Nghiên cứu về mô hình giảm bậc của van giảm áp hơi nước trong nhà máy nhiệt điện.
Apr 14, 2026
Gần đây, nhóm nghiên cứu van điều khiển đặc biệt của Đại học Chiết Giang đã tiến hành nghiên cứu hệ thống về đặc tính nhiệt thủy lực của các bộ phận điều chỉnh quan trọng của van giảm áp hơi nước trong các nhà máy nhiệt điện. Kết quả nghiên cứu liên quan đã được công bố trong một bài báo khoa học có tiêu đề "Dự đoán nhanh đặc tính nhiệt thủy lực của van giảm áp hơi nước trong các nhà máy nhiệt điện dựa trên mô hình giảm bậc" trên tạp chí International Communications in Heat and Mass Transfer (một tạp chí hàng đầu thuộc khu vực 2 của Viện Hàn lâm Khoa học Trung Quốc). Để khắc phục những hạn chế về hiệu quả và chi phí của phương pháp mô phỏng số CFD truyền thống và các phương pháp nghiên cứu thực nghiệm, một mô hình giảm bậc (ROM) dựa trên phân tích thành phần riêng trực giao (POD) đã được xây dựng, giúp tái tạo nhanh chóng và dự đoán hiệu quả các trường dòng chảy phức tạp. Điều này đã cải thiện đáng kể hiệu quả tính toán trong khi vẫn đảm bảo độ chính xác về mặt kỹ thuật. Van giảm áp hơi nước là các bộ phận điều chỉnh quan trọng trong các nhà máy nhiệt điện. Do chi phí tính toán và thời gian yêu cầu cao, việc phân tích các đặc tính nhiệt thủy lực phức tạp của chúng khá khó khăn. Để giải quyết vấn đề này, nghiên cứu này đã phát triển một mô hình giảm bậc (ROM) sử dụng phương pháp phân rã riêng trực giao (POD). Đầu tiên, trường dòng chảy dưới các áp suất đầu ra và hành trình khác nhau được mô phỏng bằng số; Thứ hai, sử dụng POD để trích xuất các chế độ không gian và hệ số chế độ; Cuối cùng, thông qua các phương pháp hiệu chỉnh như mô hình Kriging, hồi quy máy vectơ hỗ trợ và hồi quy vectơ hỗ trợ dựa trên vật lý, mối quan hệ giữa các hệ số chế độ và điều kiện làm việc đã được thiết lập. Kết quả cho thấy, so với mô phỏng CFD, mô hình giảm bậc (ROM) đã tăng hiệu quả tính toán lên hơn bốn bậc độ lớn. Sai số tối đa của kết quả ROM là 13,59%. ROM dự đoán sự phân bố áp suất, nhiệt độ và entropy với sai số bình phương trung bình tương đối (RRMSE) nhỏ hơn 2%. Công trình này đề xuất một khung mô hình giảm bậc mới để dự đoán sự phân bố các đại lượng vật lý bên trong van giảm áp. Ngoài ra, nghiên cứu này cung cấp tài liệu tham khảo để phát triển các mô hình dự đoán nhanh chóng và chính xác cho các thành phần kỹ thuật trong các ứng dụng động lực học chất lỏng. Bối cảnh nghiên cứu Van giảm áp hơi nước là một bộ phận điều chỉnh quan trọng trong hệ thống hơi nước của các nhà máy nhiệt điện. Nó chịu trách nhiệm giảm áp suất của hơi nước quá nhiệt ở nhiệt độ cao và áp suất cao (khoảng 2 MPa, 574℃) xuống áp suất yêu cầu ở phía hạ lưu và kiểm soát lưu lượng bằng cách điều chỉnh độ mở. Với nhu cầu ngày càng tăng về việc giảm tải đỉnh, các van cần phải hoạt động thường xuyên. Nếu có hiện tượng tắc nghẽn dòng chảy (Ma>=1) bên trong van, nó có thể dẫn đến giảm hiệu suất hoặc thậm chí gây hư hỏng thiết bị. Do đó, việc giám sát thời gian thực trường dòng chảy bên trong là rất quan trọng để đảm bảo vận hành an toàn. Tuy nhiên, bên trong van nằm trong môi trường nhiệt độ và áp suất cực cao, khiến việc lắp đặt cảm biến tại các vị trí quan trọng như lỗ tiết lưu là không thể. Rất khó để nắm bắt được áp suất, tốc độ và phân bố nhiệt độ bên trong thực sự. Hiện nay, nghiên cứu về van giảm áp hơi nước chủ yếu dựa vào các thí nghiệm và mô phỏng CFD, nhưng vẫn còn những hạn chế rõ ràng về hiệu quả và chi phí. Do đó, bài báo này xây dựng một mô hình giảm bậc (ROM) dựa trên phân rã eigenorthogonal (POD). Ý tưởng cốt lõi là: trích xuất các chế độ dòng chảy chính từ một số lượng nhỏ kết quả CFD có độ chính xác cao và tái tạo trường dòng chảy. Sau đó, thiết lập một mối liên hệ đơn giản giữa các thông số điều kiện làm việc và các hệ số chế độ. Dưới các điều kiện làm việc mới, toàn bộ trường dòng chảy có thể được tái tạo nhanh chóng mà không cần giải lại các phương trình cơ học chất lỏng phức tạp. Phương pháp nghiên cứu Nền tảng để xây dựng mô hình giảm bậc là thiết lập một thư viện mẫu huấn luyện chất lượng cao. Nghiên cứu đã chọn bốn áp suất đầu ra (1,2 MPa, 1,4 MPa, 1,6 MPa, 1,8 MPa) và sáu hành trình van (20 mm đến 120 mm), và kết hợp chúng để tạo thành 24 bộ điều kiện tính toán trạng thái ổn định, bao phủ phạm vi điều kiện làm việc điển hình của van giảm áp hơi nước này. Dựa trên dữ liệu thực tế tại nhà máy nhiệt điện, độ lệch tối đa giữa lưu lượng tính toán bằng CFD và giá trị đo được là 9,70%, đáp ứng yêu cầu về độ chính xác kỹ thuật và đảm bảo độ tin cậy của dữ liệu đầu vào ROM tiếp theo. Phương pháp phân rã EigenOrthogonal (POD) được áp dụng để giảm kích thước dữ liệu ảnh chụp nhanh CFD. Sắp xếp mỗi nhóm đại lượng vật lý của trường dòng chảy (mật độ, áp suất, vận tốc, nhiệt độ, số Mach, entropy) thành các vectơ hàng để xây dựng ma trận ảnh chụp nhanh X (kích thước m×n, trong đó m=24 là số mẫu và n≈8×10⁶ là số nút lưới). POD: X ≈ UΣV beta được thu được thông qua Phân tích Giá trị Đơn (SVD). Trong đó, U chứa thông tin hệ số mode, V chứa các Mode Không gian, và các phần tử đường chéo của Σ là các giá trị đơn, biểu thị sự đóng góp năng lượng của mỗi mode. Sau khi được sắp xếp theo thứ tự giảm dần năng lượng, mode đầu tiên chiếm 85,72% năng lượng trường áp suất và 88,00% trường entropy. Năng lượng tích lũy của 12 mode đầu tiên đạt 99%, vì vậy bậc cắt k=12 được chọn, và các mode bậc cao hơn được loại bỏ để lọc nhiễu số. Để dự đoán được các điều kiện làm việc mới, cần phải thiết lập mối quan hệ ánh xạ giữa các thông số điều kiện làm việc (áp suất đầu ra p, hành trình van h) và hệ số modal α, α=f(p, h). Nghiên cứu này đã so sánh ba phương pháp hồi quy: hồi quy đa thức, Kriging và hồi quy vectơ hỗ trợ.Ngoài ra, nghiên cứu này cũng thử nghiệm hồi quy máy vectơ hỗ trợ thông tin vật lý. Thuật ngữ dư của phương trình động lượng được đưa vào hàm mất mát SVR, và thuật toán giảm độ dốc được áp dụng để tối ưu hóa siêu tham số ε, sao cho trường dòng dự đoán thỏa mãn ràng buộc bảo toàn động lượng của phương trình Navier-Stokes trạng thái ổn định trên mặt phẳng đối xứng.Tuy nhiên, kết quả cho thấy rằng vì hàm cơ sở POD đã được trích xuất từ ảnh chụp nhanh CFD thỏa mãn phương trình điều khiển, bản thân hàm cơ sở này chứa đủ thông tin vật lý; Trong trường hợp số mẫu hạn chế, SVR cơ bản đã tiếp cận giới hạn trên về độ chính xác của khung biểu diễn này. Việc đưa ra các ràng buộc vật lý như các thuật ngữ tối ưu hóa thứ cấp không làm giảm đáng kể lỗi dự đoán (RRMSE 1,16% so với 0,87%), mà thay vào đó có thể dẫn đến sự gia tăng sai lệch cục bộ do các ràng buộc quá mức. Quá trình dự đoán trực tuyến của ROM cuối cùng như sau: Nhập các tham số điều kiện hoạt động mục tiêu (p, h), thu được 12 hệ số modal α youdaoplaceholder7 thông qua nội suy mô hình Kriging, và chồng chất tuyến tính các chế độ không gian được lưu trữ trước tại u(X)=Σα dv ϕ và dv (X) để tái tạo lại sự phân bố trường dòng chảy hoàn chỉnh. Độ phức tạp tính toán của quá trình này là O(k×n). Trên nền tảng tính toán được trang bị AMD EPYC 7763, một lần dự đoán mất khoảng 4,8 giây, cao hơn bốn bậc độ lớn so với 11.665 giây của CFD. Kết quả nghiên cứu Lấy kết quả dự đoán áp suất làm ví dụ, kết quả dự đoán trường áp suất mặt phẳng đối xứng bằng mô hình giảm bậc dựa trên mô hình Kriging cho thấy RRMSE là 0,79% và sai số tương đối tối đa là 16,49%. RRMSE của mô hình dựa trên hồi quy máy vectơ hỗ trợ (SVR) là 0,87%, và sai số tương đối tối đa là 15,38%. Cả hai phương pháp đều kiểm soát sai số tương đối của phân bố áp suất trong phạm vi chấp nhận được về mặt kỹ thuật là 20%, và RRMSE của cả hai đều nhỏ hơn 1%. Điều đáng chú ý là trong vùng khe hở hình vành khuyên giữa ống ngoài và ống trong, do sự giãn nở đột ngột của vùng dòng chảy, lưu lượng giảm và áp suất thể hiện hiện tượng phục hồi đáng kể, với giá trị áp suất tăng lên từ 1,53 MPa đến 1,88 MPa. Sau đó, hơi nước chảy qua lỗ tiết lưu của ống trong (tiết lưu thứ cấp), và áp suất lại giảm xuống, cuối cùng cân bằng với áp suất tại cửa ra phía hạ lưu. Đặc điểm phân bố áp suất không đơn điệu "giảm áp suất - phục hồi - giảm áp suất trở lại" này đã được mô hình ROM mô phỏng chính xác. Cho dù là phương pháp Kriging hay SVR, đường cong dự đoán của chúng đều phù hợp tốt với các giá trị tham chiếu CFD, chỉ có sai lệch nhỏ trong vùng có độ dốc cục bộ lớn nhất. Trong khu vực thân chính của khoang van và các khu vực đường ống đầu vào và đầu ra, sự thay đổi áp suất tương đối nhẹ, và sai số tương đối nói chung nhỏ hơn 5%, thậm chí một số khu vực còn nhỏ hơn 1%. Sai số tương đối tối đa là 16,49% xảy ra tại vị trí cục bộ gần thành ống ở cửa ra của lỗ tiết lưu của ống bọc ngoài. Tại đây, hiện tượng tách dòng diễn ra mạnh mẽ, và sự mất chi tiết do gián đoạn chế độ bậc cao là rõ rệt nhất. Mặc dù vậy, mức độ sai số vẫn nằm trong phạm vi