基于ANSYS和遗传算法的重力坝剖面优化设计
本文选题:重力坝 + 优化设计 ; 参考:《西北农林科技大学》2017年硕士论文
【摘要】:重力坝是一种常见的坝型,包括溢流坝段和非溢流坝段,其作用主要是挡水和泄水。实际工程中重力坝存在剖面尺寸大,所需混凝土方量多,坝体与坝基接触面积大,使坝底面受到的扬压力较大,不利于坝体稳定等问题,这将导致施工工程量以及工程投资增加,故对重力坝的剖面进行优化设计显得尤为重要。对重力坝的剖面进行优化设计对有效减少整个工程的工程量、降低工程投资具有很好的实用价值。本文采用MATLAB遗传算法和ANSYS的一阶优化方法分别对某典型重力坝的溢流坝段和非溢流坝段剖面进行优化设计分析,以剖面面积最小为目标函数,主要研究内容和结果如下:(1)采用ANSYS一阶优化方法对溢流坝段和非溢流坝段正常工况进行了优化,用校核工况验算了最优剖面是否合理。用APDL语言参数化建立了坝体剖面有限元模型,对有限元模型施加边界约束并求解计算;后处理提取了优化变量用于优化分析,并分别查看了两个断面的应力云图和位移云图,判断是否满足优化设计要求;采用一阶优化方法对两个断面进行正常工况优化,优化结果为溢流坝段剖面面积减小了86.62m2,优化率达到了14.43%,非溢流坝段剖面面积减小了75.27m2,优化率达到12.34%;校核工况验算坝体最优剖面符合设计规范要求。(2)采用MATLAB遗传算法对溢流坝段和非溢流坝段正常工况进行了优化,用校核工况验算了最优剖面是否合理。根据几何约束条件产生初始种群,将初始种群作为设计变量值;把初始种群代入ANSYS分析文件,MATLAB调用ANSYS计算优化变量;把计算结果返回MATLAB进行遗传算法优化,当达到迭代次数时优化终止,否则对初始种群进行选择、交叉、变异形成新一代种群,MATLAB继续调用ANSYS重新计算。采用遗传算法对正常工况优化结果为溢流坝段剖面面积减小了77.92m2,优化率达到了12.80%;非溢流坝段剖面面积减小了39.08m2,优化率达到6.05%。校核工况验算坝体最优剖面符合设计规范要求。在重力坝优化过程中将两个坝段分开优化,这容易导致优化结果中溢流坝段和非溢流坝段坝底宽度不一致,故在未来研究中,应严格控制坝底宽度并将溢流坝段和非溢流坝段合为一体优化。
[Abstract]:Gravity dam is a common dam type, which includes overflow dam section and non-overflow dam section. In actual engineering, the gravity dam has problems such as large profile size, large concrete quantity, large contact area between dam body and dam foundation, which makes the uplift pressure on the bottom face of the dam greater, which is not conducive to the stability of the dam body, and so on. This will lead to the increase of construction quantity and project investment, so it is very important to optimize the design of gravity dam profile. The optimum design of gravity dam section is of great practical value in reducing the engineering quantity and investment of the whole project. In this paper, MATLAB genetic algorithm and ANSYS first-order optimization method are used to optimize the section of overflow dam and non-overflow dam of a typical gravity dam, and the minimum area of section is taken as the objective function. The main research contents and results are as follows: (1) the normal working conditions of overflow dam section and non-overflow dam section are optimized by ANSYS first-order optimization method. The finite element model of dam profile is set up by using APDL language parameterized, the finite element model is subjected to boundary constraints and the calculation is solved. After processing, optimization variables are extracted for optimization analysis, and the stress cloud map and displacement cloud map of two sections are inspected respectively. The first order optimization method is used to optimize the normal working conditions of two sections. The optimization results are as follows: the section area of overflow dam section is reduced by 86.62m2, the optimization rate is 14.43 and the section area of non-spillage dam section is reduced by 75.27m2, and the optimization rate is 12.34.The optimum section of the dam body is checked and calculated under the condition of checking the working condition. (2) the genetic calculation of MATLAB is used to calculate the optimum section of the dam body. The normal working conditions of spillway section and non-spillway dam section are optimized by this method. The optimum profile is calculated by checking the working condition. The initial population is produced according to the geometric constraint condition, the initial population is taken as the value of the design variable, the initial population is replaced in the ANSYS analysis file and the ANSYS calculation optimization variable is called by MATLAB, and the calculation result is returned to MATLAB for genetic algorithm optimization. When the number of iterations is reached, the optimization terminates, otherwise, the initial population is selected, crossed and mutated to form a new generation of population. MATLAB continues to call ANSYS to recalculate. The results of optimization under normal working conditions by genetic algorithm are as follows: the section area of overflow dam section is reduced by 77.92 m2, the optimization rate is 12.80%, and the section area of non-overflow dam section is reduced by 39.08 m2, and the optimization rate reaches 6.05%. Checking and calculating the optimum section of dam body accords with the requirements of design code. In the process of gravity dam optimization, the two segments are optimized separately, which easily leads to the inconsistency of the dam bottom width between the overflow section and the non-spillway section in the optimization results, so in the future research, The width of the bottom should be strictly controlled and the spillway section and the non-spillway section should be optimized.
【学位授予单位】:西北农林科技大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TV642.3
【相似文献】
相关期刊论文 前10条
1 张文修,梁怡;遗传算法的数学基础[J];西安交通大学学报;2000年10期
2 杨艳丽,史维祥;一种新的优化算法—遗传算法的设计[J];液压气动与密封;2001年02期
3 王毅,曹树良;遗传算法在并联水泵系统运行优化中的应用[J];流体机械;2003年10期
4 赵义红,李正文,何其四;生物信息处理系统遗传算法探讨[J];成都理工大学学报(自然科学版);2004年05期
5 李凡,黄数林,张东风;一种改进的多倍体遗传算法[J];华中科技大学学报(自然科学版);2005年01期
6 韦雪洁;黎明;刘高航;田贵超;;注入式的遗传算法的分析与研究[J];南昌航空工业学院学报(自然科学版);2006年01期
7 阎纲;;遗传算法及其仿真[J];湖南工程学院学报(自然科学版);2006年04期
8 ;遗传算法[J];电网与清洁能源;2008年10期
9 吴玫;陆金桂;;遗传算法的研究进展综述[J];机床与液压;2008年03期
10 李培植;肖利明;于静涛;;基于遗传算法的结构优化方法[J];公路交通科技(应用技术版);2008年08期
相关会议论文 前10条
1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年
3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展(上册)[C];2001年
4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年
5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年
6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年
7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年
8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(下册)[C];1995年
9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集(下册)[C];1996年
10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集(下册)[C];1996年
相关重要报纸文章 前1条
1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年
相关博士学位论文 前10条
1 Amjad Mahmood;半监督进化集成及其在网络视频分类中的应用[D];西南交通大学;2015年
2 李险峰;基于改进遗传算法的汽车装配生产线平衡问题研究[D];北京科技大学;2017年
3 孙秋红;基于遗传算法的水质数据挖掘与应用研究[D];燕山大学;2016年
4 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年
5 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年
6 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年
7 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年
8 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年
9 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年
10 刘冀成;基于改进遗传算法的生物电磁成像与磁场聚焦应用研究[D];四川大学;2005年
相关硕士学位论文 前10条
1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年
2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年
3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年
4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年
5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年
6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年
7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年
8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年
9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年
10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年
,本文编号:2052340
本文链接:https://www.wllwen.com/kejilunwen/shuiwenshuili/2052340.html