Оптимизация численного моделирования сгорания метанола в газотурбинном двигателе с помощью нейронных сетей.
Авторы
DOI:
https://doi.org/10.31489/2025N4/53-62Ключевые слова:
нейронная сеть, сгорание, газотурбинный двигатель, численное моделированиеАннотация
Газовые турбины играют важнейшую роль в производстве высокоэнергетических мощностей, однако растущие требования к снижению выбросов NOₓ и CO₂ делают традиционную конструкцию камеры сгорания все более сложной и дорогостоящей. В данной работе предлагается новая парадигма моделирования, которая сочетает высокоточную вычислительную гидродинамику с обучением на основе нейронных сетей для ускорения прогнозирования выбросов. Модель вычислительной гидродинамики была разработана с использованием уравнений Навье-Стокса, усредненных по Рейнольдсу, с k–ε моделью турбулентности и подходом к функции плотности вероятности для непредварительного смешивания для моделирования турбулентного сгорания метана. Выбросы NOₓ рассчитывались после моделирования с использованием механизма Зельдовича. Проверка модели включала изменение расхода топлива, коэффициента избытка воздуха и тепловых потерь на стенках. Для ускорения оценок была обучена многослойная перцептронная нейронная сеть на результатах вычислительной гидродинамики для прогнозирования выбросов NOₓ и CO₂ на основе ключевых входных данных (расход топлива, избыток воздуха, температура, давление, охлаждение). Модель показала высокую точность с коэффициентом детерминации (R²) 0,998 для NOₓ и 0,956 для CO₂ на независимом тестовом наборе. Результаты показали хорошее соответствие как экспериментальным данным, так и модели сети идеальных реакторов с использованием подробной кинетической схемы сгорания метана - Mech 3.0. Эта нейронная сеть служит быстрой суррогатной моделью для оценки выбросов, позволяя быстро оптимизировать конструкции камер сгорания с низким уровнем выбросов. Подход подходит для цифровых двойников и систем управления сгоранием и может быть адаптирован к альтернативным видам топлива, таким как водород и аммиак.
Библиографические ссылки
Aversano G., Bellemans A., Li Z., Coussement A., Gicquel O., Parente A. (2019) Application of reduced-order models based on PCA & Kriging for the development of digital twins of reacting flow applications. Computers & Chemical Engineering, 121, 422–441. https://doi.org/10.1016/j.compchemeng.2018.09.022 DOI: https://doi.org/10.1016/j.compchemeng.2018.09.022
Shao C., Liu Y., Zhang Z., Lei F., Fu J. (2023) Fast prediction method of combustion chamber parameters based on artificial neural network. Electronics, 12(23), 4774. https://doi.org/10.3390/electronics12234774 DOI: https://doi.org/10.3390/electronics12234774
Wang Z., Yang X. (2024) NOx formation mechanism and emission prediction in turbulent combustion: A review. Applied Sciences, 14(14), 6104. https://doi.org/10.3390/app14146104 DOI: https://doi.org/10.3390/app14146104
Ihme M., Chung W.T., Mishra A.A. (2022) Combustion machine learning: Principles, progress and prospects. Progress in Energy and Combustion Science, 91, 101010. https://doi.org/10.1016/j.pecs.2022.101010 DOI: https://doi.org/10.1016/j.pecs.2022.101010
Li S., Zhu H., Zhu M., Zhao G., Wei X. (2021) Combustion tuning for a gas turbine power plant using data-driven and machine learning approach. Journal of Engineering for Gas Turbines and Power, 143(3), 031021. https://doi.org/10.1115/1.4050020 DOI: https://doi.org/10.1115/1.4050020
Lamont W., Roa M., Lucht R. (2014) Application of artificial neural networks for the prediction of pollutant emissions and outlet temperature in a fuel-staged gas turbine combustion rig (Paper No. GT2014-25030). In Proceedings of ASME Turbo Expo 2014: Turbine Technical Conference and Exposition. https://doi.org/10.1115/GT2014-25030 DOI: https://doi.org/10.1115/GT2014-25030
Wang Q., Hesthaven J.S., Ray D. (2019) Non-intrusive reduced order modeling of unsteady flows using artificial neural networks with application to a combustion problem. Journal of Computational Physics, 384, 289–307. https://doi.org/10.1016/j.jcp.2019.01.031 DOI: https://doi.org/10.1016/j.jcp.2019.01.031
