Usando IA para previsão de desempenho de compressores axiais e outras turbomáquinas

O projeto e a análise de compressores axiais são demorados e dispendiosos, pois as abordagens tradicionais exigem muitas iterações entre a etapa de análise do ciclo e a geometria final. Os ciclos e componentes modernos são frequentemente levados ao seu limite para alcançar a maior eficiência possível e o menor consumo de combustível. Para atingir esse objetivo de alta eficiência e baixo consumo, especialmente em motores modernos de turbina a gás, a relação de pressão dos compressores de alta pressão (HPC) está aumentando constantemente. No entanto, isso causa números de Mach relativos à ponta do rotor mais altos nos primeiros estágios do HPC, levando a mapas característicos de desempenho acentuados. Um mapa geral de desempenho de um compressor axial é mostrado na Imagem 1.

Os mapas de desempenho representam o comportamento do compressor e são usados ​​para a correspondência da turbina do compressor e avaliações da margem de estol. Os mapas também podem comparar diferentes compressores para determinar o projeto mais adequado para uma determinada aplicação. Esses mapas geralmente plotam a razão de pressão contra a taxa de fluxo de massa corrigida e a velocidade de rotação. O mapa tem um limite à esquerda chamado de linha de onda e um limite à direita chamado de linha de estrangulamento. O compressor pode operar previsivelmente dentro desses limites.

Esses mapas são criados por meio de experimentos físicos em que protótipos iniciais ou projetos de compressores finais são integrados a uma plataforma de teste com vários sensores de pressão, medidores de fluxo de massa, reguladores de pressão e vários outros equipamentos de teste. Isso é caro, portanto, deseja-se que o número de testes realizados seja baixo. Além disso, o compressor pode ultrapassar sua linha de pico se o operador acelerar demais a taxa de fluxo de massa. Isso pode levar a uma descarga explosiva na entrada e danos graves. Portanto, com a melhoria contínua da tecnologia de computador, os métodos de dinâmica de fluidos computacional (CFD) são mais usados ​​e estão substituindo equipamentos de teste caros, especialmente no estágio inicial do processo de design. O uso do CFD traz vantagens, mas não é isento de desvantagens. Um engenheiro pode automatizar o processo de execução de vários pontos operacionais; no entanto, o processo ainda é lento, exigindo uma malha fina para obter resultados precisos.

Os mapas de desempenho necessários para a análise do ciclo completo em várias condições de operação são válidos apenas para uma geometria fixa. Isso leva a um desafio interessante. Como mencionado acima, a tendência para taxas de pressão mais altas vem com linhas de velocidade mais íngremes. Isso reduz a faixa de operação do compressor, o que é indesejável. Para melhorar a situação, palhetas de guia variável (VGVs) são empregadas nos primeiros estágios. O ângulo de metal dessas palhetas pode ser ajustado de acordo com o ponto de operação atual, permitindo uma faixa de operação mais ampla. Apesar de serem úteis para a implementação final, o projeto de tais compressores é ainda mais difícil. Conforme mencionado, os mapas são válidos apenas para uma geometria fixa. Isso significa que, para usar VGVs, é necessário gerar mapas para as várias posições potenciais de aletas angulares ou apenas um gera alguns mapas com diferentes ângulos de aletas e aplica métodos de interpolação. Isso introduz imprecisões devido à interpolação.

Então, como o processo pode ser melhorado para economizar tempo e acelerar o processo de projeto? Melhorias adicionais são possíveis? A resposta é sim. As empresas agora estão explorando a inteligência artificial (IA). Os algoritmos de IA têm sido usados ​​em uma ampla variedade de tarefas nos últimos anos e estão ganhando popularidade devido à flexibilidade e alta precisão que podem fornecer. Um exemplo comum são os chatbots de serviço, que respondem a perguntas enquanto aprendem a encontrar respostas melhores ou mais precisas ao longo de suas interações. O mesmo princípio pode ser usado no projeto de compressores, bem como no projeto de outras turbomáquinas, como bombas e turbinas.

Certas características podem ser previstas com base em um conjunto de dados que funcionam como dados de treinamento para o modelo de IA. Isso inclui mapas de desempenho. Valores geométricos, como diâmetro de entrada, ângulos de palhetas ou valores de ponto de projeto, como taxa de pressão ou taxa de fluxo de massa de projeto, podem ser usados ​​como entradas, e mapas de desempenho inteiros ou uma geometria inicial do compressor podem ser a saída. Tudo isso seria decidido pelo criador do modelo, que determinaria as entradas e saídas exatas. Os dados de treinamento podem consistir em novos dados criados exclusivamente para treinar o modelo de IA ou informações existentes construídas ao longo da operação de uma empresa. Novos dados também podem ser adicionados a um algoritmo AI existente, o que ajuda a melhorar a precisão da saída. Existe um alto grau de flexibilidade de tarefas, que é usado para acomodar os vários problemas ou requisitos que um engenheiro possa ter.