En las centrales eléctricas de vapor convencionales, el agua residual debe separarse del vapor generador de energía. Este proceso limita la eficiencia, y en las centrales eléctricas de generación temprana, puede ser volátil y provocar explosiones.
En la década de 1920, Mark Benson se dio cuenta de que el riesgo podría reducirse y las centrales eléctricas podrían ser más eficientes si el agua y el vapor pudieran convivir. Esta cohabitación podría lograrse llevando el agua a un estado supercrítico, o cuando existe un fluido comolíquido y gas al mismo tiempo.
Si bien los costos asociados con la generación de las condiciones de temperatura y presión necesarias para lograr la supercriticidad impidieron que la caldera Benson patentada de Benson fuera ampliamente adoptada en las centrales eléctricas, sus conceptos ofrecieron al mundo su primer vistazo a la generación de energía supercrítica.
Casi un siglo después, los investigadores del Instituto de Tecnología y Sistemas de Energía Nuclear IKE de la Universidad de Stuttgart y el Instituto de Termodinámica Aeroespacial ITLR están revisando los conceptos de Benson para explorar cómo puede mejorar la seguridad y la eficiencia en las centrales eléctricas modernas.Computación de alto rendimiento HPC, los investigadores están desarrollando herramientas que pueden hacer que la transferencia de calor supercrítica sea más viable.
"En comparación con las centrales eléctricas subcríticas, las centrales supercríticas dan como resultado una mayor eficiencia térmica, la eliminación de varios tipos de equipos, como cualquier tipo de secador de vapor, y un diseño más compacto", dijo el miembro del equipo Sandeep Pandey, candidato a doctorado enIKE.
El Sr. Pandey y el Dr. Xu Chu de ITLR lideran los aspectos computacionales de esta investigación y, junto con los investigadores en ciencias de la computación del Instituto de Tecnología de Singapur SIT, emplean técnicas de aprendizaje automático informadas por simulaciones de alta fidelidad enuna supercomputadora, al tiempo que desarrolla una herramienta que puede emplearse fácilmente usando computadoras comerciales.
Para hacer una herramienta precisa para usar comercialmente, el equipo necesitaba ejecutar simulaciones numéricas directas DNS computacionalmente intensivas, que solo es posible utilizando recursos HPC. La supercomputadora Hazel Hen del Centro de Computación de Alto Rendimiento de Stuttgart HLRS permitiósimulaciones de dinámica de fluidos de alta resolución que requerían.
El calor del momento
Si bien la generación de energía y otros procedimientos industriales utilizan una variedad de materiales para generar vapor o transferir calor, el uso del agua es un método probado y verdadero: el agua es fácilmente accesible, se entiende bien a nivel químico y es predecible en un amplio rangode condiciones de temperatura y presión.
Dicho esto, el agua entra previsiblemente en su punto crítico a 374 grados Celsius, lo que hace que la generación de vapor supercrítico sea un proceso chisporroteante. El agua también debe estar a alta presión: 22.4 megapascales, o más de 200 veces la presión que sale del fregadero de la cocinade hecho, además, cuando un material entra en su estado crítico, exhibe propiedades únicas, e incluso pequeños cambios en la temperatura o la presión pueden tener un gran impacto. Por ejemplo, el agua supercrítica no transfiere calor tan eficientemente como lo haceestado líquido, y el calor extremo necesario para alcanzar niveles supercríticos puede conducir a la degradación de las tuberías y, a su vez, a accidentes potencialmente catastróficos.
Considerando algunas de las dificultades de usar agua, Pandey y sus colegas están investigando el uso de dióxido de carbono CO2. La molécula común ofrece una serie de ventajas, la principal de ellas es que alcanza la supercriticidad a poco más de 31 grados centígrados, lo que la convierte enmucho más eficiente que el agua. Usar dióxido de carbono para limpiar las plantas de energía puede sonar como un oxímoron, pero Pandey explicó que el CO2 supercrítico sCO2 es una alternativa mucho más limpia.
"sCO2 en realidad tiene cero potencial de agotamiento del ozono y poco potencial de calentamiento global o impacto en comparación con otros fluidos de trabajo comunes, como refrigerantes a base de clorofluorocarbono, amoníaco y otros", dijo Pandey. Además, el sCO2 necesita mucho menos espacioy se puede comprimir con mucho menos esfuerzo que el agua subcrítica. Esto, a su vez, significa que requiere una planta de energía más pequeña: una planta sCO2 requiere diez veces menos hardware para su ciclo de energía que los ciclos de energía subcríticos tradicionales.
Sin embargo, para reemplazar el agua con dióxido de carbono, los ingenieros deben comprender a fondo sus propiedades en un nivel fundamental, incluida la forma en que la turbulencia del fluido, o flujo desigual e inestable, transfiere calor y, a su vez, interactúa con la maquinaria.
Al realizar simulaciones computacionales de dinámica de fluidos relacionadas con turbulencias, los científicos computacionales confían en gran medida en tres métodos: simulaciones de Navier-Stokes RANS promediadas por Reynolds, grandes simulaciones de remolino LES y simulaciones numéricas directas DNS. Mientras que RANS y LESambos métodos requieren que los investigadores incluyan algunas suposiciones utilizando datos provenientes de experimentos u otras simulaciones, los métodos DNS comienzan sin nociones preconcebidas o datos de entrada, lo que les permite ser mucho más precisos, pero mucho más costosos computacionalmente.
