히 잘 예측하는 결과(11)를 얻었다. 동일한 방식으로 본 연구의 임펠러에 대하여 Table 1과 동일한 작동조건에서 임펠러 입구와 디퓨저 출구를 기준으로 압력비와 등엔트로피효율은 2.
- 격자 개수에 대한 테스트를 수행하여 39만개를 적용하였으며 Eckardt 임펠러의 실험결과와 비교하였을 때 상당히 잘 예측하는 결과(11)를 얻었다. 동일한 방식으로 본 연구의 임펠러에 대하여 Table 1과 동일한 작동조건에서 임펠러 입구와 디퓨저 출구를 기준으로 압력비와 등엔트로피효율은 2.46과 86.1%를 얻었다.
- 전역적인 최적화의 적용과 빠르게 목적함수에 접근하기 위하여 인공지능의 알고리즘을 적용하고 추가적으로 실험계획법과 PSO법을 혼합한 알고리즘을 사용하였다. 이 같은 방식으로 실제수치해석은 150여회 수행하고 총 1,200 여개의 설계변수세트에 대하여 계산을 수행하여 초기 모델에 비하여 효율은 1% 향상하고 압력비는 9.3% 향상하는 결과를 얻었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.