基于代理模型的大口徑蝶閥性能預測分析

時間：2026/1/10閱讀：861

　　1 概述

　　大口徑蝶閥作為流體控制系統的關鍵執行元件，具有結構緊湊、流阻小、啟閉迅速等優點，在水利工程中發揮著不可替代的作用。大口徑蝶閥在管網系統中長期承受流體高壓、沖擊和腐蝕等作用，其動態性能直接影響系統的運行穩定性。因此，建立快速、高精度的蝶閥綜合性能(如流量、動水力矩、應力分布等)預測模型具有重要的工程應用價值。

　　然而，傳統蝶閥性能研究方法面臨許多瓶頸，如實驗測試成本高昂，高保真數值仿真周期長，且大口徑蝶閥實物試驗需搭建復雜管路系統，依賴高精度傳感器與驅動設備，難以準確模擬實際工況介質特性；基于CFD(計算流體動力學)和FEA(有限元分析)的多物理場耦合仿真雖能揭示流固耦合機制，但模型參數化建模困難、網格劃分及求解耗時長。

　　近年來，代理模型技術(Surrogate Modeling)為突破上述局限提供了新路徑，具有計算高效性和可解析性強兩大核心優勢。訓練完成后，性能預測可在毫秒級完成，較全階數值仿真計算效率提升4~5個數量級；模型可解析參數敏感性、生成響應曲面，能夠直觀呈現設計參數與性能指標的映射關系。

　　將代理模型與試驗設計方法(Design of Experiments, DOE)相結合，可在有限的高保真仿真樣本下高效構建出具有工程適用精度的預測模型。DOE通過空間填充采樣策略(如拉丁超立方采樣)實現設計空間的高效探索，顯著降低了數據獲取成本。因此，本研究提出基于DOE與代理模型的大口徑蝶閥性能預測框架，不僅能解決傳統方法成本高、周期長的痛點，更能實現參數影響的量化分析與性能的實時預測，為閥門智能設計、工況自適應控制及預防性維護決策提供理論工具，對提升重大流體裝備自主設計能力具有重要實踐意義。

　　2 蝶閥研究對象描述

　　2.1 蝶閥關鍵參數

　　本研究以水利系統中廣泛應用的大口徑單偏心蝶閥為研究對象，選取具有典型工程代表性的DN2600/PN10規格蝶閥進行深入分析。如圖1所示，該蝶閥的結構特征表現為閥桿軸線相對于閥板密封面中心線存在單向偏移設計，這種獨特的偏心結構使其在啟閉過程中能夠實現閥板與閥座的快速分離和接觸，有效降低摩擦阻力，從而顯著減小啟閉扭矩。

圖1 大口徑單偏心蝶閥結構模型

　　本研究采用常溫下的液態水(密度ρ=998 kg/m³，動力粘度μ=0.001 Pa·s)為工作介質。在材料選擇方面，閥座和閥板采用Q235-A碳素結構鋼，該材料具有良好的焊接性能和力學強度；閥桿則選用20Cr13馬氏體不銹鋼，其優異的耐腐蝕性和機械強度能夠滿足閥門關鍵運動部件的性能要求。各材料的詳細力學性能參數見表1。

　　表1 所用材料力學性能

2.2 結構性能指標定義與計算原理

　　蝶閥的驅動扭矩(或操作扭矩)是閥門選型和執行機構設計的關鍵參數，通常包括啟閉扭矩(靜態扭矩)和動水力矩(動態扭矩)兩大類，兩者的產生機理和影響因素不同。啟閉扭矩是指閥門在靜止流體中(無流動或流速極低時)開啟或關閉所需的扭矩，此時流體作用在閥板上的力矩是平衡的。動水力矩是指閥門在流體流動狀態下操作時，流體對閥板產生的動態阻力矩，可由CFD仿真模擬估算，其主要包括：流體壓差和粘滯力作用在閥板上的阻力矩、流體慣性對閥板的沖擊力矩和閥板擾流導致的非穩態力矩。因蝶閥用于調節輸送流量，故優先考慮動水力矩；而相關文獻研究表明，動水力矩在蝶閥中間開度(20°~70°)時，此時閥板對流體的阻擋面積大且流態紊亂。本研究主要探討動水扭矩，其通常由下式表示：

式中 KT——動水力矩系數

　　ΔP——閥門前后壓差，MPa

　　D——管道直徑，m

　　蝶閥的流量指標通常參考流量系數，其是衡量閥門流通能力的核心參數，影響管路系統壓降。流量系數定義為單位壓差下通過閥門的體積流量，可用式(2)表示：

其中 SG——流體比重

　　在蝶閥的結構性能評估中，為了全面驗證閥門在工況載荷下的機械可靠性，基于FEA計算應力場提取的節點應力同樣是關鍵的分析指標。等效應力通常由下式表示：

式中 Mb——彎矩，kN·m

　　T——閥桿傳遞扭矩，kN·m

　　W——抗彎截面模量，MPa

　　α——扭矩修正系數

　　3 DOE試驗設計與數值仿真

　　近年來，在計算機實驗、仿真建模和敏感性分析等領域，拉丁超立方抽樣憑借其優異的空間填充特性與處理高維非線性問題的能力，在眾多DOE方法中展現出顯著優勢。相較于傳統LHS方法，OLHS通過優化準則(如最小距離、最小化相關性)對樣本點空間分布進行迭代優化，從而確保設計空間內樣本點的均勻性和代表性。

