基于代理模型的大口径蝶阀性能预测分析

　　1   概述
 

　　大口径蝶阀作为流体控制系统的关键执行元件，具有结构紧凑、流阻小、启闭迅速等优点，在水利工程中发挥着不可替代的作用。大口径蝶阀在管网系统中长期承受流体高压、冲击和腐蚀等作用，其动态性能直接影响系统的运行稳定性。因此，建立快速、高精度的蝶阀综合性能(如流量、动水力矩、应力分布等)预测模型具有重要的工程应用价值。
 

　　然而，传统蝶阀性能研究方法面临许多瓶颈，如实验测试成本高昂，高保真数值仿真周期长，且大口径蝶阀实物试验需搭建复杂管路系统，依赖高精度传感器与驱动设备，难以准确模拟实际工况介质特性；基于CFD(计算流体动力学)和FEA(有限元分析)的多物理场耦合仿真虽能揭示流固耦合机制，但模型参数化建模困难、网格划分及求解耗时长。
 

　　近年来，代理模型技术(Surrogate Modeling)为突破上述局限提供了新路径，具有计算高效性和可解析性强两大核心优势。训练完成后，性能预测可在毫秒级完成，较全阶数值仿真计算效率提升4~5个数量级；模型可解析参数敏感性、生成响应曲面，能够直观呈现设计参数与性能指标的映射关系。
 

　　将代理模型与试验设计方法(Design of Experiments, DOE)相结合，可在有限的高保真仿真样本下高效构建出具有工程适用精度的预测模型。DOE通过空间填充采样策略(如拉丁超立方采样)实现设计空间的高效探索，显著降低了数据获取成本。因此，本研究提出基于DOE与代理模型的大口径蝶阀性能预测框架，不仅能解决传统方法成本高、周期长的痛点，更能实现参数影响的量化分析与性能的实时预测，为阀门智能设计、工况自适应控制及预防性维护决策提供理论工具，对提升重大流体装备自主设计能力具有重要实践意义。
 

　　2   蝶阀研究对象描述
 

　　2.1   蝶阀关键参数
 

　　本研究以水利系统中广泛应用的大口径单偏心蝶阀为研究对象，选取具有典型工程代表性的DN2600/PN10规格蝶阀进行深入分析。如图1所示，该蝶阀的结构特征表现为阀杆轴线相对于阀板密封面中心线存在单向偏移设计，这种独特的偏心结构使其在启闭过程中能够实现阀板与阀座的快速分离和接触，有效降低摩擦阻力，从而显著减小启闭扭矩。
 

图1   大口径单偏心蝶阀结构模型
 

　　本研究采用常温下的液态水(密度ρ=998 kg/m³，动力粘度μ=0.001 Pa·s)为工作介质。在材料选择方面，阀座和阀板采用Q235-A碳素结构钢，该材料具有良好的焊接性能和力学强度；阀杆则选用20Cr13马氏体不锈钢，其优异的耐腐蚀性和机械强度能够满足阀门关键运动部件的性能要求。各材料的详细力学性能参数见表1。
 

　　表1   所用材料力学性能
 

2.2   结构性能指标定义与计算原理
 

　　蝶阀的驱动扭矩(或操作扭矩)是阀门选型和执行机构设计的关键参数，通常包括启闭扭矩(静态扭矩)和动水力矩(动态扭矩)两大类，两者的产生机理和影响因素不同。启闭扭矩是指阀门在静止流体中(无流动或流速极低时)开启或关闭所需的扭矩，此时流体作用在阀板上的力矩是平衡的。动水力矩是指阀门在流体流动状态下操作时，流体对阀板产生的动态阻力矩，可由CFD仿真模拟估算，其主要包括：流体压差和粘滞力作用在阀板上的阻力矩、流体惯性对阀板的冲击力矩和阀板扰流导致的非稳态力矩。因蝶阀用于调节输送流量，故优先考虑动水力矩；而相关文献研究表明，动水力矩在蝶阀中间开度(20°~70°)时，此时阀板对流体的阻挡面积大且流态紊乱。本研究主要探讨动水扭矩，其通常由下式表示：
 

式中   KT——动水力矩系数
 

　　ΔP——阀门前后压差，MPa
 

　　D——管道直径，m
 

　　蝶阀的流量指标通常参考流量系数，其是衡量阀门流通能力的核心参数，影响管路系统压降。流量系数定义为单位压差下通过阀门的体积流量，可用式(2)表示：
 

其中   SG——流体比重
 

　　在蝶阀的结构性能评估中，为了全面验证阀门在工况载荷下的机械可靠性，基于FEA计算应力场提取的节点应力同样是关键的分析指标。等效应力通常由下式表示：
 

式中   Mb——弯矩，kN·m
 

　　T——阀杆传递扭矩，kN·m
 

　　W——抗弯截面模量，MPa
 

　　α——扭矩修正系数
 

　　3   DOE试验设计与数值仿真
 

　　近年来，在计算机实验、仿真建模和敏感性分析等领域，拉丁超立方抽样凭借其优异的空间填充特性与处理高维非线性问题的能力，在众多DOE方法中展现出显著优势。相较于传统LHS方法，OLHS通过优化准则(如最小距离、最小化相关性)对样本点空间分布进行迭代优化，从而确保设计空间内样本点的均匀性和代表性。
 