chấp nhận được để đánh giá xu hướng áp suất và đánh giá tải trọng tổng thể trong các ứng dụng kỹ thuật. Hiệu suất của ba phương pháp hiệu chỉnh trong dự đoán trường dòng chảy đã được so sánh: Mô hình Kriging với độ chính xác RRMSE là 0,79% tốt hơn một chút so với SVR (0,87%), và cả hai đều tương đương nhau ở mức sai số tối đa (khoảng 15-16%). Phương pháp PI-SVR với các ràng buộc thông tin vật lý được đưa vào không cho thấy ưu điểm nào trong dự đoán áp suất. RRMSE của nó là 1,16%, sai số tối đa đạt 17,67%, và phạm vi phân bố sai số trong vùng có độ dốc cao của lỗ tiết lưu được mở rộng so với SVR cơ bản. Hiện tượng này cho thấy rằng đối với các đại lượng vật lý như áp suất, có tính phi tuyến mạnh nhưng cấu trúc không gian tương đối cố định, phương pháp nội suy Kriging dựa trên các quá trình Gaussian có thể xử lý tốt hơn các mẫu nhỏ và các mối quan hệ ánh xạ phi tham số. Do đó, để dự đoán nhanh chóng trường dòng chảy của van giảm áp hơi nước, mô hình Kriging được xác định là giải pháp tối ưu. Triển vọng nghiên cứu Kết quả nghiên cứu cung cấp một lộ trình kỹ thuật khả thi cho việc xây dựng mô hình song sinh kỹ thuật số của van giảm áp. Mô hình ROM này có thể thực hiện tái tạo thời gian thực và giám sát trực quan các thông số chính như trường áp suất bên trong và trường nhiệt độ của van, giải quyết vấn đề "hộp đen" do không thể lắp đặt các cảm biến truyền thống bên trong bộ phận điều tiết. Tuy nhiên, cần lưu ý rằng mô hình bậc thấp được thiết lập trong nghiên cứu này có những giới hạn ứng dụng rõ ràng. Thứ nhất, phạm vi hiệu quả của mô hình bị giới hạn nghiêm ngặt trong không gian tham số được bao phủ bởi dữ liệu huấn luyện và không có khả năng ngoại suy đến các hình học chưa được lấy mẫu hoặc các điều kiện biên khác nhau. Thứ hai, mô hình hiện tại được xây dựng dựa trên các ảnh chụp trạng thái ổn định và chỉ áp dụng được cho dự đoán điều kiện hoạt động ổn định, không thể nắm bắt được sự tiến hóa dòng chảy tức thời trong quá trình hoạt động nhanh của van. Các nghiên cứu tiếp theo sẽ đào sâu và mở rộng công trình hiện tại từ hai khía cạnh sau: Đầu tiên là mô hình hóa dòng chảy tạm thời. Bằng cách kết hợp các phương pháp phân tích chuỗi thời gian (như Phân rã Chế độ Động DMD hoặc Mạng Bộ nhớ Dài Ngắn Hạn LSTM), một mô hình động bậc thấp có khả năng dự đoán sự tiến hóa của dòng chảy không ổn định được xây dựng. Thứ hai là tối ưu hóa các phương pháp thông tin vật lý. Xem xét lại các chiến lược triển khai học máy thông tin vật lý, khám phá việc đưa các ràng buộc vật lý vào giai đoạn trích xuất mô hình thay vì giai đoạn hồi quy, hoặc áp dụng khung đa độ chính xác kết hợp với CFD độ phân giải thấp và mạng nơ-ron thông tin vật lý để cải thiện khả năng ngoại suy và tính nhất quán vật lý của mô hình trong các vùng mẫu thưa thớt.
ĐỌC THÊM
E-mail
: info@geko-union.com
E-mail
: info@geko-valves.de
E-mail
: tw@geko-union.com
E-mail
: nl@geko-union.com
Mạng IPv6 được hỗ trợ
