Pesquisa sobre o modelo de redução gradual da válvula redutora de pressão de vapor em usinas termelétricas.
Apr 14, 2026
Recentemente, a equipe de pesquisa de válvulas de controle especiais da Universidade de Zhejiang conduziu uma pesquisa sistemática sobre as características termohidráulicas de componentes-chave de regulação de válvulas redutoras de pressão de vapor em usinas termelétricas. Os resultados dessa pesquisa foram compilados em um artigo acadêmico intitulado "Previsão Rápida das Características Termohidráulicas de Válvulas Redutoras de Pressão de Vapor em Usinas Termelétricas com Base em Modelo de Redução de Ordem", publicado no periódico International Communications in Heat and Mass Transfer (um periódico de alto impacto na segunda zona da Academia Chinesa de Ciências). Em resposta às limitações dos métodos tradicionais de simulação numérica CFD e de pesquisa experimental em termos de eficiência e custo, um modelo de ordem reduzida (ROM) baseado em decomposição ortogonal auto-organizada (POD) foi construído, permitindo a reconstrução rápida e a previsão eficiente de campos de fluxo complexos. Isso melhorou significativamente a eficiência computacional, garantindo a precisão da engenharia. As válvulas redutoras de pressão de vapor são componentes de regulação essenciais em usinas termelétricas. Devido ao alto custo computacional e ao tempo necessário para sua análise, suas complexas características termohidráulicas são bastante complexas. Para solucionar esse problema, este estudo desenvolveu um modelo de ordem reduzida (ROM) utilizando decomposição ortogonal de autovalores (POD). Primeiramente, o campo de fluxo sob diferentes pressões de saída e cursos foi simulado numericamente; em seguida, utilizou-se a POD para extrair os modos espaciais e os coeficientes modais; finalmente, por meio de métodos de ajuste como o modelo de Kriging, regressão por máquina de vetores de suporte e regressão por vetores de suporte baseada em princípios físicos, estabeleceu-se a relação entre os coeficientes modais e as condições de operação. Os resultados mostram que, em comparação com a simulação CFD, o ROM aumentou a eficiência computacional em mais de quatro ordens de magnitude. O erro máximo do resultado do ROM é de 13,59%. O ROM prevê a distribuição de pressão, temperatura e entropia com um erro quadrático médio relativo (RRMSE) inferior a 2%. Este trabalho propõe uma nova estrutura de modelagem de ordem reduzida para prever a distribuição de grandezas físicas em válvulas redutoras de pressão. Além disso, este estudo fornece uma referência para o desenvolvimento de modelos de previsão rápidos e precisos para componentes de engenharia em aplicações de dinâmica de fluidos. Contexto da pesquisa A válvula redutora de pressão de vapor é um componente regulador fundamental no sistema de vapor de usinas termelétricas. Ela é responsável por reduzir a pressão do vapor superaquecido em alta temperatura e pressão (cerca de 2 MPa, 574 °C) para a pressão necessária a jusante e controlar a vazão ajustando o grau de abertura. Com a crescente demanda por redução de picos de geração de energia, as válvulas precisam operar com frequência. Se houver obstrução do fluxo (Ma ≥ 1) em seu interior, isso pode levar a uma diminuição da eficiência ou mesmo a danos ao equipamento. Portanto, o monitoramento em tempo real do campo de fluxo interno é crucial para a operação segura. No entanto, o interior da válvula está em um ambiente de temperatura e pressão extremamente altas, o que impossibilita a instalação de sensores em locais críticos, como orifícios de estrangulamento. É difícil compreender a verdadeira distribuição interna de pressão, velocidade e temperatura. Atualmente, a pesquisa sobre válvulas redutoras de pressão de vapor baseia-se principalmente em experimentos e simulações de CFD, mas apresenta deficiências evidentes em termos de eficiência e custo. Portanto, este artigo constrói um modelo de ordem reduzida (ROM) baseado na Decomposição Ortogonal de Autovalores (POD). A ideia central é: extrair os principais modos de fluxo a partir de um pequeno número de resultados de CFD de alta precisão e reconstruir o campo de fluxo. Posteriormente, estabelece-se um mapeamento simples entre os parâmetros das condições de operação e os coeficientes modais. Sob as novas condições de operação, o campo de fluxo completo pode ser reconstruído rapidamente