Исследование модели ступенчатого снижения давления пара в редукционном клапане тепловой электростанции.
Apr 14, 2026
Недавно исследовательская группа по регулирующим клапанам Чжэцзянского университета провела систематическое исследование термогидравлических характеристик ключевых регулирующих компонентов паровых редукционных клапанов на тепловых электростанциях. Результаты соответствующих исследований легли в основу научной статьи под названием «Быстрое прогнозирование термогидравлических характеристик паровых редукционных клапанов на тепловых электростанциях на основе модели пониженного порядка», которая была опубликована в журнале «International Communications in Heat and Mass Transfer» (ведущий журнал второй зоны Китайской академии наук). В ответ на ограничения традиционных методов численного моделирования CFD и экспериментальных исследований с точки зрения эффективности и стоимости, была построена модель пониженного порядка (ROM) на основе разложения на собственные ортогональные элементы (POD), обеспечивающая быструю реконструкцию и эффективное прогнозирование сложных полей потока. Это значительно повысило вычислительную эффективность, обеспечив при этом инженерную точность. Редукционные клапаны давления пара являются ключевыми регулирующими компонентами на тепловых электростанциях. Из-за высоких вычислительных затрат и временных требований анализ их сложных теплогидравлических характеристик представляет собой сложную задачу. Для решения этой проблемы в данном исследовании была разработана модель пониженного порядка (ROM) с использованием метода собственных ортогональных разложений (POD). Во-первых, было проведено численное моделирование поля потока при различных выходных давлениях и ходах; во-вторых, с помощью метода POD были извлечены пространственные моды и модальные коэффициенты; наконец, с помощью методов аппроксимации, таких как модель Кригинга, регрессия методом опорных векторов и физически обоснованная регрессия методом опорных векторов, была установлена взаимосвязь между модальными коэффициентами и условиями работы. Результаты показывают, что по сравнению с моделированием CFD, модель пониженного порядка (ROM) повысила вычислительную эффективность более чем на четыре порядка. Максимальная ошибка результата ROM составляет 13,59%. Модель ROM предсказывает распределение давления, температуры и энтропии с относительной среднеквадратичной ошибкой (RRMSE) менее 2%. В данной работе предлагается новая модель пониженного порядка для прогнозирования распределения физических величин внутри редукционных клапанов. Кроме того, данное исследование служит ориентиром для разработки быстрых и точных моделей прогнозирования параметров инженерных компонентов в приложениях гидродинамики. Предыстория исследования Редукционный клапан пара является ключевым регулирующим компонентом в паровой системе тепловых электростанций. Он отвечает за снижение давления высокотемпературного и высоконапорного перегретого пара (около 2 МПа, 574℃) до требуемого давления на выходе и регулирование расхода путем изменения степени открытия. В связи с растущим спросом на сглаживание пиковых нагрузок, клапаны должны часто срабатывать. Засорение потока (Ma>=1) внутри них может привести к снижению эффективности или даже повреждению оборудования. Поэтому мониторинг внутреннего поля потока в режиме реального времени имеет решающее значение для безопасной эксплуатации. Однако внутренняя часть клапана находится в среде с чрезвычайно высокой температурой и давлением, что делает невозможным установку датчиков в критических местах, таких как дроссельные отверстия. Трудно определить истинное распределение внутреннего давления, скорости и температуры. В настоящее время исследования редукционных клапанов пара в основном опираются на эксперименты и моделирование CFD, но имеют очевидные недостатки с точки зрения эффективности и стоимости. Таким образом, в данной работе построена модель пониженного порядка (ROM) на основе разложения по собственным ортогональным функциям (POD). Основная идея заключается в следующем: извлечь основные моды потока из небольшого числа высокоточных результатов CFD-моделирования и реконструировать поле потока. Затем устанавливается простое соответствие между параметрами условий работы и модальными коэффициентами. В новых условиях работы полное поле потока может быть быстро реконструировано без повторного решения сложных уравнений гидродинамики. Методы исследования Основой для