Badania nad modelem stopniowej redukcji ciśnienia zaworu redukcyjnego pary cieplnej
Apr 14, 2026
Zespół badawczy specjalizujący się w zaworach regulacyjnych Uniwersytetu Zhejiang przeprowadził ostatnio systematyczne badania nad termohydraulicznymi właściwościami kluczowych elementów regulacyjnych zaworów redukcyjnych ciśnienia pary w elektrowniach cieplnych. Wyniki tych badań znalazły odzwierciedlenie w artykule naukowym zatytułowanym „Szybka prognoza termohydraulicznych właściwości zaworów redukcyjnych ciśnienia pary w elektrowniach cieplnych w oparciu o model redukcji rzędu”, opublikowanym w czasopiśmie International Communications in Heat and Mass Transfer (wiodącym czasopiśmie w drugiej strefie Chińskiej Akademii Nauk). W odpowiedzi na ograniczenia tradycyjnej symulacji numerycznej CFD i metod badań eksperymentalnych pod względem efektywności i kosztów, skonstruowano model zredukowanego rzędu (ROM) oparty na eigenortogonalnym rozkładzie (POD), umożliwiający szybką rekonstrukcję i efektywne przewidywanie złożonych pól przepływu. To znacząco poprawiło wydajność obliczeniową, zapewniając jednocześnie dokładność inżynierską. Zawory redukujące ciśnienie pary wodnej są kluczowymi elementami regulacyjnymi w elektrowniach cieplnych. Ze względu na wysokie koszty obliczeniowe i wymagania czasowe, analiza ich złożonych właściwości cieplno-hydraulicznych jest dość trudna. Aby rozwiązać ten problem, w niniejszym badaniu opracowano model zredukowanego rzędu (ROM) wykorzystujący rozkład ortogonalny własny (POD). Najpierw przeprowadzono numeryczną symulację pola przepływu przy różnych ciśnieniach wylotowych i skokach; następnie wykorzystano POD do ekstrakcji modów przestrzennych i współczynników modalnych; wreszcie, za pomocą metod dopasowania, takich jak model Kriginga, regresja maszyny wektorów nośnych i regresja wektorów nośnych oparta na fizyce, ustalono zależność między współczynnikami modalnymi a warunkami pracy. Wyniki pokazują, że w porównaniu z symulacją CFD, symulacja ROM zwiększyła wydajność obliczeniową o ponad cztery rzędy wielkości. Maksymalny błąd wyniku symulacji ROM wynosi 13,59%. Symulacja ROM prognozuje rozkład ciśnienia, temperatury i entropii, ze względnym błędem średniokwadratowym (RRMSE) mniejszym niż 2%. Niniejsza praca proponuje nowe ramy modelowania zredukowanego rzędu do przewidywania rozkładu wielkości fizycznych w zaworach redukcyjnych ciśnienia. Ponadto badanie to stanowi punkt odniesienia przy opracowywaniu szybkich i dokładnych modeli predykcyjnych dla komponentów inżynieryjnych w zastosowaniach dynamiki płynów. Podłoże badawcze Zawór redukujący ciśnienie pary jest kluczowym elementem regulacyjnym w systemie parowym elektrowni cieplnych. Odpowiada za redukcję ciśnienia pary przegrzanej wysokotemperaturowej i wysokociśnieniowej (około 2 MPa, 574°C) do wymaganego ciśnienia za zaworem oraz za regulację natężenia przepływu poprzez regulację stopnia otwarcia. Wraz ze wzrostem zapotrzebowania na redukcję mocy szczytowej, zawory muszą być często otwierane. Jeśli w ich wnętrzu występuje zablokowany przepływ (Ma>=1), może to prowadzić do spadku sprawności, a nawet uszkodzenia urządzenia. Dlatego monitorowanie wewnętrznego pola przepływu w czasie rzeczywistym ma kluczowe znaczenie dla bezpiecznej pracy. Jednak wnętrze zaworu znajduje się w środowisku o ekstremalnie wysokiej temperaturze i ciśnieniu, co uniemożliwia instalację czujników w newralgicznych miejscach, takich jak otwory dławiące. Trudno jest określić rzeczywiste ciśnienie wewnętrzne, prędkość i rozkład temperatury. Obecnie badania nad zaworami redukującymi ciśnienie pary opierają się głównie na eksperymentach i symulacjach CFD, ale istnieją oczywiste niedociągnięcia pod względem sprawności i kosztów. W niniejszym artykule skonstruowano model zredukowanego rzędu (ROM) oparty na eigenortogonalnym rozkładzie (POD). Głównym założeniem jest wyodrębnienie głównych modów przepływu z niewielkiej liczby precyzyjnych wyników CFD i rekonstrukcja pola przepływu. Następnie, tworzone jest proste odwzorowanie między parametrami warunków pracy a współczynnikami modalnymi. W nowych warunkach pracy, pełne pole przepływu można szybko zrekonstruować bez konieczności ponownego rozwiązywania złożonych równań