sem a necessidade de resolver novamente as complexas equações da mecânica dos fluidos. Métodos de pesquisa A base para a construção de um modelo de ordem reduzida é o estabelecimento de uma biblioteca de amostras de treinamento de alta qualidade. O estudo selecionou quatro pressões de saída (1,2 MPa, 1,4 MPa, 1,6 MPa, 1,8 MPa) e seis cursos da válvula (de 20 mm a 120 mm), combinando-os para formar 24 conjuntos de condições de cálculo em regime permanente, abrangendo a faixa típica de condições de operação desta válvula redutora de pressão de vapor. Verificado pelos dados coletados no local da usina termelétrica, o desvio máximo entre a vazão calculada pela CFD e o valor medido é de 9,70%, o que atende aos requisitos de precisão da engenharia e garante a confiabilidade dos dados de entrada subsequentes no ROM. O método de Decomposição Ortogonal de Autovalores (POD) é adotado para reduzir a dimensão dos dados instantâneos de CFD. Cada grupo de grandezas físicas do campo de fluxo (densidade, pressão, velocidade, temperatura, número de Mach, entropia) é organizado como vetores linha para construir uma matriz instantânea X (dimensões m×n, onde m=24 é o número de amostras e n≈8×10⁶ é o número de nós da grade). POD: X ≈ UΣV beta é obtido através da Decomposição em Valores Singulares (SVD). Nela, U contém as informações dos coeficientes modais, V contém os Modos Espaciais e os elementos diagonais de Σ são valores singulares, representando a contribuição energética de cada modo. Após serem ordenados em ordem decrescente de energia, o primeiro modo representa 85,72% da energia do campo de pressão e 88,00% do campo de entropia. A energia cumulativa dos 12 primeiros modos atinge 99%, portanto, a ordem de truncamento k=12 é selecionada, e os modos de ordem superior são descartados para filtrar o ruído numérico. Para prever novas condições de operação, é necessário estabelecer a relação de mapeamento entre os parâmetros das condições de operação (pressão de saída p, curso da válvula h) e o coeficiente modal α, α=f(p, h). O estudo comparou três métodos de regressão: regressão polinomial, Kriging e regressão por vetores de suporte.Além disso, a pesquisa tentou utilizar a regressão por máquina de vetores de suporte (SVR) com informações físicas. O termo residual da equação do momento é introduzido na função de perda da SVR, e o algoritmo de descida de gradiente é adotado para otimizar o hiperparâmetro ε, de modo que o campo de fluxo previsto satisfaça a restrição de conservação do momento da equação de Navier-Stokes em regime permanente no plano de simetria.No entanto, os resultados mostram que, como a função de base POD foi extraída do instantâneo CFD que satisfaz a equação de controle, a própria função de base contém informações físicas suficientes; no caso de amostras limitadas, o SVR básico se aproximou do limite superior de precisão dessa estrutura de representação. A introdução de restrições físicas como termos de otimização secundários não reduziu significativamente o erro de previsão (RRMSE 1,16% vs 0,87%), mas, ao contrário, pode levar a um aumento no viés regional local devido ao excesso de restrições. O processo de predição online do ROM final é o seguinte: Insira os parâmetros da condição operacional alvo (p, h), obtenha 12 coeficientes modais α youdaoplaceholder7 por meio da interpolação do modelo Kriging e superponha linearmente os modos espaciais pré-armazenados em u(X)=Σα dv ϕ e dv (X) para reconstruir a distribuição completa do campo de fluxo. A complexidade computacional desse processo é O(k×n). Na plataforma de computação equipada com AMD EPYC 7763, uma única predição leva aproximadamente 4,8 segundos, o que é quatro ordens de magnitude maior do que os 11.665 segundos do CFD. Resultados da pesquisa Tomando como exemplo os resultados da previsão de pressão, a previsão do campo de pressão em um plano simétrico pelo modelo de ordem reduzida baseado no modelo de Kriging mostra que o RRMSE é de 0,79% e o erro relativo máximo é de 16,49%. O RRMSE do modelo baseado em regressão por Máquina de Vetores de Suporte (SVR) é de 0,87% e o erro relativo máximo é de 15,38%. Ambos os métodos controlam o erro relativo da distribuição de pressão dentro da faixa aceitável para engenharia de 20%, e o RRMSE de ambos é inferior a 1%. Vale ressaltar que na área do espaço anular entre a camisa externa e a camisa interna, devido à expansão