Обзор расчетных методов определения эмиссии оксидов азота NOx газотурбинных установок в реальном масштабе времени

В настоящее время действуют постоянно ужесточающиеся нормы на выброс вредных веществ энергетических газотурбинных установок (ГТУ) и авиационных двигателей [1–5]. Наличие этих ограничений требует неуклонного совершенствования технологий сжигания углеводородных топлив в камерах сгорания турбомашин, а также разработки подходов к управлению их работой, исходя из соображений обеспечения требуемых экологических характеристик при изменяющихся внешних условиях. Все данные факторы приводят к необходимости применения систем контроля загрязнения атмосферы в реальном времени.

Для экологического контроля эмиссии ГТУ ранее использовались только системы прямого измерения NOx, СО, известные в иностранной литературе как системы непрерывного мониторинга выбросов CEMS (Continuous Emissions Monitoring System).

Данные газоаналитические системы предусматривают тщательную калибровку оборудования перед измерением, отбор пробы выходящих газов и последующее инструментальное определение компонентов в пробе [6]. Опыт эксплуатации подобных систем показывает высокую трудоемкость их обслуживания, значительные капитальные и операционные затраты – в ряде случаев от 250 000 долл. и более.

Для сокращения эксплуатационных расходов в последние 35 лет стали применяться расчетные методы оценки эмиссии. Данные методы позволяют автоматически определять уровень NO x в реальном масштабе времени с помощью специально разработанных математических моделей и на основании измеренных значений параметров энергетических ГТУ, которые являются входными данными для расчетной модели, реализованной в виде компьютерной программы.

С учетом возможного применения в системе автоматического управления (САУ) встроенной бортовой математической модели авиадвигателя, позволяющей управлять по таким недоступным для измерения параметрам, как реактивная тяга двигателя R, температура газа Тг* на выходе камеры сгорания и др., виртуальная технология расчета NOx становится легко реализуемой и одновременно востребованной в авиации, имея в виду обсуждаемую в ИКАО задачу определения выбросов NOx на крейсерском и других режимах полета [7].

Действительно, в авиадвигателестроении измерение NO x осуществляют в основном при проведении стендовых испытаний. Во время полета прямые методы измерения эмиссии для эксплуатации труднодоступны из-за отсутствия бортовых датчиков измерения NO_x, сложности и громоздкости технологического оборудования. Отсюда следует, что расчетная оценка NO_x в полете представляет собой перспективную и полезную задачу.

Целью статьи является выполнение обзора расчетных методов, позволяющих в реальном масштабе времени автоматически определять уровень эмиссии NO x авиационных двигателей и газотурбинных установок.

Анализ расчетных методов определения NOx в реальном масштабе времени

По теме исследования было проанализировано более 85 источников информации, установлено следующее.

В период технического обслуживания или ремонта измерительной системы контроля вредных выбросов газотурбинная установка потенциально остаётся без мониторинга NO x , что, согласно европейским требованиям, является недопустимым на срок более 10 дней для энергетических ГТУ мощностью более 50 МВт. Для исключения такой ситуации эксплуатанту необходимо предусмотреть дублирование дорогостоящей измерительной системы аналогичной аппаратурой, что экономически и технически не выгодно. Отсюда возникает устойчивый спрос на системы расчетного определения выбросов NO_x, CO, имеющие акроним PEMS – Predictive emission monitoring system или Parametric emissions monitoring system [8–14].

Системы расчётного определения выбросов вредных веществ в энергетических ГТУ (PEMS)

Фундаментальные:

Аналитические модели;

Численное моделирование газовой динамики (CFD);

Численное моделирование химической кинетики (CRN)

Статистические:

1. Эмпирические регрессионные модели;

2. Феноменологические зависимости на базе больших массивов данных и аналитики

Нейросетевые:

Предиктивные модели;

Диагностические модели;

Предписывающие

(в составе САУ)

Рис. 1. Схема классификации расчётных методов оценки выбросов вредных веществ в энергетических ГТУ Fig. 1. Classification scheme of calculation methods for assessing emissions of harmful substances in power GTUs

В целом системы расчётного определения выбросов NOx и CO можно разделить на три группы (рис. 1): фундаментальные, основанные на использовании базовых законов описания физикохимических и рабочих процессов, протекающих в энергетических установках, статистические, по сути представляющие собой эмпирические зависимости, построенные на основе анализа больших массивов эксплуатационных данных конкретных энергетических установок, и нейросетевые, как следующий этап качественного развития статистических моделей, способный расширить грани- цы их применимости, например для парка энерге- тических установок, вследствие наличия возможности динамического дообучения.