　　3.1   设计空间与抽样
 

　　已知蝶阀的几何、材料参数固定，考虑到蝶阀在役运行工况下的性能影响因素，将阀前后介质的压力差和阀门开度作为设计变量，其中阀前后压差ΔP范围设定为0~0.7 MPa，可由阀前后管壁上布置的两只压力变送器测得，开度θ范围设定为2°~90°。由于蝶阀的实际工作环境一般不存在大开度大压差等情况，在DOE方法中加入线性约束条件0.2≤ΔP/0.7+θ/90≤1.75，利用OLHS方法选取3个初始种子点并优化迭代200次生成24组样本点，作为数值仿真参数化输入，样本点分布如表2所示。
 

　　表2   样本点取值

 

　　3.2   高保真数值仿真模型建立
 

　　3.2.1   模型前处理及网格划分
 

　　网格划分前需对模型进行简化处理。未经简化的模型若保留过多微小几何细节，将显著增加计算资源需求并延长求解时间。此外，这些细微特征区域的网格质量往往欠佳，易导致计算收敛困难，降低计算结果的准确性。本研究针对蝶阀1:1三维模型实施了合理的简化：在确保计算精度的前提下，精简了计算域中的部件数量，仅保留阀座、阀板和阀杆三个核心组件，并对螺栓、密封件等局部微小特征进行了合并等优化处理。
 

　　鉴于本研究中蝶阀为偏心结构，采用三维全模型进行计算。由于蝶阀结构的变形量相对于阀板旋转可忽略不计，故将其工作表面提取并创建为面体，并将其刚度行为定义为刚体。蝶阀及侧套管路流域分为上游段、阀门段和下游段三部分，其中阀门段分割出一个球形域，以便处理不同开度下阀板旋转运动的模拟，简化后的计算域模型如图2(a)所示。
 

　　对于蝶阀流域模型的网格划分，本研究采用了分区化、差异化的网格策略。球形域两侧流体域相对规则，几何复杂度较低，因此采用计算效率较高的六面体主导的结构化网格进行离散。然而，阀板在启闭过程中的大角度旋转是模拟的关键，这会导致其周边流体域发生剧烈且非线性的变形。若对变形流体区域采用结构化网格，则极易在阀板边缘附近及狭小流道处产生严重的网格畸变甚至负体积，致使计算中断。为保障阀板运动时流体域计算的鲁棒性与收敛性，球形域采用非结构化四面体网格进行划分。最终划分流体域网格节点数为1801915，单次求解耗时约2 h。
 

　　由于后续构建代理模型对蝶阀结构应力变形场所有节点进行预测，需保证不同开度下结构网格节点数量及拓扑保持不变，故利用Part Transform功能对阀板和阀杆部件进行旋转变换和参数化设置，并分别进行命名选择以便数据分类和处理，采用四面体网格划分，节点数为788675，如图2(b)所示。
 

(a)
 

(b)
 

　　(a)计算域模型   (b)网格划分
 

　　图2   计算域模型及网格划分示意图
 

　　3.2.2   仿真边界条件设定
 

　　为精确捕捉阀板旋转过程中流场的瞬态变化，流体域必须采用动网格技术。考虑到阀板运动引起的流体域变形主要表现为大位移刚性旋转，为避免网格畸变，本研究采用滑移网格(Sliding Mesh)策略，使用非一致网格交界面，允许网格相对滑动。流体域的入口与出口均设置为压力边界条件，给定出口压力为大气压力，模拟管道开放环境。蝶阀启闭过程特征流速较低(雷诺数Re<2300)，流动处于层流状态，故采用层流模型进行求解。
 

　　蝶阀固体计算域主要由阀座、阀板及阀杆三部分组成，为刚性部件，其材料参数对密封变形影响可忽略不计，故采用刚体模型简化处理，不考虑阀座密封环材料的超弹性特性影响。阀体安装法兰端面施加全自由度固定约束，模拟螺栓连接工况；阀板边缘与阀座密封环的挤压区域定义为摩擦接触，摩擦系数取0.2；密封环表面为接触面，阀板密封边缘为目标面，该设置可准确捕捉启闭过程中的密封接触力与磨损行为。不考虑蝶阀关闭过程中需实现的初始密封预紧，仅控制阀板绕阀杆轴线进行2°~90°旋转，模拟启闭工况。流体域与固体域的耦合界面设置为System Coupling交互边界，用于双向传递流体压力与结构位移数据。为捕捉启闭瞬态特性，设置输出为每个样本工况下的瞬时质量流量、动水力矩及结构应力场、变形场响应数据。
 