mechaniki płynów. Metody badawcze Podstawą budowy modelu zredukowanego rzędu jest utworzenie wysokiej jakości biblioteki próbek szkoleniowych. W badaniu wybrano cztery ciśnienia wylotowe (1,2 MPa, 1,4 MPa, 1,6 MPa, 1,8 MPa) i sześć skoków zaworów (od 20 mm do 120 mm) i połączono je, tworząc 24 zestawy ustalonych warunków obliczeniowych, obejmujące typowy zakres warunków pracy tego zaworu redukcyjnego ciśnienia pary. Maksymalna odchyłka między obliczonym za pomocą CFD natężeniem przepływu a wartością zmierzoną, potwierdzona danymi zebranymi na miejscu w elektrowni cieplnej, wynosi 9,70%. Spełnia to wymogi dokładności inżynieryjnej i gwarantuje wiarygodność późniejszych danych wejściowych ROM. Metoda rozkładu ortogonalnego własnego (POD) została zastosowana w celu redukcji wymiarów danych migawkowych CFD. Uporządkuj każdą grupę wielkości fizycznych pola przepływu (gęstość, ciśnienie, prędkość, temperatura, liczba Macha, entropia) jako wektory wierszowe, aby utworzyć macierz migawkową X (o wymiarach m×n, gdzie m=24 to liczba próbek, a n≈8×10⁶ to liczba węzłów siatki). POD: X ≈ UΣV beta uzyskuje się poprzez rozkład wartości osobliwych (SVD). Wśród nich U zawiera informacje o współczynnikach modalnych, V zawiera mody przestrzenne, a elementy diagonalne Σ to wartości osobliwe, reprezentujące wkład energetyczny każdego modu. Po uporządkowaniu w kolejności malejącej energii, pierwszy mod odpowiada za 85,72% energii pola ciśnienia i 88,00% pola entropii. Skumulowana energia pierwszych 12 modów sięga 99%, dlatego wybierany jest rząd obcięcia k=12, a mody wyższego rzędu są odrzucane w celu odfiltrowania szumu numerycznego. Aby uzyskać prognozę nowych warunków pracy, konieczne jest ustalenie zależności mapującej między parametrami warunków pracy (ciśnienie wylotowe p, skok zaworu h) a współczynnikiem modalnym α, α=f(p, h). W badaniu porównano trzy metody regresji: regresję wielomianową, metodę Kriginga i regresję wektorów nośnych.Ponadto, w badaniach podjęto próbę regresji maszyny wektorów nośnych informacji fizycznej. Resztę równania pędu wprowadzono do funkcji straty SVR, a algorytm spadku gradientu zastosowano w celu optymalizacji hiperparametru ε, tak aby przewidywane pole przepływu spełniało ograniczenie zachowania pędu równania NS stanu ustalonego na płaszczyźnie symetrii.Jednakże wyniki pokazują, że ponieważ funkcja bazowa POD została wyodrębniona z migawki CFD, która spełnia równanie kontrolne, sama funkcja bazowa zawiera wystarczającą ilość informacji fizycznych. W przypadku ograniczonych próbek, podstawowa wartość SVR zbliżyła się do górnej granicy dokładności tego modelu reprezentacji. Wprowadzenie ograniczeń fizycznych jako drugorzędnych składników optymalizacji nie zmniejszyło znacząco błędu prognozy (RRMSE 1,16% w porównaniu z 0,87%), a wręcz przeciwnie, mogło prowadzić do wzrostu lokalnego odchylenia regionalnego z powodu nadmiernych ograniczeń. Proces predykcji online finalnego ROM-u przebiega następująco: wprowadź parametry docelowych warunków pracy (p, h), uzyskaj 12 współczynników modalnych α youdaoplaceholder7 poprzez interpolację modelu Kriginga i liniowo superpozycję wstępnie zapisanych modów przestrzennych dla u(X)=Σα dv ϕ i dv (X), aby zrekonstruować pełny rozkład pola przepływu. Złożoność obliczeniowa tego procesu wynosi O(k×n). Na platformie obliczeniowej wyposażonej w procesor AMD EPYC 7763 pojedyncza predykcja zajmuje około 4,8 sekundy, czyli o cztery rzędy wielkości więcej niż 11 665 sekund w CFD. Wyniki badań Biorąc za przykład wyniki prognozowania ciśnienia, wyniki prognozowania symetrycznego pola ciśnienia płaskiego za pomocą modelu zredukowanego rzędu opartego na modelu Kriginga pokazują, że błąd standardowy (RMMSE) wynosi 0,79%, a maksymalny błąd względny 16,49%. Błąd standardowy (RMMSE) modelu opartego na regresji maszyny wektorów nośnych (SVR) wynosi 0,87%, a maksymalny błąd względny 15,38%. Obie metody kontrolują błąd względny rozkładu ciśnienia w dopuszczalnym przez inżynierów zakresie 20%, a błąd standardowy (RMMSE) obu jest mniejszy niż 1%. Warto zauważyć, że w obszarze szczeliny pierścieniowej między tuleją zewnętrzną a wewnętrzną, z powodu nagłego rozszerzenia się obszaru przepływu, natężenie przepływu spada, a ciśnienie wykazuje