Изначально получили развитие математиче ские модели, в которых значения выбросов NOx устанавливались на основе термического механизма Зельдовича, описывающего окисление атмосферного азота при горении. Основные химические реакции данного механизма приведены ниже [15]:

О + N 2 ^ NO + N;

N + O₂ ^ NO + O.

Скорость образования NO значительна только на высоких температурах (> 1800 К), так как для образования N требуется разрыв сильной тройной связи молекулы N 2 (энергия диссоциации 941 кДж/гмоль). Сама зависимость скорости образования NO от температуры носит экспоненциальный характер, поэтому чем больше температура пламени в камере сгорания, тем выше эмиссия NO .

На следующем этапе развития распространение получили регрессионные модели, основанные на статистических закономерностях между значениями параметров ГТУ и величиной NO_x. Достоинством этих методов явились простота и доступность, поскольку для оценки эмиссии NO x уже не требуется инженерных знаний о механизмах горения и конструкции ГТУ.

В связи с развитием газотурбинных технологий требования к моделям усложнились. Возникла необходимость учёта индивидуальных особенностей износа ГТУ и, соответственно, изменения рабочих параметров за длительный ресурс в 50 000–100 000 часов и более. Кроме того, для снижения выбросов NOx в состав камер сгорания вводятся новые конструктивные элементы и управляющие воздействия: диффузионный и гомогенные контуры, многоколлекторная схема подвода топлива для устойчивого горения бедной смеси, регулирование расхода и температуры воздуха, подаваемого в первичную зону камеры сгорания и т. д.

Всё это существенно усложняет разработку типовой регрессионной модели для адекватного описания текущих уровней NO x на всём парке наземных ГТУ, работающих в самых разных климатических условиях.

Контент-анализ публикаций в области PEM систем показывает, что за последние 15–20 лет в мире наибольшее количество научных статей посвящено методам машинного обучения и нейросетевого моделирования.

Представленный ниже анализ структурирован по вышеуказанным типам оригинальных математических моделей.

Фундаментальные модели определения NOx

В связи с развитием расчетных методов проектирования В. Хунг (W.S.Y. Hung) одним из первых опубликовал в 1975 г. аналитическую модель для определения выбросов NOx семейства диффузионных камер сгорания [16]:

Г - у 2 h NO ⎡

=   ⎢

⎢

⎢

где p – полное давление, атм; a , b , c – безразмерные коэффициенты, зависящие от полной температуры газа.

Позднее автор вносил изменения в модель, чтобы учесть эффекты впрыска воды, а также влияние внешних условий и параметров работы камеры сгорания и др. Научные работы В. Хунга по определению NOx дали значимый импульс для становления PEM-систем. В частности, только в период с 1990 по 1994 г. компания Solar Turbines (США) оснастила системами прогнозирования 36 своих газовых турбин. Установки Solar Turbines мощностью до 25 МВт с PEM-системой применяли диффузионное сжигание, впрыск воды и сжигание топлива с использованием технологии SoLoNOx (версия Solar технологии обедненного, гомогенного горения). Промышленная система прогнозирования позволяла ежесекундно определять NOx и в виде программного обеспечения входила в состав микропроцессорной системы автоматического управления Turbotronic. По сравнению с прямыми измерениями точность расчета NOx варьировалась от 2 до 12 % [17, 18].

Г. Льюис (G.D. Lewis) [19] представил своё модифицированное уравнение образования NOx при обедненном, гомогенном горении:

ΝО_x=3,32∙10 -6∙ехр (0,008 Тс ) p° ^,5 . (3)

Данное уравнение предполагает, что образование NO_x зависит только от давления Р и температуры Т газа, совершенно не зависит от времени пребывания продуктов сгорания в высокотемпературных зонах и возвращает значение концентрации оксидов азота в ppmv. Льюис утверждает, что это связано с тем, что релевантное время – это не время пребывания продуктов сгорания, а, скорее, время релаксации вовлеченных молекул, в первую очередь молекулы N, и, таким образом, оно одинаково во всех системах горения, использующих воздух.

