Utilizzo dell'intelligenza artificiale per la previsione delle prestazioni dei compressori assiali e altre turbomacchine

La progettazione e l'analisi dei compressori assiali richiedono tempi e costi elevati poiché gli approcci tradizionali richiedono molte iterazioni tra la fase di analisi del ciclo e la geometria finale. I cicli e i componenti moderni vengono spesso portati ai loro limiti per ottenere la massima efficienza possibile e il minor consumo di carburante. Per raggiungere questo obiettivo di alta efficienza e bassi consumi, soprattutto nei moderni motori a turbina a gas, il rapporto di pressione dei compressori ad alta pressione (HPC) è in costante aumento. Tuttavia, ciò causa numeri di Mach relativi alla punta del rotore più elevati nelle prime fasi dell'HPC, portando a mappe caratteristiche delle prestazioni ripide. Una mappa generale delle prestazioni di un compressore assiale è mostrata nell'immagine 1.

Le mappe delle prestazioni rappresentano il comportamento del compressore e vengono utilizzate per l'adattamento della turbina del compressore e per le valutazioni del margine di stallo. Le mappe possono anche confrontare diversi compressori per determinare il design più adatto per una determinata applicazione. Queste mappe solitamente tracciano il rapporto di pressione rispetto alla portata massica corretta e alla velocità di rotazione. La mappa ha un limite a sinistra chiamato surge line e un limite a destra chiamato choke line. Il compressore può funzionare in modo prevedibile entro questi limiti.

Queste mappe vengono create attraverso esperimenti fisici in cui i primi prototipi o i progetti finali del compressore vengono integrati in un banco di prova con diversi sensori di pressione, misuratori di flusso di massa, regolatori e molti altri strumenti di prova. Questo è costoso, quindi si desidera che il numero di test eseguiti sia basso. Inoltre, il compressore potrebbe oltrepassare la linea di pompaggio se l'operatore riduce eccessivamente la portata massica. Ciò può provocare una scarica esplosiva all'ingresso e gravi danni. Pertanto, con il continuo miglioramento della tecnologia informatica, i metodi di fluidodinamica computazionale (CFD) vengono utilizzati sempre più e stanno sostituendo costosi banchi di prova, soprattutto nella fase iniziale del processo di progettazione. L’utilizzo dei CFD comporta vantaggi ma non è privo di svantaggi. Un ingegnere può automatizzare il processo di esecuzione di più punti operativi; tuttavia, il processo è ancora lento e richiede una maglia fine per ottenere risultati accurati.

Le mappe delle prestazioni necessarie per l'analisi del ciclo completo in varie condizioni operative sono valide solo per una geometria fissa. Ciò porta a una sfida interessante. Come accennato in precedenza, la tendenza verso rapporti di pressione più elevati si accompagna a speedline più ripide. Ciò restringe il campo di funzionamento del compressore, il che è indesiderabile. Per migliorare la situazione, nelle prime fasi vengono utilizzate palette a guida variabile (VGV). L'angolo metallico di queste alette può essere regolato in base al punto operativo corrente, consentendo un campo operativo più ampio. Nonostante siano utili per la realizzazione finale, la progettazione di tali compressori è ancora più difficile. Come accennato, le mappe sono valide solo per una geometria fissa. Ciò significa che per utilizzare i VGV è necessario generare mappe per le varie potenziali posizioni delle alette angolari oppure solo uno genera alcune mappe con diversi angoli delle alette e applica metodi di interpolazione. Ciò introduce imprecisioni dovute all'interpolazione.

Quindi, come è possibile migliorare il processo per risparmiare tempo e accelerare la procedura di progettazione? È possibile un ulteriore miglioramento? La risposta è si. Le aziende stanno ora esplorando l’intelligenza artificiale (AI). Negli ultimi anni gli algoritmi di intelligenza artificiale sono stati utilizzati in un’ampia varietà di compiti e stanno guadagnando popolarità grazie alla flessibilità e all’elevata precisione che possono fornire. Un esempio comune sono i chatbot di servizio, che rispondono alle domande e allo stesso tempo imparano a trovare risposte migliori o più accurate durante le loro interazioni. Lo stesso principio può essere utilizzato nella progettazione dei compressori, nonché nella progettazione di altre turbomacchine come pompe e turbine.

Alcune caratteristiche possono essere previste sulla base di un insieme di dati che funzionano come dati di addestramento per il modello di intelligenza artificiale. Ciò include le mappe delle prestazioni. Valori geometrici come il diametro di ingresso, gli angoli delle pale o valori puntuali di progetto come il rapporto di pressione o la portata di massa di progetto possono essere utilizzati come input, mentre intere mappe delle prestazioni o la geometria iniziale del compressore possono essere l'output. Tutto questo verrebbe deciso dal creatore del modello, che determinerebbe gli input e gli output esatti. I dati di addestramento possono consistere in nuovi dati creati esclusivamente per addestrare il modello di intelligenza artificiale o in informazioni esistenti accumulate nel corso della durata di attività di un'azienda. Nuovi dati potrebbero anche essere aggiunti a un algoritmo AI esistente che aiuta a migliorare la precisione dell’output. Esiste un elevato grado di flessibilità delle attività, che viene utilizzato per soddisfare i vari problemi o requisiti che un ingegnere potrebbe avere.