基于深度学习的有机朗肯循环涡轮机性能预测与功率调节

《Energy》:Performance prediction and power regulation of organic Rankine cycle turbine with deep learning

【字体: 大 中 小 】 时间:2026年04月28日 来源:Energy 9.4

编辑推荐:

  邱万杜|陈新安|张成|廖恒基|刘明|史帅杰|袁德文|谢天洲|闫晓 中国核动力研究院先进核能技术国家重点实验室,成都,中国 **摘要** 实时获取涡轮机在非设计条件下的空气动力特性对于有机朗肯循环(ORC)系统至关重要。深度学习方法为解决这一挑战提供了有前景的途径。本

  邱万杜|陈新安|张成|廖恒基|刘明|史帅杰|袁德文|谢天洲|闫晓 中国核动力研究院先进核能技术国家重点实验室,成都,中国 **摘要** 实时获取涡轮机在非设计条件下的空气动力特性对于有机朗肯循环(ORC)系统至关重要。深度学习方法为解决这一挑战提供了有前景的途径。本文提出了一种混合深度神经网络(Turbo-HDNN)模型,用于从运行参数连续准确地预测物理场分布,进而预测空气动力性能参数,并进行了敏感性分析。此外,还开发了一种改进的Turbo-HDNN模型(Turbo-IHDNN),用于预测典型叶片截面的物理场和流动损失特性。最后,基于Turbo-HDNN模型和基于梯度的优化算法实现了快速功率调节。结果表明,仅需1毫秒即可生成单个样本的预测物理场、功率和效率数据。其计算速度比计算流体动力学快六个数量级,并且与传统替代模型相比具有更高的准确性。敏感性分析表明,功率对入口压力最敏感,而效率对旋转速度最敏感,多个设计变量之间存在强耦合。Turbo-IHDNN模型能够准确重建二维物理场,转子出口处的压力损失系数最大误差仅为1.6%。在四个功率调节任务中,它可以在100次迭代内快速且稳健地完成运行参数优化,同时确保效率保持在94.65%以上。本研究为非设计条件下的涡轮机空气动力分析和ORC系统的功率调节提供了一种新的可行方法。 **引言** 太阳能、生物质能和地热能等清洁能源的蓬勃发展,以及工业废热的回收,对于转变能源结构和推动绿色经济发展具有重要意义。有机朗肯循环(ORC)采用低沸点有机工作流体作为循环介质,是一种有效的发电技术[1]。该系统由泵、涡轮机、蒸发器和冷凝器组成,具有系统简单、设备紧凑、适应性强和启动停止快速等优点[2],因此在可再生能源和废热回收领域得到了广泛应用[3]。涡轮机作为ORC系统的核心组件,负责将热能转换为电能,但由于热源的波动和间歇性,它经常在各种非设计条件下运行。因此,实时监测和调节其运行状态对于提升整体系统性能至关重要。 早期研究人员主要采用实验方法来获取涡轮机的空气动力特性,这需要在叶片级联中安装各种传感器来测量流场以评估空气动力性能。然而,每当叶片轮廓或运行条件发生变化时,都必须重复这些实验设置。随着计算能力的不断提高,计算流体动力学(CFD)已成为主流研究工具。尽管如此,数值模拟过程仍然需要大量的CFD计算,导致时间成本较高。为了减轻计算负担,人们提出了替代模型来替代昂贵的CFD求解器来评估涡轮机的空气动力性能[4]。常见的替代模型包括人工神经网络(ANN)、克里金模型(Kriging)、响应面方法(RSM)、高斯过程回归(GPR)和支持向量机(SVM)。早在1999年,Pierret[5]就利用ANN构建了替代模型,并采用模拟退火算法优化叶片轮廓,从而加快了设计过程。类似地,Zhu[6]和Lee[7]分别使用ANN准确预测了潮汐涡轮机和轴流风扇的空气动力性能,并通过遗传算法进行了优化。虽然这些传统替代模型成功建立了输入和输出之间的非线性映射,但它们未能充分利用CFD案例中丰富的物理场信息[8]。因此,在性能预测过程中无法实时获得特定运行条件下的物理场分布,尽管这些分布与空气动力特性密切相关。这无疑导致了资源浪费,并且传统替代模型存在准确性上限和缺乏可解释性的问题。近年来,深度学习技术取得了快速发展,在各种涡轮机械应用的性能预测方面取得了突破性进展,例如超临界CO2涡轮机的空气动力性能预测[9]、压缩机空气动力特性分析[10]、燃气轮机空气热性能[11]、风力涡轮机尾流场建模[12]、涡轮机薄膜冷却效果预测[13]、涡轮盘腔内的热传递性能预测[14]、涡轮叶片温度场重建[15]以及水轮机效率预测[16]。然而,在有机流体涡轮机这一特定领域尚未有相关研究报道。 为了提高深度学习模型的可解释性和预测准确性,一些研究人员引入了中间变量作为设计变量和目标函数之间的桥梁。这种中间变量必须与输入和输出都保持强相关性。在预测超临界CO2涡轮机空气动力特性的研究中,Wang[17]采用了叶片中跨截面的压力和温度分布作为中间变量。通过建立从设计变量到这些物理场分布的非线性映射,再从分布到空气动力性能参数的映射,实现了高达95%的预测准确性。然而,需要注意的是,Wang的研究仅针对直叶片和低纵横比叶片。对于更复杂的涡轮机配置(如扭曲叶片或高纵横比叶片),仅依赖单个中间截面的压力分布不足以表征叶片级联内的流动特性。为了解决这个问题,Du[18]从定子和转子的五个叶片高度截面提取了压力和温度分布。这种方法实现了端到端的预测框架,超过99%的测试样本的预测误差低于0.5%。以往大多数深度学习模型依赖于卷积神经网络(CNN)。近年来,越来越多的先进神经网络运算符被采用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号