"Los modelos LES y RANS se usan generalmente para fluidos más simples", dijo Pandey. "Necesitábamos un enfoque de alta fidelidad para un fluido complejo, por lo que decidimos usar DNS, de ahí nuestra necesidad de recursos de HPC".
Redes neuronales para computadoras comerciales
Utilizando los datos de estrés y transferencia de calor provenientes de sus simulaciones DNS de alta fidelidad, el equipo trabajó con el Dr. Wanli Chang de SIT para entrenar una red neuronal profunda DNN, un algoritmo de aprendizaje automático modelado aproximadamente a partir de las redes neuronales biológicas, oLa red de neuronas que reconoce y responde a estímulos externos.
Tradicionalmente, los investigadores entrenan algoritmos de aprendizaje automático utilizando datos experimentales para poder predecir la transferencia de calor entre el fluido y la tubería bajo una variedad de condiciones. Sin embargo, al hacerlo, los investigadores deben tener cuidado de no "sobreajustar" el modelo; es decir, nohaga que el algoritmo sea tan preciso con un conjunto de datos específico que no ofrezca resultados precisos con otros conjuntos de datos.
Usando Hazel Hen, el equipo ejecutó 35 simulaciones de DNS, cada una enfocada en una condición operativa específica, y luego usó el conjunto de datos generado para entrenar el DNN. El equipo usa temperatura y presión de entrada, flujo de calor, diámetro de tubería y energía térmica deel fluido como entradas, y genera la temperatura de la pared de la tubería y la tensión pura de la pared como salida., validación.
Este trabajo de validación "in situ" es importante para evitar sobreajustar el algoritmo, ya que reinicia la simulación si el algoritmo comienza a mostrar una divergencia entre el entrenamiento y los conjuntos de datos ". Nuestros resultados de prueba ciegos muestran que nuestro DNN es exitoso en el contraajuste, y ha logrado la aceptabilidad general bajo las condiciones operativas que cubrimos en la base de datos ", dijo Pandey.
Después de que el equipo se sintió seguro con el acuerdo, utilizaron los datos para comenzar a crear una herramienta para un uso más comercial. Usando los resultados del trabajo reciente del equipo como guía, el equipo pudo usar su DNN para simular las condiciones operativasenergía térmica con nuevos datos en 5.4 milisegundos en una computadora portátil estándar.
Próximos pasos críticos
Hasta la fecha, el equipo ha estado utilizando OpenFOAM, un código de la comunidad, para sus simulaciones de DNS. Si bien OpenFOAM es un código bien establecido para una variedad de simulaciones de dinámica de fluidos, Pandey indicó que el equipo quería usar un código de mayor fidelidadpara sus simulaciones. Los investigadores están trabajando con un equipo del Instituto de Aerodinámica y Dinámica de Gas IAG de la Universidad de Stuttgart para utilizar su código FLEXI, que ofrece una mayor precisión y puede adaptarse a una gama más amplia de condiciones.
Pandey también mencionó que está utilizando un método llamado LES implícito además de las simulaciones DNS. Si bien las simulaciones LES implícitas no tienen la misma alta resolución presente en las simulaciones DNS del equipo, sí permite que el equipo ejecute simulaciones con mayor Reynoldnúmeros, lo que significa que puede explicar una gama más amplia de condiciones de turbulencia.
El equipo quiere continuar mejorando su base de datos para mejorar aún más su herramienta DNN. Además, está colaborando con los experimentadores de IKE para llevar a cabo experimentos preliminares y construir una planta de energía supercrítica modelo para probar el acuerdo entre el experimento y la teoríaEl premio final será si el equipo es capaz de proporcionar una herramienta precisa, fácil de usar y computacionalmente eficiente que ayude a los ingenieros y administradores de plantas de energía a generar energía de manera más segura y eficiente.
"Los investigadores de IKE están trabajando con experimentos y simulaciones numéricas", dijo. "Como parte del equipo numérico, estamos buscando las respuestas para la transferencia de calor deficiente. Estudiamos la física detrás del flujo de fluidos y la turbulencia, peronuestro objetivo final es desarrollar un modelo más simple ". La tecnología basada en SCO2 tiene el potencial de proporcionar una operación flexible que a menudo se desea en energías renovables. Sin embargo, los modelos termohidráulicos y el conocimiento de la transferencia de calor son limitados y este estudio resumirá la tecnologíabrecha y ayudar a los ingenieros a construir el ciclo del ciclo de potencia.
"Los investigadores de IKE están trabajando con experimentos y simulaciones numéricas", dijo. "Como parte del equipo numérico, estamos buscando respuestas para la transferencia de calor deficiente. Estudiamos la física compleja detrás del flujo de fluidos y la turbulencia, pero al finalel objetivo es desarrollar un modelo más simple. Las centrales eléctricas convencionales ayudan a facilitar el uso de fuentes de energía renovables al compensar su generación de energía intermitente, pero actualmente no están diseñadas para ser tan flexibles como sus contrapartes de energía renovable. Si podemos implementar fluidos de trabajo basados en sCO2, podemos mejorar su flexibilidad a través de diseños más compactos, así como tiempos de arranque y apagado más rápidos ".
Fuente de la historia :
Materiales proporcionado por Centro Gauss para Supercomputación . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :