Uso de IA para la predicción del rendimiento del compresor axial y otras turbomáquinas

El diseño y análisis de compresores axiales requiere mucho tiempo y dinero, ya que los enfoques tradicionales requieren muchas iteraciones entre el paso del análisis del ciclo y la geometría final. Los ciclos y componentes modernos a menudo se llevan al límite para lograr la mayor eficiencia posible y el menor consumo de combustible. Para alcanzar este objetivo de alta eficiencia y bajo consumo, especialmente en los motores de turbina de gas modernos, la relación de presión de los compresores de alta presión (HPC) aumenta constantemente. Sin embargo, esto provoca números de Mach relativos de la punta del rotor más altos en las primeras etapas del HPC, lo que lleva a mapas característicos de rendimiento pronunciados. En la Imagen 1 se muestra un mapa de rendimiento general de un compresor axial.

Los mapas de rendimiento representan el comportamiento del compresor y se utilizan para la comparación de la turbina del compresor y las evaluaciones del margen de bloqueo. Maps también puede comparar diferentes compresores para determinar el diseño más adecuado para una aplicación determinada. Estos mapas generalmente trazan la relación de presión contra el caudal másico corregido y la velocidad de rotación. El mapa tiene un límite a la izquierda llamado línea de oleaje y un límite a la derecha llamado línea de estrangulamiento. El compresor puede operar de manera predecible dentro de estos límites.

Estos mapas se crean a través de experimentos físicos en los que los primeros prototipos o los diseños de compresores finales se integran en un equipo de prueba con varios sensores de presión, medidores de flujo másico, estranguladores y varios equipos de prueba más. Esto es costoso, por lo que se desea que el número de pruebas realizadas sea bajo. Además, el compresor puede pasar su línea de sobretensión si el operador acelera demasiado el caudal másico. Esto puede provocar una descarga explosiva en la entrada y daños graves. Por lo tanto, con la mejora continua de la tecnología informática, los métodos de dinámica de fluidos computacional (CFD) se utilizan cada vez más y están reemplazando los costosos equipos de prueba, especialmente en la etapa inicial del proceso de diseño. El uso de CFD trae ventajas pero no está exento de desventajas. Un ingeniero puede automatizar el proceso de ejecutar múltiples puntos operativos; sin embargo, el proceso aún es lento y requiere una malla fina para recibir resultados precisos.

Los mapas de rendimiento necesarios para el análisis de ciclo completo en diversas condiciones de funcionamiento solo son válidos para una geometría fija. Esto lleva a un desafío interesante. Como se mencionó anteriormente, la tendencia hacia relaciones de presión más altas viene con líneas de velocidad más empinadas. Esto reduce el rango operativo del compresor, lo que no es deseable. Para mejorar la situación, se emplean paletas guía variables (VGV) en las primeras etapas. El ángulo de metal de estas paletas se puede ajustar de acuerdo con el punto de operación actual, lo que permite un rango de operación más amplio. A pesar de ser útil para la implementación final, el diseño de este tipo de compresores es aún más difícil. Como se mencionó, los mapas solo son válidos para una geometría fija. Esto significa que para usar VGV, es necesario generar mapas para las diversas posiciones potenciales de las paletas angulares o solo uno genera algunos mapas con diferentes ángulos de paletas y aplica métodos de interpolación. Esto introduce imprecisiones debido a la interpolación.

Entonces, ¿cómo se puede mejorar el proceso para ahorrar tiempo y acelerar el procedimiento de diseño? ¿Es posible una mejora adicional? La respuesta es sí. Las empresas ahora están explorando la inteligencia artificial (IA). Los algoritmos de IA se han utilizado en una amplia variedad de tareas en los últimos años y están ganando popularidad debido a la flexibilidad y la alta precisión que pueden proporcionar. Un ejemplo común son los chatbots de servicio, que responden preguntas mientras aprenden a encontrar respuestas mejores o más precisas a lo largo de sus interacciones. El mismo principio se puede utilizar en el diseño de compresores, así como en el diseño de otras turbomáquinas como bombas y turbinas.

Ciertas características se pueden predecir en función de un conjunto de datos que funcionan como datos de entrenamiento para el modelo de IA. Esto incluye mapas de rendimiento. Los valores geométricos, como el diámetro de entrada, los ángulos de las paletas o los valores de puntos de diseño, como la relación de presión o el caudal másico de diseño, se pueden usar como entradas, y los mapas de rendimiento completos o la geometría inicial del compresor pueden ser la salida. Todo esto lo decidiría el creador del modelo, quien determinaría las entradas y salidas exactas. Los datos de entrenamiento pueden consistir en datos nuevos creados únicamente para entrenar el modelo de IA o información existente acumulada durante la duración de la operación de una empresa. También se podrían agregar nuevos datos a un algoritmo de IA existente que ayuda a mejorar la precisión de la salida. Hay un alto grado de flexibilidad de tareas, que se utiliza para adaptarse a los diversos problemas o requisitos que pueda tener un ingeniero.

La imagen 2 proporciona un ejemplo de las capacidades de IA de alta fidelidad y ahorro de tiempo.

La imagen muestra la comparación directa de los datos reales con la predicción de IA de la relación de presión y el diagrama de eficiencia de un compresor. Esto se basa en un estudio de investigación presentado en Turbo Expo 20221 en el que se desarrollaron diferentes modelos de IA y se compararon entre ellos. Los puntos representan los datos reales obtenidos por 3D CFD, mientras que las líneas azul y roja son las predicciones de IA. Indican un acuerdo y demuestran la posible alta precisión de la IA. Ahora, tenga en cuenta que cada punto en el mapa para los datos reales se obtuvo mediante 3D CFD que, según el refinamiento de la malla, puede demorar horas, si no días. La salida AI se puede obtener en segundos. Además, el modelo se configuró de manera que también generara una geometría de compresor inicial para la cual se muestra un ejemplo en la Imagen 3.

Para aprovechar este ejemplo, en la Imagen 3, la IA también podría adaptarse para predecir solo un punto. Con esta configuración, la IA podría incorporarse directamente al análisis del ciclo de una máquina. Los parámetros del ciclo se pueden tomar como una relación de entrada y presión, y luego se puede proporcionar la eficiencia a la herramienta de análisis del ciclo. Un esquema de ejemplo de un ciclo de motor a reacción se muestra en la Imagen 4.

Aquí, existe otro aspecto de ahorro de tiempo. Al usar AI en combinación con una herramienta de análisis de ciclo, puede reemplazar componentes (compresor, ventilador, etc.) y proporcionar el valor de la eficiencia directamente. Esto significa que ya no es necesario suponer o determinar de forma elaborada el valor de la eficiencia de forma iterativa, como suele ser el caso en los métodos de diseño tradicionales. Además, la eficiencia se actualiza en cada paso de diseño de componentes y se retroalimenta al análisis del ciclo. Esto se puede reducir a unas pocas iteraciones con IA porque el modelo de IA proporciona eficiencia inmediatamente en función de los datos de entrenamiento. También genera una geometría de compresor coincidente, lo que facilita significativamente el procedimiento de diseño, ya que el ingeniero comenzará con una geometría inicial y no desde cero.

Si bien los mapas de rendimiento generalmente consumen muchos recursos, especialmente si se incluyen geometrías variables en el compresor y se utilizan métodos de creación tradicionales, son esenciales para un diseño y análisis de ciclo preciso. El uso de IA permite a los ingenieros generar mapas y geometrías de compresores mucho más rápido que antes y mejorará el proceso general de diseño de la máquina, así como la optimización de varios componentes.

Referencias

Burlaka, Maksim. y Moroz, Leonid. "Generación de mapas de compresores axiales aprovechando la IA de autoformación autónoma". Actas de ASME Turbo Expo 2022

Sascha Podlech es ingeniero de aplicaciones en SoftInWay, Inc. Tiene varios años de experiencia en el diseño de turbomaquinaria y se especializa en optimizar procesos y procedimientos de tareas de diseño. Puede comunicarse con él en [email protected]. Para obtener más información, visite softinway.com.