　　4   代理模型构建流程
 

　　本研究构建RBF代理模型基本流程如图3所示，主要包括样本点设计、数据集建立、数据预处理、模型构建与训练和性能预测等步骤。首先采用拉丁超立方设计在蝶阀设计空间抽取24组样本点；随后执行CFD-FEA耦合仿真获取扭矩、流量系数、应力等性能响应值；接着进行数据预处理，将设计变量归一化至[0,1]区间，对性能指标进行标准化处理；而后进行模型训练，构建Cubic核RBF模型，基于独立测试集评估精度，最终集成至实时预测系统，实现毫秒级性能响应。
 

图3   RBF代理模型流程图
 

　　4.1   数据预处理
 

　　代理模型对输入数据的尺度敏感需进行归一化处理以消除量纲差异，从而提升训练效率与精度。对样本点和实测数据进行输入变量归一化，将设计变量(开度、阀前后压差)按式(4)线性映射至[0,1]区间。
 

其中，是第3节中的DOE设计空间边界。
 

　　4.2   RBF代理模型构建
 

　　RBF代理模型通过一系列径向基函数的线性组合来逼近目标函数，具有结构简单、学习速度快、泛化能力强且数值稳定性高等优点。相比于人工神经网络，该方法更适用于小样本量场景，可由式(5)表示：
 

　　其中，ω为待求的权重系数，通过求解方程组确定，RBF(·)为径向基函数，常用的有高斯函数、多二次函数、Cubic型函数和样条函数等，其特点是函数值仅依赖于样本点X到中心点C的距离，通常以标准化欧氏距离表示。本研究以所有样本点作为中心点，确保精确插值，构建多种径向基核函数代理模型。由于现场的蝶阀处于工作状态，无法张贴应变片等实际应力变形监测设备，为验证RBF代理模型的预测精度，重新在设计空间中选取额外样本点，并重复数值仿真和数据处理步骤。本研究以决定系数R2和均方根误差RMSE为指标评估各模型性能，结果如表3所示。
 

　　表3   模型性能指标值
 

　　R2值越大且RMSE值越小一定程度上表达了模型预测精度越高。对比可知，选择Cubic型核函数RBF代理模型作为蝶阀性能预测器。
 

　　4.3   数据驱动的代理模型性能快速预测
 

　　本研究构建的RBF代理模型以实时传感数据作为驱动信号，能够快速预测实时工况下的蝶阀性能响应。搭建传感数据采集和传输系统，采集卡和解调仪集成于智能控制柜，以1000 Hz频率采集和解析阀前后的压力值，利用Socket TCP通信协议实时、稳定的读取智能控制柜电脑的压力值和阀门开度数据，并将其传输到代理模型预测器。
 

　　本研究采用的验证工况为θ=30°、ΔP=0.4 MPa，其部分节点应力预测误差如图4所示。由图可知，整体误差处于较低水平。
 

图4   节点应力预测与仿真值对比
 

　　综上所述，基于RBF代理模型的大口径蝶阀性能预测精度达标，其毫秒级响应速度满足工程使用要求，仿真结果充分验证了该方法在大型蝶阀性能快速评估中的实用价值，为阀门智能设计提供了可靠的计算引擎，具备工程落地性。
 

　　5   结语
 

　　本文提出并实现了一种基于径向基函数代理模型的大口径蝶阀性能快速预测框架。以典型工程规格DN2600/PN10单偏心蝶阀为研究对象，通过拉丁超立方设计在设计空间(阀门开度、阀前后压差)内高效抽取24组代表性样本点。基于参数化建模技术构建了耦合流体动力学与结构有限元的高保真数值模型，系统量化了关键性能指标，即动水力矩、流量系数及阀板应力场，并以此构建数据集，重点研究了基于Cubic核函数的RBF代理模型。研究结果表明，该代理模型在保证预测精度的前提下，实现了毫秒级的性能响应预测，原始全阶CFD-FEA耦合仿真一次需2 h左右，仿真效率获得大幅提升。
 

　　本文提出的基于RBF代理模型的大口径蝶阀性能预测方法能够为阀门的数字化设计、智能选型、实时状态监测及预防性维护决策提供强有力的理论工具，对提升重大流体装备的自主设计能力与智能化水平具有重要的工程实践价值。
 

　　本研究后续会探索将代理模型深度集成于阀门智能运维系统技术，结合边缘计算与云平台，实现基于实时数据的阀门性能在线评估、异常诊断与预测性维护策略自动生成，为重大流体装备的安全、高效、智能化运行提供理论和技术支撑。