Lee W., Jang K., Han W., Huh K.Y. (2021) Model order reduction by proper orthogonal decomposition for a 500 MWe tangentially fired pulverized-coal boiler. Case Studies in Thermal Engineering, 28, 101414. https://doi.org/10.1016/j.csite.2021.101414 DOI: https://doi.org/10.1016/j.csite.2021.101414
Sun J., Song Y., Shi Y., Zhao N., Zheng H. (2023) Prediction of the pollutant generation of a natural gas-powered coaxial staged combustor. Journal of Tsinghua University (Science & Technology), 63, 649–659. https://doi.org/10.16511/j.cnki.qhdxxb.2023.25.014
Khodayari H., Ommi F., Saboohi Z. (2021) Multi-objective optimization of a lean premixed laboratory combustor through CFD-CRN approach. Thermal Science and Engineering Progress, 25, 101014. https://doi.org/10.1016/j.tsep.2021.101014 DOI: https://doi.org/10.1016/j.tsep.2021.101014
Fichet V., Kanniche M., Plion P., Gicquel O. (2010). A reactor network model for predicting NOx emissions in gas turbines. Fuel, 89(9), 2202–2210. https://doi.org/10.1016/j.fuel.2010.02.010 DOI: https://doi.org/10.1016/j.fuel.2010.02.010
Huang Z., Dai P., Xu C., Tian H., Sun L., Li X. (2025) Optimization of ammonia/methane mixture combustion kinetic model based on artificial neural network. Applied Thermal Engineering, 264, 125484. https://doi.org/10.1016/j.applthermaleng.2025.125484 DOI: https://doi.org/10.1016/j.applthermaleng.2025.125484
Pope S.B. (1985) PDF methods for turbulent reactive flows. Progress in Energy and Combustion Science, 11(2), 119–192. https://doi.org/10.1016/0360-1285(85)90002-4 DOI: https://doi.org/10.1016/0360-1285(85)90002-4
Peters N. (1984) Laminar diffusion flamelet models in non-premixed turbulent combustion. Progress in Energy and Combustion Science, 10(3), 319–339. https://doi.org/10.1016/0360-1285(84)90114-X DOI: https://doi.org/10.1016/0360-1285(84)90114-X
Yakhot V., Orszag S.A., Thangam S., Gatski T. B., Speziale C.G. (1992) Development of turbulence models for shear flows by a double expansion technique. Physics of Fluids A: Fluid Dynamics, 4(7), 1510–1520. https://doi.org/10.1063/1.858424 DOI: https://doi.org/10.1063/1.858424
Hashemi S.A., Fattahi A., Sheikhzadeh G.A., Hajialigol N., Nikfar M. (2012) Numerical investigation of NOx reduction in a sudden-expansion combustor with inclined turbulent air jet. Journal of Mechanical Science and Technology, 26(11), 3723–3731. https://doi.org/10.1007/s12206-012-0848-y DOI: https://doi.org/10.1007/s12206-012-0848-y
Zhao X., Haworth D.C., Huckaby E.D. (2012) Transported PDF modeling of nonpremixed turbulent CO/H2/N2 jet flames. Combustion Science and Technology, 184(5), 676–693. https://doi.org/10.1080/00102202.2012.660223 DOI: https://doi.org/10.1080/00102202.2012.660223
Sun J., Zhao N., Li Y., Cheng X., Zheng H. (2025) Experimental and numerical study on NOx emissions characteristics in a coaxial staged combustor. Journal of Engineering for Gas Turbines and Power, 147(8), 081002. https://doi.org/10.1115/1.4067219 DOI: https://doi.org/10.1115/1.4067219
Lefebvre A.H. (1984) Fuel effects on gas turbine combustion—liner temperature, pattern factor, and pollutant emissions. Journal of Aircraft, 21(11), 887–898. https://doi.org/10.2514/3.45059 DOI: https://doi.org/10.2514/3.45059
Bahramian A., Maleki M., Medi B. (2017) CFD modeling of flame structures in a gas turbine combustion reactor: Velocity, temperature, and species distribution. International Journal of Chemical Reactor Engineering, 15(4), 20160076. https://doi.org/10.1515/ijcre-2016-0076 DOI: https://doi.org/10.1515/ijcre-2016-0076
Xu S., Tu Y., Huang P., Luan C., Wang Z., Shi B. (2020) Effects of wall temperature on methane MILD combustion and heat transfer behaviors with non-preheated air. Applied Thermal Engineering, 174, 115282. https://doi.org/10.1016/j.applthermaleng.2020.115282 DOI: https://doi.org/10.1016/j.applthermaleng.2020.115282