repentina da área de fluxo, a vazão diminui e a pressão apresenta um significativo fenômeno de recuperação, com o valor da pressão subindo para valores entre 1,53 MPa e 1,88 MPa. Posteriormente, o vapor flui através do orifício de estrangulamento da camisa interna (estrangulamento secundário) e a pressão cai novamente, eventualmente se equilibrando com a pressão na saída a jusante. Essa distribuição de pressão não monotônica, característica de "redução de pressão - recuperação - nova redução de pressão", foi capturada com precisão pelo modelo ROM. Tanto pelo método Kriging quanto pelo SVR, suas curvas de previsão apresentam boa concordância com os valores de referência da CFD, com apenas pequenos desvios na região com o gradiente local máximo. Na área principal da cavidade da válvula e nas áreas das tubulações de entrada e saída, as variações de pressão são relativamente suaves, e o erro relativo é geralmente inferior a 5%, chegando a menos de 1% em algumas áreas. O erro relativo máximo, de 16,49%, ocorre na posição próxima à parede na saída do orifício de estrangulamento da camisa externa. Nessa região, a separação do fluxo é intensa e a perda de detalhes causada pela interrupção do modo de alta ordem é mais evidente. Apesar disso, o nível de erro permanece dentro de uma faixa aceitável para a avaliação da tendência de pressão e da carga total em aplicações de engenharia. O desempenho dos três métodos de ajuste na predição do campo de fluxo foi comparado: o modelo de Kriging, com uma precisão RRMSE de 0,79%, apresentou desempenho ligeiramente superior ao do SVR, com 0,87%, sendo ambos comparáveis no nível de erro máximo (aproximadamente 15-16%). O método PI-SVR, com a introdução de restrições de informação física, não demonstrou vantagem na predição de pressão. Seu RRMSE foi de 1,16%, o erro máximo atingiu 17,67% e a faixa de distribuição do erro na área de alto gradiente do orifício de estrangulamento foi expandida em comparação com o SVR básico. Este fenômeno indica que, para grandezas físicas como a pressão, que apresentam forte não linearidade, mas estrutura espacial relativamente fixa, a interpolação de Kriging baseada em processos Gaussianos lida melhor com amostras pequenas e relações de mapeamento não paramétricas. Portanto, para a predição rápida do campo de fluxo em válvulas redutoras de pressão de vapor, o modelo de Kriging foi considerado a solução ótima. Perspectivas de pesquisa Os resultados da pesquisa fornecem um caminho técnico viável para a construção de gêmeos digitais de válvulas redutoras de pressão. Este modelo ROM permite a reconstrução em tempo real e o monitoramento visual de parâmetros-chave, como o campo de pressão interna e o campo de temperatura da válvula, resolvendo o problema da "caixa preta" causado pela impossibilidade de instalar sensores tradicionais dentro do componente de estrangulamento. No entanto, é importante ressaltar que o modelo de ordem reduzida estabelecido neste estudo possui limites de aplicabilidade bem definidos. Primeiramente, o alcance efetivo do modelo é estritamente limitado ao espaço de parâmetros abrangido pelos dados de treinamento e não possui a capacidade de extrapolar para geometrias não amostradas ou diferentes condições de contorno. Em segundo lugar, o modelo atual é construído com base em instantâneos de estado estacionário e é aplicável apenas à previsão de condições de operação em estado estacionário, sendo incapaz de capturar a evolução do fluxo transiente durante a ação rápida da válvula. Pesquisas subsequentes aprofundarão e expandirão o trabalho atual a partir dos seguintes dois aspectos: A primeira é a modelagem de fluxo transiente. Combinando métodos de análise de séries temporais (como a Decomposição de Modo Dinâmico (DMD) ou a Rede de Memória de Longo Prazo (LSTM)), constrói-se um modelo dinâmico de ordem reduzida capaz de prever a evolução do fluxo instável. A segunda é a otimização dos métodos de informação física. Reexaminar as estratégias de implementação da aprendizagem de máquina com informação física, explorar a introdução de restrições físicas na fase de extração modal em vez da fase de regressão, ou adotar uma estrutura de múltiplas fidelidades combinada com CFD de baixa resolução e redes neurais com informação física para melhorar a capacidade de extrapolação do modelo e a consistência física em regiões com poucos dados amostrais.
LEIA MAIS