Hogyan javítja a mesterséges intelligencia az axiális kompresszoros térképkészítést?

A teljesítménytérkép kulcsfontosságú lépés az axiális kompresszorok tervezési folyamatában. A teljesítménytérképek a kompresszor jellemzőit ábrázolják, és a kompresszor turbina illesztésére és az elakadási határérték értékelésére szolgálnak. A térképek segítségével össze lehet hasonlítani a különböző kompresszorokat is, hogy meghatározzuk, melyik kialakítás lenne a legmegfelelőbb egy adott alkalmazáshoz. E célok elérése érdekében a térképek általában ábrázolják a nyomásviszonyt a korrigált tömegáramlási sebesség és a korrigált forgási sebesség függvényében. A térképen van egy bal oldali korlát, az úgynevezett túlfeszültség vonal, és egy jobb oldali korlát, az úgynevezett fojtó vezeték.

Most pontosan hogyan generáljuk ezeket a térképeket? A hagyományos megközelítés fizikai kísérleteken keresztül valósul meg. A korai prototípust vagy véglegesített konstrukciót egy tesztberendezésbe integrálták, amely olyan alkatrészeket tartalmaz, mint a nyomásérzékelők, tömegáram-mérők, fojtószelepek és egyebek. Egy ilyen gépet ezután különböző munkapontokon futtatnak, ami viszont lehetővé teszi a nyomásarányok ábrázolását. Sajnos ez a módszer nagyon időigényes és drága berendezéseket igényel. Ezenkívül, ha a kezelő túlfojtja a tömegáramot, a kompresszor áthaladhat a túlfeszültség-vonalon. Ez robbanásveszélyes kisüléshez vezethet a bemenetnél, és ezáltal súlyos károkat okozhat.

A CFD technológia széles körű elterjedésével és a számítógépek egyre növekvő feldolgozási teljesítményével napjainkban a kísérleti tesztelések nagy részét digitálisan, CFD számítással végzik. Ezen az úton haladva drasztikusan csökkentik a térkép elkészítésének költségeit, mivel nincs szükség kifinomult tesztberendezésre, és a több munkapont futtatásának teljes folyamata automatizálható. A folyamat azonban még mindig meglehetősen lassú, mivel kellően finom háló szükséges a pontos eredmények eléréséhez.

Fontos megjegyezni, hogy a teljesítménytérkép csak meghatározott geometriára érvényes. Ez a tény kihívást jelent a nagynyomású kompresszorok kezelésekor, amelyek magas relatív Mach-számot érnek el a csúcstartományban, és gyakran változó vezetőlapátok (VGV) használatát teszik szükségessé. Ha pontos térképeket akarunk generálni egy változó vezetőlapátokkal rendelkező kompresszorhoz, akkor térképet kell készítenünk a vezetőlapátszögek minden lehetséges kombinációjára. Ez nem lenne praktikus. Ehelyett létrehozhatunk egy térképet a kiválasztott IGV/VGV kombinációkhoz, és különféle interpolációs technikákat alkalmazhatunk a kompresszor teljesítményének meghatározására tetszőleges kombinációk esetén. Az interpolációs technikák azonban sokkal kevésbé pontosak a különböző IGV/VGV kombinációkban lévő térképek ritka eloszlásával.

Szóval, hogyan takaríthatunk meg időt és pénzt, miközben továbbra is pontos teljesítménytérképeket készítünk nagynyomású kompresszorainkhoz? Az egyik ügyes lehetőség a mesterséges intelligencia (AI) használata – ahogyan azt Burlaka és Moroz is tette [2]. Ott egy mesterséges intelligencia modellt képeztek ki a 10 fokozatú, változó vezetőlapátokkal rendelkező axiális kompresszorok teljesítményének előrejelzésére. A 2. ábra vizsgálati eredményeik kinyerését mutatja be. Megmutatja az AI előrejelzését (piros vonal) a nyomásarányra, a hatékonyságra, a különböző sebességvonalakra és a VGV-szögek bizonyos kombinációjára.

Az a tény, hogy a felhasználónak nem kell sem interpolációs technikákat alkalmaznia, sem költséges számításokat vagy teszteket futtatni a teljesítménytérkép különböző VGV-szögeknél történő meghatározásához, jelentős előny. A modell bármilyen VGV szögkombinációhoz képes teljesítménytérképet generálni, mindaddig, amíg a kívánt szögek nem esnek a képzési tartományon kívülre. Burlaka és Moroz a mesterséges intelligencia modell segítségével keresték meg az optimális VGV szögeket egy bizonyos működési ponthoz. Természetesen, ha csak egy maroknyi működési pontot kell kiszámolnunk, egy AI-modell betanítása nem sokat spórolna. De ha sok pontot kell számolnunk, akkor az AI előnyei valóban ragyognak. Ez utóbbi esetekben az edzésre és használatra fordított idő lényegesen alacsonyabb, mint az egyes pontok egyenkénti kiszámítása, legyen szó CFD-ről vagy kísérletről.

A következtetés az, hogy bár a teljesítménytérképek elengedhetetlenek, a hagyományos megközelítésekkel történő létrehozásuk túlságosan erőforrás-igényes (különösen, ha változó geometriákat is tartalmaz a kompresszorunk). Az AI használata lehetővé teszi számunkra, hogy gyorsabban generáljuk ezeket a térképeket, és egyúttal javítjuk a kompresszor geometriájának optimalizálási folyamatát.

Ha többet szeretne megtudni a kompresszorok tervezéséről és a fejlesztési folyamatának javításához szükséges szoftvereszközökről, forduljon hozzánk a következő címen: info@softinway.com, vagy ha az idei Turbo Expón van Rotterdamban, vegye fel az ingyenes vendégbérletet és látogasson el hozzánk a 424-es standunkra!

Referenciák:

[1] https://www.google.com.ua/search?q=aircraft+compressor+map&sa=X&rlz=1C1EJFA_enUA767UA767&tbm=isch&tbo=u&source=univ&ved=2ahUKEwi-i9mSy7zcAhXKESwKHQ3XB_oQsAR6BAgDEAE&biw=1745&bih=885#imgrc=yxnyHJR695tb5M
[2] Burlaka, Maksym. és Moroz, Leonyid. „Axial Compressor Map Generation Leveraging Autonomous Self-training AI.” Az ASME Turbo Expo 2022 anyaga

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://blog.softinway.com/how-ai-improves-axial-compressor-map-generation/