Нейрондық желілерді қолдану арқылы газтурбиналық қозғалтқышта метанолдың жануын сандық модельдеуді оңтайландыру.
Авторлар
DOI:
https://doi.org/10.31489/2025N4/53-62Кілт сөздер:
нейрондық желі, жану, газтурбиналық қозғалтқыш, сандық модельдеуАңдатпа
Газ турбиналары жоғары энергиялы қуат өндіруде маңызды рөл атқарады, алайда NOₓ және CO₂ шығарындыларын азайтуға қойылатын талаптардың артуы жану камераларының дәстүрлі конструкцияларын барған сайын күрделендіріп, қымбаттата түсуде. Бұл жұмыста шығарындыларды болжауды жеделдету мақсатында жоғары дәлдіктегі есептік гидродинамиканы нейрондық желілерге негізделген оқытумен үйлестіретін жаңа модельдеу парадигмасы ұсынылады. Есептік гидродинамика моделі Рейнольдс бойынша орташа алынған Навье-Стокс теңдеулерін, k-ε турбуленттік моделін және алдын ала араластырылмаған турбулентті жануды сипаттау үшін ықтималдық тығыздығы функциясы тәсілін пайдалану арқылы әзірленді. Метанның жану процесін модельдеуден кейін NOₓ шығарындылары Зельдович механизмі негізінде есептелді. Модельді тексеру жанармай шығынын, артық ауа коэффициентін және қабырғадағы жылулық шығындарды өзгерту арқылы жүргізілді. Бағалауды жеделдету үшін есептік гидродинамика нәтижелері негізінде көпқабатты перцептрон типті нейрондық желі оқытылып, негізгі кіріс параметрлері (жанармай шығыны, артық ауа коэффициенті, температура, қысым және салқындату жағдайлары) бойынша NOₓ және CO₂ шығарындыларын болжау жүзеге асырылды. Модель тәуелсіз тестілеу жиынында жоғары дәлдік көрсетіп, NOₓ үшін детерминация коэффициенті (R²) 0,998, ал CO₂ үшін 0,956 мәндерін көрсетті. Алынған нәтижелер эксперименттік мәліметтермен, сондай-ақ метан жануының егжей-тегжейлі кинетикалық сұлбасын Mech 3.0 қолданатын идеал реакторлар желісінің моделімен жақсы сәйкестік көрсетті. Ұсынылған нейрондық желі шығарындыларды бағалауға арналған жылдам суррогаттық модель ретінде қызмет етіп, төмен эмиссиялы жану камераларының конструкцияларын жедел оңтайландыруға мүмкіндік береді. Бұл тәсіл цифрлық егіздер мен жану процесін басқару жүйелеріне тиімді түрде енгізілуі мүмкін және сутек пен аммиак сияқты баламалы отын түрлеріне бейімделе алады.
Дәйексөздер
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
Downloads
Жарияланды
How to Cite
Журналдың саны
Бөлім
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