　　3.1 設計空間與抽樣

　　已知蝶閥的幾何、材料參數固定，考慮到蝶閥在役運行工況下的性能影響因素，將閥前后介質的壓力差和閥門開度作為設計變量，其中閥前后壓差ΔP范圍設定為0~0.7 MPa，可由閥前后管壁上布置的兩只壓力變送器測得，開度θ范圍設定為2°~90°。由于蝶閥的實際工作環境一般不存在大開度大壓差等情況，在DOE方法中加入線性約束條件0.2≤ΔP/0.7+θ/90≤1.75，利用OLHS方法選取3個初始種子點并優化迭代200次生成24組樣本點，作為數值仿真參數化輸入，樣本點分布如表2所示。

　　表2 樣本點取值

閥門壓差/MPa	閥門開度/°
0.7	2
0.448	7.3
0.542	9.8
0.293	13.6
0.398	15.9
0.652	19.7
0.164	24
0.493	29.5
0.341	31.3
0.253	34.8
0.615	37
0.149	39
0.435	43.2
0.021	46.9
0.515	49.8
0.327	54.4
0.17	57.1
0.047	65
0.281	67
0.416	70.4
0.111	80.9
0.225	82.1
0.364	85.9
0.01	90

　　3.2 高保真數值仿真模型建立

　　3.2.1 模型前處理及網格劃分

　　網格劃分前需對模型進行簡化處理。未經簡化的模型若保留過多微小幾何細節，將顯著增加計算資源需求并延長求解時間。此外，這些細微特征區域的網格質量往往欠佳，易導致計算收斂困難，降低計算結果的準確性。本研究針對蝶閥1:1三維模型實施了合理的簡化：在確保計算精度的前提下，精簡了計算域中的部件數量，僅保留閥座、閥板和閥桿三個核心組件，并對螺栓、密封件等局部微小特征進行了合并等優化處理。

　　鑒于本研究中蝶閥為偏心結構，采用三維全模型進行計算。由于蝶閥結構的變形量相對于閥板旋轉可忽略不計，故將其工作表面提取并創建為面體，并將其剛度行為定義為剛體。蝶閥及側套管路流域分為上游段、閥門段和下游段三部分，其中閥門段分割出一個球形域，以便處理不同開度下閥板旋轉運動的模擬，簡化后的計算域模型如圖2(a)所示。

　　對于蝶閥流域模型的網格劃分，本研究采用了分區化、差異化的網格策略。球形域兩側流體域相對規則，幾何復雜度較低，因此采用計算效率較高的六面體主導的結構化網格進行離散。然而，閥板在啟閉過程中的大角度旋轉是模擬的關鍵，這會導致其周邊流體域發生劇烈且非線性的變形。若對變形流體區域采用結構化網格，則極易在閥板邊緣附近及狹小流道處產生嚴重的網格畸變甚至負體積，致使計算中斷。為保障閥板運動時流體域計算的魯棒性與收斂性，球形域采用非結構化四面體網格進行劃分。最終劃分流體域網格節點數為1801915，單次求解耗時約2 h。

　　由于后續構建代理模型對蝶閥結構應力變形場所有節點進行預測，需保證不同開度下結構網格節點數量及拓撲保持不變，故利用Part Transform功能對閥板和閥桿部件進行旋轉變換和參數化設置，并分別進行命名選擇以便數據分類和處理，采用四面體網格劃分，節點數為788675，如圖2(b)所示。

(a)

(b)

　　(a)計算域模型 (b)網格劃分

　　圖2 計算域模型及網格劃分示意圖

　　3.2.2 仿真邊界條件設定

　　為精確捕捉閥板旋轉過程中流場的瞬態變化，流體域必須采用動網格技術。考慮到閥板運動引起的流體域變形主要表現為大位移剛性旋轉，為避免網格畸變，本研究采用滑移網格(Sliding Mesh)策略，使用非一致網格交界面，允許網格相對滑動。流體域的入口與出口均設置為壓力邊界條件，給定出口壓力為大氣壓力，模擬管道開放環境。蝶閥啟閉過程特征流速較低(雷諾數Re<2300)，流動處于層流狀態，故采用層流模型進行求解。

　　蝶閥固體計算域主要由閥座、閥板及閥桿三部分組成，為剛性部件，其材料參數對密封變形影響可忽略不計，故采用剛體模型簡化處理，不考慮閥座密封環材料的超彈性特性影響。閥體安裝法蘭端面施加全自由度固定約束，模擬螺栓連接工況；閥板邊緣與閥座密封環的擠壓區域定義為摩擦接觸，摩擦系數取0.2；密封環表面為接觸面，閥板密封邊緣為目標面，該設置可準確捕捉啟閉過程中的密封接觸力與磨損行為。不考慮蝶閥關閉過程中需實現的初始密封預緊，僅控制閥板繞閥桿軸線進行2°~90°旋轉，模擬啟閉工況。流體域與固體域的耦合界面設置為System Coupling交互邊界，用于雙向傳遞流體壓力與結構位移數據。為捕捉啟閉瞬態特性，設置輸出為每個樣本工況下的瞬時質量流量、動水力矩及結構應力場、變形場響應數據。

