Návrh profilů turbínových lopatek pomocí přístupů umělé inteligence vytvořením digitálního dvojčete pro simulaci proudění.

Doosan Škoda Power s. r. o. (dále jen DŠPW) je významným světovým výrobcem a dodavatelem technologických zařízení a zákaznických služeb v oblasti energetiky s více než stoletou tradicí výroby parních turbín vlastního designu s výkony až do 1200 MW.

V důsledku rostoucího podílu obnovitelných zdrojů v energetickém sektoru a snahy o dekarbonizaci prostřednictvím iniciativy Green Deal je klíčovým faktorem flexibilita dodávek energií. To je výzva pro výrobce a dodavatele do tohoto segmentu trhu, mezi které patří i DŠPW. Jedním z hlavních přístupů k řešení této problematiky je adaptace vývojových nástrojů a rychlost změn návrhu a úprav produktu na míru daným podmínkám. Konkrétním příkladem je využití principů Průmyslu 4.0 a aplikace umělých neuronových sítí (NS) jako náhrady za drahé a časově náročné CFD výpočty nebo experimentální měření, což přináší významnou úsporu času, ale i nákladů při vlastním návrhu.

Standardní sada experimentů vývoje nového lopatkového profilu pro jednu geometrickou variantu profilové mříže obvykle vyžaduje náklady v řádu stovek tisíc korun a průměrně 2 týdny času. Pro komplexní aerodynamické ověření nového profilu je dle zkušeností DŠPW třeba řešit 3-8 variant. Vývoj nových lopatkových profilů s pomocí NS přináší potenciál úspory nákladů až o 75 %. 

Očekávaným výstupem spolupráce je software založený na natrénovaných neuronových sítích, který umožní rozšíření možností parametrických analýz nad geometriemi profilů a rychlé vyhodnocení dopadu na energetické ztráty a další aerodynamické parametry. Prozkoumání více řešení v krátkém čase umožní efektivní snižování nákladů a času potřebného na vývoj nových lopatkových mříží. Zatímco návrh změny designu profilu zvládne zkušený pracovník během několika hodin, získání spolehlivého popisu aerodynamického chování představuje dny v případě CFD nebo dokonce týdny při experimentálním měření. Implementací neuronových sítí se celý proces výrazně zefektivní a značně urychlí.

Simulace proudového chování profilové mříže

Amitia se v první fázi projektu zaměřila na datové modelování a predikci proudových charakteristik různých profilových mříží. NS byla trénovaná na sadě vstupně výstupních dat, kdy mezi vstupy patřily geometrie profilové mříže a okrajově vstupní podmínky proudění. Klíčovým výstupem jsou energetické ztráty. Trénovací data pocházela hlavně z různých výpočetních simulací v DŠPW.

Tradiční přístupy používají rovnici ztrátového modelu popisující vztah mezi vstupními veličinami a energetickými ztrátami. Úkolem NS bylo vlastně „pochopit“ a reprezentovat tento vztah a pro zadané vstupní parametry vrátit co nejpřesnější hodnotu energetické ztráty. NS prokázala schopnost tyto složité fyzikální vztahy modelovat a na základě dané množiny vstupů poskytovat predikce energetických ztrát.

Výstupy potvrzují, že na této základní úloze jsou schopny NS uspokojivě simulovat energetické ztráty dané konfigurace lopatkové mříže.

Společnost Amitia vyvíjí sofistikovaný nástroj založený na neuronové síti schopný se učit z historických dat a simulovat proudové charakteristiky profilů lopatek s vysokou přesností a ve velmi krátkém čase.