wyraźne zjawisko odbicia, przy czym jego wartość wzrasta do wartości od 1,53 MPa do 1,88 MPa. Następnie para przepływa przez otwór dławiący tulei wewnętrznej (dławienie wtórne), a ciśnienie ponownie spada, ostatecznie równoważąc się z ciśnieniem na wylocie. Ta niemonotoniczna charakterystyka rozkładu ciśnienia, charakteryzująca się „obniżką ciśnienia – odbiciem – ponowną redukcją ciśnienia”, została dokładnie uwzględniona w modelu ROM. Niezależnie od tego, czy jest to metoda Kriginga, czy SVR, ich krzywe predykcyjne są zgodne z wartościami odniesienia CFD, z jedynie niewielkimi odchyleniami w obszarze maksymalnego gradientu lokalnego. W głównej części korpusu zaworu oraz w obszarach rurociągów wlotowego i wylotowego zmiany ciśnienia są stosunkowo łagodne, a błąd względny wynosi zazwyczaj mniej niż 5%, a w niektórych obszarach nawet mniej niż 1%. Maksymalny błąd względny, wynoszący 16,49%, występuje w położeniu lokalnym w pobliżu ścianki wylotowej otworu dławiącego tulei zewnętrznej. W tym miejscu separacja przepływu jest intensywna, a utrata szczegółów spowodowana przerwaniem modów wyższego rzędu jest najbardziej widoczna. Mimo to poziom błędu mieści się nadal w akceptowalnym zakresie dla oceny trendu ciśnienia i oceny ogólnego obciążenia w zastosowaniach inżynierskich. Porównano skuteczność trzech metod dopasowania w prognozowaniu pola przepływu: model Kriginga z dokładnością RRMSE na poziomie 0,79% był nieznacznie lepszy niż SVR z dokładnością 0,87%, a obie metody były porównywalne przy maksymalnym poziomie błędu (około 15-16%). Metoda PI-SVR z wprowadzonymi ograniczeniami informacji fizycznej nie wykazuje przewagi w prognozowaniu ciśnienia. Jej RRMSE wynosi 1,16%, maksymalny błąd sięga 17,67%, a zakres rozkładu błędów w obszarze o wysokim gradiencie otworu dławiącego jest rozszerzony w porównaniu z podstawową metodą SVR. Zjawisko to wskazuje, że dla wielkości fizycznych, takich jak ciśnienie, które charakteryzują się silną nieliniowością, ale stosunkowo stałą strukturą przestrzenną, interpolacja Kriginga oparta na procesach Gaussa pozwala lepiej radzić sobie z małymi próbkami i nieparametrycznymi zależnościami odwzorowania. Dlatego też, w celu szybkiego przewidywania pola przepływu zaworów redukcyjnych ciśnienia pary wodnej, model Kriginga uznano za optymalne rozwiązanie. Perspektywy badawcze Wyniki badań wskazują wykonalną ścieżkę techniczną dla konstrukcji cyfrowego bliźniaka zaworów redukcyjnych ciśnienia. Model pamięci masowej (ROM) umożliwia rekonstrukcję w czasie rzeczywistym i wizualny monitoring kluczowych parametrów, takich jak wewnętrzne pole ciśnienia i pole temperatury zaworu, rozwiązując problem „czarnej skrzynki” spowodowany brakiem możliwości zainstalowania tradycyjnych czujników wewnątrz elementu dławiącego. Należy jednak zaznaczyć, że model zredukowanego rzędu opracowany w niniejszym badaniu ma wyraźne granice stosowalności. Po pierwsze, efektywny zakres modelu jest ściśle ograniczony do przestrzeni parametrów objętej danymi szkoleniowymi i nie ma możliwości ekstrapolacji do niepróbkowanych geometrii ani różnych warunków brzegowych. Po drugie, obecny model jest skonstruowany w oparciu o migawki stanu ustalonego i nadaje się jedynie do przewidywania ustalonych warunków pracy, nie będąc w stanie uchwycić przejściowej ewolucji przepływu podczas szybkiego działania zaworu. Dalsze badania pogłębią i rozszerzą obecną pracę w następujących dwóch aspektach: Pierwszym z nich jest modelowanie przepływów przejściowych. Łącząc metody analizy szeregów czasowych (takie jak DMD (Dynamic Mode Decomposition) czy LSTM (Long Short-Term Memory Network), powstaje dynamiczny model zredukowanego rzędu, który pozwala przewidywać niestacjonarną ewolucję przepływu. Drugim jest optymalizacja metod informacji fizycznej. Należy ponownie przeanalizować strategie wdrażania uczenia maszynowego informacji fizycznej, rozważyć wprowadzenie ograniczeń fizycznych na etapie ekstrakcji modalnej zamiast na etapie regresji lub zastosować strukturę wielowierszowości połączoną z niskorozdzielczą symulacją dynamiki płynów (CFD) i sieciami neuronowymi informacji fizycznej, aby poprawić zdolność modelu do ekstrapolacji i spójność fizyczną w obszarach o małej gęstości próbek.
CZYTAJ WIĘCEJ