Наиболее сложное оборудование в составе технических установок – динамическое, а именно центробежные компрессоры и турбодетандеры (ТД). Наибольший интерес представляют низкотемпературные турбомашины расширительного типа, поэтому обоснование будет проведено именно для таких машин.
Суть и состав проблемы
При испытаниях ТД может возникнуть ряд проблем, решение которых может оказаться затруднительным или требовать дополнительных капитальных затрат на модернизацию испытательного участка.
К таким проблемам можно отнести:
- технологическую невозможность обеспечения условий автомодельности процессов расширения для реальных рабочих и модельных условий работы машины вследствие существенно большей номинальной производительности ТД относительно тех условий, что могут быть обеспечены при испытаниях в части: расхода рабочей среды, давления на входе в ТД, поддержание расчетной степени расширения;
- существенное различие теплофизических свойств номинальной рабочей среды и используемой при модельных режимах при условиях испытаний;
- конструктивные особенности машины, при которых контроль параметров потока на выходе из соплового аппарата невозможен или требует модификаций по месту, что приведет к невозможности эксплуатации машины по назначению заказчиком.
Помимо проблем, возникающих при испытаниях ТД, в проектно-конструкторские отделы от заказчиков или эксплуатирующих организаций поступают запросы на анализ возможностей повышения производительности функционирующих систем с минимальными вложениями или использования уже разработанных и изготовленных машин с рабочими средами, отличающимися от номинально расчетных.
Например:
На Бованенковском месторождении в качестве рабочей среды может быть одна из более чем 20 вариантов различных составов природного газа.
Описанные выше ситуации требуют комплексного научно-технического анализа, поскольку подразумевают необходимость учета деградации машин и аппаратов вследствие износа и воздействия негативных факторов условий эксплуатации, что в большинстве случаев вносит неопределенность при задании параметров системы в ходе расчета на форсированном режиме работы или при отличных от номинальных рабочих сред.
Формализованный перспективный вариант решения проблемы
Наиболее рациональным путем решения таких проблем является использование достижений информационных технологий в части нейронных сетей и машинного обучения в целом. Нейронные сети характеризуются способностью выступать в качестве многопараметрических аппроксиматоров, для которых природа и источник данных фактически не имеют никакого значения.
Помимо этого, нейронные сети способны учитывать неявную связь входных параметров, наличие которой не было определено аналитически с учетом ряда заложенных при расчетах допущений. Например, для ТД влияние осевых и радиальных составляющих вибрационных перемещений оказывает влияние на энергетическую эффективность, но не может быть учтено в расчетах.
На рисунке 1 показано место нейронных сетевых методов и искусственного интеллекта в жизненном цикле ТД. Особенность заключается в том, что неявные методы могут быть применены как при эксплуатации машин в формате систем регулирования и управления, так и в качестве упрощенных (с точки зрения объема классических вспомогательных вычислений) методов проверки / валидации внесенных в конструкцию проточной части машины изменений.
Строгое обоснование неявных методов
Строгое описание этого явление может быть показано через адаптированную к проблеме теорему Гёделя:
Во всякой достаточно богатой непротиворечивой теории, существует такая функция f(x1,x2,…,xn), связывающая некоторые параметры xi, что ни сама функция f, ни ее логическое отрицание -f не могут быть выведены из этой теории.
Теория турбомашин по своей сути непротиворечива и достаточно богата, однако вышеуказанная связь вибрационных перемещений и эффективности ТД не может быть из нее выведена и не может быть опровергнута.
Отсюда следует, что использование нейронных аппроксиматоров может служить универсальным решением для поиска связей между контролируемыми параметрами при испытаниях и теми параметрами, области определения и значений которых дается в рамках теории турбомашин.
Концепция организации системы с неявными методами
На основании вышесказанного в качестве альтернативы классическим методиками пересчета энергетических характеристик ТД при условиях испытаний с учетом достижения условий автомодельности процессов расширения может быть предложена концепция неявного пересчета этих характеристик, которая представлена на рисунке 2, рисунке 3 и состоит из следующих этапов:
Этап 1. Наработка данных и обучение нейронных сетей. В процессе испытаний машины при условиях, которые могут быть реализованы с учетом технологических возможностей испытательного участка, а также в процессе непосредственной эксплуатации, происходит наработка, разметка и формирование снимков состояния, содержащих числовые значения конструктивных особенностей ТД и условий его работы, в том числе расход и тип рабочей среды. Массив данных используется для обучения нейронных сетей, которые в наиболее простом случае могут быть построены по архитектуре однослойного персептрона.
Этап 2. Аппроксимация данных при последующих испытаниях. Для типовых машин, на данных об эксплуатации которых были обучены нейронные сети, в процессе испытаний параллельно с классическими методами пересчета энергетических характеристик используется аппроксимация массива входных данных (снимка состояния) с почти мгновенным получением значения характеристик машины.
Архитектура нейронных сетей и разметка данных
Отработка нейронных сетевых алгоритмов в части выбора архитектуры сети, а также числа нейронов в скрытых слоях является сложной оптимизационной задачей, фундамент для решений которой может быть заложен в виде массива должным образом размеченных данных о параметрах машины в процессе испытаний и при эксплуатации.
На сегодняшний день нейронные аппроксиматоры успешно используются в качестве замены специализированным программным продуктам для CFD-расчетов [Kumar M., Biswal R., Behera SK., Kumar A., Sahoo RK. Experimental and numerical analysis to predict the performance of a turboexpander at cryogenic temperature. Engineering Reports. 2021, DOI: https://doi.org/10.1002/eng2.12346] для определения характеристик турбодетандеров поскольку имеют существенно более высокое быстродействие.
Обученная на массиве из порядка 200 выборок, данные каждой из которых была получены в ходе CFD-расчетов длительностью порядка 40 часов, нейронная сеть определяла массив выходных параметров за доли секунды, в результате чего были построены зависимости изоэнтропного КПД ТД от двух параметров одновременно [Kumar M., Panda D., Kumar A., Sahoo R.K., Behera S.K. Preliminary design, flow field, and thermal performance analysis of a helium turboexpander: a numerical approach. SN Applied Science. 2019; 1. DOI: https://doi.org/10.1007/s42452-019-1503-3].
В рамках концепции неявного пересчета энергетических характеристик ТД для демонстрации работоспособности и производительности решения, а также отработки архитектуры сетевых аппроксиматоров возможно использовать в качестве массива данных для обучения сетей результаты пересчета энергетических характеристик, полученных по классическим методикам.
Наиболее очевидный результат обучения и применения нейронных сетей в рамках концепции – возможность исключить итерационные алгоритмы и снизить время расчета энергетических характеристик при испытаниях, а в последствии и для использования в процессе эксплуатации машин.
Работы в области внедрения сетевых аппроксиматоров в различные области науки и техники активно ведутся в период с 2018-2019 гг. вследствие резкого роста производительности вычислительных устройств, снижения их относительной стоимости и повышения доступности для использования.
Поэтому одна из важнейших задач развития неявных методов является наработка и разметка данных о характеристиках ТД для целей оптимального проектирования машин и развития методов предиктивной аналитики на основе нейронных сетевых аппроксиматоров.