Page 142 - 《爆炸与冲击》2023年第2期

第 43 卷 陈源捷，等： 基于ESGA遗传算法的水射流自驱旋转喷头优化设计 第 2 期

30 mm）内，相较原方案，过喷现象明显改善，对应的扫掠冲击时间峰值分别下降 12.0% 和 15.0%。由于相
邻喷嘴有最小尺寸间距的要求，对喷头结构的整体优化带来一定限制，导致该扫掠区域的冲击时间仍存
在峰值效应，在扫掠宽度范围内也做不到累计冲击时间均匀分布。在有效打击区域（−50 mm，50 mm）
内，各观测点的扫掠冲击时间基本保持在 12 ms 以上。采用原喷头布局与 ESGA 算法优化后的能量分布
如图 13（c）～（d）所示，可以看出，优化布局方案的打击能量分布均匀度要明显优于原布局方案，因此，经
ESGA 算法优化后的布局方案可以保证在扫掠宽度范围内具有更好的清垢除锈效果。
3.3 方法对比及分析
表 1 为原设计方案与 GA 算法与 ESGA 算法优化方案的对比结果。从优化结果可以看出，由于布局
优化目标的方向一致，GA 算法与 ESGA 算法以冲击时间的最小值为优化目标所得到的喷嘴布局分布趋
势一致，表明采用 ESGA 算法解决此类优化问题具有较好的稳定性。衡量能量均匀度的目标值越小，均
匀度越好，相比于原方案，GA 算法对能量均匀
表 1 GA 算法与 ESGA 算法优化结果比较
度提升约 45.2%，ESGA 算法对能量均匀度提升
Table 1 Comparison of optimization results between GA
约 47.2%。相比之下，ESGA 算法的优化幅度高
algorithm and ESGA algorithm
于 GA 算法，主要原因是采用“锦标赛选择”的
优化方法 目标值
ESGA 算法可有效避免种群中最优个体因为杂
原设计 0.003 45
交操作而被破坏，把种群在遗传迭代过程中出现
GA算法 0.001 89
的最优个体（也称为精英个体）不进行配对交叉
ESGA算法 0.001 82
而直接保留到了下一代种群当中。
采用基于“锦标赛选择”的 ESGA 算法优化法开展旋转喷头布局优化的主要意义在于能够满足在
约束条件的前提下，不需要过多的布局设计经验也可以设计出比原方案更优的设计方案。但是由于喷
嘴位置的改变，可能也会改变喷头的主要结构，因此需要对喷头的结构尺寸进行校核，避免结构出现无
法加工的问题 [17] 。
综上所述，可以认为上述基于“锦标赛选择”的 ESGA 算法所得到的喷头布局优化结果在工程上
是可以接受的，算法的优化迭代步数在 45 步以内，收敛速度快。因此该方案能够较快地得到喷头布局
优化结果，可以用于一字形旋转射流喷头结构设计前的喷嘴布局设计。
为充分验证优化结果的有效性，基于船壁爬壁机器人载体平台，以水线面以上钢制船壁基材表面达
到 Sa2.5 为清洁标准，开展了 6 喷嘴型原始旋转喷头和 ESGA 算法优化后旋转喷头清垢除锈效率的对比
试 验 ， 场 地 试 验 结 果 如 表 2 所 示 。 采 用 原 设 计 方 案 的 6 喷 嘴 型 旋 转 喷 头 ， 平 均 单 位 时 间 清 除 面 积
2
2
36.7 m ，采用 ESGA 算法优化后的 6 喷嘴型旋转喷头，平均单位时间清除面积 52.1 m ，较原设计方案除
锈效率提高 42.0%。

表 2 原方案与 ESGA 优化方案除锈效率比较
Table 2 Comparison of the rust-removing efficiency between original scheme and ESGA optimized scheme
试验 喷头设计类型 时间/min 有效清除面积/m 2 核算单位时间清除面积/（m ·h ）
−1
2
1 原设计方案 20 12.1 36.2
2 原设计方案 20 12.3 37.1
3 ESGA算法优化方案 20 17.5 52.5
4 ESGA算法优化方案 20 17.2 51.6

4 结 论

(1) 遗传算法在解决此类喷头布局优化问题具有较好的稳定性，ESGA 算法和 GA 算法优化后的结

024201-12