построения модели пониженного порядка является создание высококачественной библиотеки обучающих примеров. В исследовании были выбраны четыре выходных давления (1,2 МПа, 1,4 МПа, 1,6 МПа, 1,8 МПа) и шесть ходов клапана (от 20 мм до 120 мм), и они были объединены для формирования 24 наборов условий расчета в стационарном режиме, охватывающих типичный диапазон рабочих условий этого редукционного клапана для пара. Подтверждено данными, полученными непосредственно на тепловой электростанции, максимальное отклонение между рассчитанным методом CFD расходом и измеренным значением составляет 9,70%, что соответствует требованиям к точности расчета и обеспечивает надежность последующих входных данных для ПЗУ. Для уменьшения размерности данных моментальных снимков CFD используется метод собственного ортогонального разложения (POD). Каждая группа физических величин поля потока (плотность, давление, скорость, температура, число Маха, энтропия) располагается в виде вектор-строк для построения матрицы моментальных снимков X (размерность m×n, где m=24 — количество выборок, а n≈8×10⁶ — количество узлов сетки). POD: X ≈ UΣV бета достигается с помощью сингулярного разложения (SVD). При этом U содержит информацию о модальных коэффициентах, V содержит пространственные моды, а диагональные элементы Σ представляют собой сингулярные значения, отражающие энергетический вклад каждой моды. После упорядочивания по убыванию энергии, на первую моду приходится 85,72% энергии поля давления и 88,00% поля энтропии. Кумулятивная энергия первых 12 мод достигает 99%, поэтому выбирается порядок усечения k=12, а моды более высокого порядка отбрасываются для фильтрации численного шума. Для прогнозирования новых условий работы необходимо установить взаимосвязь между параметрами условий работы (давление на выходе p, ход клапана h) и модальным коэффициентом α, α=f(p, h). В исследовании сравнивались три метода регрессии: полиномиальная регрессия, кригинг и регрессия на основе опорных векторов.Кроме того, в исследовании была предпринята попытка регрессии с использованием метода опорных векторов (SVR) на основе физической информации. В функцию потерь SVR был введен остаточный член уравнения импульса, а для оптимизации гиперпараметра ε был использован алгоритм градиентного спуска, чтобы прогнозируемое поле потока удовлетворяло ограничению сохранения импульса уравнения Навье-Стокса в стационарном состоянии на плоскости симметрии.Однако результаты показывают, что, поскольку базисная функция POD была извлечена из снимка CFD, удовлетворяющего уравнению управления, сама базисная функция содержит достаточно физической информации; в случае ограниченного количества выборок базовый SVR приблизился к верхнему пределу точности данной модели представления. Введение физических ограничений в качестве вторичных оптимизационных членов не привело к значительному снижению ошибки прогнозирования (RRMSE 1,16% против 0,87%), а, наоборот, могло привести к увеличению локального регионального смещения из-за чрезмерных ограничений. Процесс онлайн-прогнозирования окончательной модели ROM выглядит следующим образом: вводятся параметры целевого режима работы (p, h), получаются 12 модальных коэффициентов α с помощью интерполяции модели Кригинга, и выполняется линейная суперпозиция предварительно сохраненных пространственных мод при u(X)=Σα dv ϕ и dv (X) для восстановления полного распределения поля потока. Вычислительная сложность этого процесса составляет O(k×n). На вычислительной платформе, оснащенной AMD EPYC 7763, одно прогнозирование занимает приблизительно 4,8 секунды, что на четыре порядка выше, чем 11 665 секунд, затрачиваемых на CFD-моделирование. Результаты исследования Рассмотрим в качестве примера результаты прогнозирования давления. Результаты прогнозирования симметричного плоскостного поля давления с помощью модели пониженного порядка, основанной на модели Кригинга, показывают, что относительная среднеквадратичная ошибка (RRMSE) составляет 0,79%, а максимальная относительная ошибка — 16,49%. RRMSE модели, основанной на регрессии с использованием метода опорных векторов (SVR), составляет 0,87%, а максимальная относительная ошибка — 15,38%. Оба метода контролируют относительную ошибку распределения давления в пределах допустимого инженерного диапазона в 20%, и RRMSE обоих методов составляет менее 1%. Стоит отметить, что в кольцевом зазоре между внешней и внутренней втулками из-за резкого расширения зоны потока расход