　　4 代理模型構建流程

　　本研究構建RBF代理模型基本流程如圖3所示，主要包括樣本點設計、數據集建立、數據預處理、模型構建與訓練和性能預測等步驟。首先采用拉丁超立方設計在蝶閥設計空間抽取24組樣本點；隨后執行CFD-FEA耦合仿真獲取扭矩、流量系數、應力等性能響應值；接著進行數據預處理，將設計變量歸一化至[0,1]區間，對性能指標進行標準化處理；而后進行模型訓練，構建Cubic核RBF模型，基于獨立測試集評估精度，最終集成至實時預測系統，實現毫秒級性能響應。

圖3 RBF代理模型流程圖

　　4.1 數據預處理

　　代理模型對輸入數據的尺度敏感需進行歸一化處理以消除量綱差異，從而提升訓練效率與精度。對樣本點和實測數據進行輸入變量歸一化，將設計變量(開度、閥前后壓差)按式(4)線性映射至[0,1]區間。

其中，是第3節中的DOE設計空間邊界。

　　4.2 RBF代理模型構建

　　RBF代理模型通過一系列徑向基函數的線性組合來逼近目標函數，具有結構簡單、學習速度快、泛化能力強且數值穩定性高等優點。相比于人工神經網絡，該方法更適用于小樣本量場景，可由式(5)表示：

　　其中，ω為待求的權重系數，通過求解方程組確定，RBF(·)為徑向基函數，常用的有高斯函數、多二次函數、Cubic型函數和樣條函數等，其特點是函數值僅依賴于樣本點X到中心點C的距離，通常以標準化歐氏距離表示。本研究以所有樣本點作為中心點，確保精確插值，構建多種徑向基核函數代理模型。由于現場的蝶閥處于工作狀態，無法張貼應變片等實際應力變形監測設備，為驗證RBF代理模型的預測精度，重新在設計空間中選取額外樣本點，并重復數值仿真和數據處理步驟。本研究以決定系數R2和均方根誤差RMSE為指標評估各模型性能，結果如表3所示。

　　表3 模型性能指標值

　　R2值越大且RMSE值越小一定程度上表達了模型預測精度越高。對比可知，選擇Cubic型核函數RBF代理模型作為蝶閥性能預測器。

　　4.3 數據驅動的代理模型性能快速預測

　　本研究構建的RBF代理模型以實時傳感數據作為驅動信號，能夠快速預測實時工況下的蝶閥性能響應。搭建傳感數據采集和傳輸系統，采集卡和解調儀集成于智能控制柜，以1000 Hz頻率采集和解析閥前后的壓力值，利用Socket TCP通信協議實時、穩定的讀取智能控制柜電腦的壓力值和閥門開度數據，并將其傳輸到代理模型預測器。

　　本研究采用的驗證工況為θ=30°、ΔP=0.4 MPa，其部分節點應力預測誤差如圖4所示。由圖可知，整體誤差處于較低水平。

圖4 節點應力預測與仿真值對比

　　綜上所述，基于RBF代理模型的大口徑蝶閥性能預測精度達標，其毫秒級響應速度滿足工程使用要求，仿真結果充分驗證了該方法在大型蝶閥性能快速評估中的實用價值，為閥門智能設計提供了可靠的計算引擎，具備工程落地性。

　　5 結語

　　本文提出并實現了一種基于徑向基函數代理模型的大口徑蝶閥性能快速預測框架。以典型工程規格DN2600/PN10單偏心蝶閥為研究對象，通過拉丁超立方設計在設計空間(閥門開度、閥前后壓差)內高效抽取24組代表性樣本點。基于參數化建模技術構建了耦合流體動力學與結構有限元的高保真數值模型，系統量化了關鍵性能指標，即動水力矩、流量系數及閥板應力場，并以此構建數據集，重點研究了基于Cubic核函數的RBF代理模型。研究結果表明，該代理模型在保證預測精度的前提下，實現了毫秒級的性能響應預測，原始全階CFD-FEA耦合仿真一次需2 h左右，仿真效率獲得大幅提升。

　　本文提出的基于RBF代理模型的大口徑蝶閥性能預測方法能夠為閥門的數字化設計、智能選型、實時狀態監測及預防性維護決策提供強有力的理論工具，對提升重大流體裝備的自主設計能力與智能化水平具有重要的工程實踐價值。

　　本研究后續會探索將代理模型深度集成于閥門智能運維系統技術，結合邊緣計算與云平臺，實現基于實時數據的閥門性能在線評估、異常診斷與預測性維護策略自動生成，為重大流體裝備的安全、高效、智能化運行提供理論和技術支撐。

基于代理模型的大口徑蝶閥性能預測分析

會員登錄

收藏該商鋪

提示