уменьшается, а давление демонстрирует значительное обратное изменение, при этом значение давления возрастает до 1,53–1,88 МПа. Впоследствии пар проходит через дросселирующее отверстие внутренней втулки (вторичное дросселирование), и давление снова падает, в конечном итоге уравновешиваясь с давлением на выходе. Это немонотонное распределение давления, характерное для схемы «снижение давления – обратное изменение – снова снижение давления», было точно воспроизведено моделью ROM. Независимо от того, используется ли метод Кригинга или SVR, их кривые прогнозирования хорошо согласуются с эталонными значениями CFD, с незначительными отклонениями только в области с максимальным локальным градиентом. В основной части полости клапана, а также во входном и выходном трубопроводах изменения давления относительно незначительны, и относительная погрешность, как правило, составляет менее 5%, а в некоторых областях даже менее 1%. Максимальная относительная погрешность в 16,49% наблюдается в локальной точке вблизи стенки на выходе из дроссельного отверстия наружной втулки. Здесь происходит интенсивное отрывное течение, и наиболее заметна потеря деталей, вызванная прерыванием высокочастотных мод. Несмотря на это, уровень погрешности все еще находится в пределах допустимого диапазона для оценки динамики давления и общей оценки нагрузки в инженерных приложениях. Была проведена сравнительная оценка эффективности трех методов аппроксимации при прогнозировании поля потока: модель Кригинга с точностью RRMSE 0,79% оказалась немного лучше, чем SVR с точностью 0,87%, а по уровню максимальной ошибки (приблизительно 15-16%) результаты были сопоставимы. Метод PI-SVR с учетом ограничений, связанных с физической информацией, не показал преимуществ в прогнозировании давления. Его RRMSE составляет 1,16%, максимальная ошибка достигает 17,67%, а диапазон распределения ошибок в области высокого градиента в дроссельном отверстии расширен по сравнению с базовым методом SVR. Это явление указывает на то, что для физических величин, таких как давление, которые обладают сильной нелинейностью, но относительно фиксированной пространственной структурой, интерполяция методом Кригинга на основе гауссовых процессов лучше подходит для обработки малых выборок и непараметрических соотношений отображения. Поэтому для быстрого прогнозирования поля потока в парах с редукционными клапанами модель Кригинга была определена как оптимальное решение. Перспективы исследований Результаты исследования предлагают осуществимый технический путь для создания цифрового двойника редукционных клапанов. Эта модель на основе ПЗУ позволяет осуществлять реконструкцию в реальном времени и визуальный мониторинг ключевых параметров, таких как внутреннее поле давления и температурное поле клапана, решая проблему «черного ящика», возникающую из-за невозможности установки традиционных датчиков внутри дроссельного элемента. Однако следует отметить, что разработанная в данном исследовании модель пониженного порядка имеет четкие границы применимости. Во-первых, эффективный диапазон модели строго ограничен пространством параметров, охватываемым обучающими данными, и не позволяет экстраполировать ее на неисследованные геометрии или различные граничные условия. Во-вторых, текущая модель построена на основе снимков стационарного состояния и применима только для прогнозирования стационарных условий работы, неспособна учитывать переходную эволюцию потока во время быстрого действия клапана. Дальнейшие исследования углубят и расширят текущую работу по следующим двум направлениям: Первый подход — моделирование нестационарного потока. Путем комбинирования методов анализа временных рядов (таких как динамическое разложение на моды (DMD) или сеть долговременной кратковременной памяти (LSTM)) строится динамическая модель пониженного порядка, способная прогнозировать нестационарную эволюцию потока. Второй аспект — оптимизация методов обработки физической информации. Следует пересмотреть стратегии реализации машинного обучения на основе физической информации, изучить возможность введения физических ограничений на этапе извлечения модальных данных, а не на этапе регрессии, или использовать многоуровневую структуру в сочетании с низкоразрешающей вычислительной гидродинамикой и нейронными сетями на основе физической информации для улучшения экстраполяционной способности модели и физической согласованности в областях с низкой плотностью выборки.
ЧИТАТЬ ДАЛЕЕ