В 1995 г. Л. Баккеном и Л. Скогли [20] была представлена формула определения выбросов NO x морской газовой турбины General Electric типа LM2500, работающей на природном газе в условиях норвежской платформы Sleipner A:

ΝО_x=62 p° ^, ^FA^{1 ,}4 ехр (—), (4)

где T – температура газов на выходе из камеры сгорания ( T 4 ); FA – соотношение топлива и воздуха; P – давление воздуха за компрессором. Данная корреляция была разработана для учета эффектов деградации компонентов LM2500 (износ элементов, отложения в проточной части и т. д.). Отклонение между расчетными и измеренными значениями при нормальной нагрузке LM2500 составило ~ 2 %.

• Н.    Рокке, решая задачу снижения эксплуатационных затрат (за счет к.п.д. ГТУ) и задачу минимизации вредных выбросов, предложил другую корреляцию для аналогичных условий норвежской части Северного моря [21]:

ΝО_x = 18,1 P^{1 , 42}ṅ a ^{, 3}FA° ^, 72 . (5)

Было обнаружено, что уравнение весьма удовлетворительно описывает измерения выбросов NO x от пяти различных турбомашин, работающих на природном газе в диапазоне мощности от 1,5 МВт (газовая турбина Dresser-Rand KG2-3C, рис. 2) до 34 МВт (газовая турбина типа GE LM2500). Хотя в уравнении отсутствует параметр температуры, ее влияние на выбросы NO_x учитывается включением соотношения топлива и воздуха FA.

К современным и наиболее совершенным способам оценки NO x относятся численные мето-

Рис. 2. Норвежская платформа Тролль с ГТУ Dresser-Rand KG2-3C в Северном море Fig. 2. The Norwegian Troll platform with a Dresser-Rand KG2-3C GTU in the North Sea

Рис. 3. Изоповерхности температуры 1950 К в жаровой трубе Fig. 3. Isosurfaces of temperature 1950 K in the flame tube

ды, связанные с применением методов вычислительной газовой динамики CFD (Сomputational Fluid Dynamics). Обычно с помощью этих методов научные исследователи процессов горения, а также все разработчики газотурбинных двигателей проектируют новые типы малоэмиссионных камер сгорания [22–25]. Однако разработка моделей с применением CFD-методов требует значительных трудозатрат из-за создания достоверной геометрической и сеточной модели камеры сгорания, корректного задания параметров среды (потоков), выбора модели турбулентности и механизмов горения, граничных условий и т. д. На рис. 3 представлен пример рассчитанной с применением CFD изоповерхности температуры 1950 К в жаровой трубе камеры сгорания ГТУ [23].

К основному недостатку CFD-подхода относится его чувствительность к вычислительным ресурсам, что ограничивает область его применения. Так, например, расчет NO x на высокопроизводительном кластере может составлять от 2 до 5 дней и более, что неприемлемо для оперативного контроля.

От вышеуказанного недостатка свободен способ, предложенный в работе [24]. На основе CFD определяется сеть реакторов для детального химического моделирования NOx. Предлагается оптимизированная процедура разделения поля реагирующего потока на однородные зоны, рассматриваемые как реакторы с полным перемешиванием. Общее количество реакторов – 369. При объединении они образуют сеть химических реакторов (англ. Chemical Reactor Network – CRN), которая дает подробную информацию о температуре в камере сгорания. Методика СRN показала свою эффективность, давая точную оценку выбросов NOx с коротким временем отклика – до 15 мин, что не превышает типовое время для выполнения одного цикла калибровки и прямого измерения NOx. Легко адаптируемая к параллельному программированию данная методика обладает многими преимуществами (универсальность, точность, малое время процессора) и представляет большой потенциал для оценки выбросов загрязняющих веществ ГТУ в реальном масштабе времени. Аналогичные исследования с применением технологий CFD + CRN затем проводили вьетнамские и южнокорейские ученые.

Обобщая материалы по фундаментальным моделям, можно установить, что какого-то единого и универсального способа вычисления оксидов азота NO x в реальном масштабе времени нет. Это объясняется различием типа и конструкции применяемых камер сгорания, особенностями технологий горения и условий эксплуатации ГТУ, включая их индивидуальное техническое состояние за ресурс. Основными достоинствами метода расчета эмиссии NO_x ГТУ по фундаментальным моделям являются высокая точность и достоверность расчетов, гибкость при изменениях конструкции, отсутствие длительного и затратного обучения модели во всех ожидаемых условиях эксплуатации, что особенно важно для авиации. Но этими преимуществами будут обладать главным образом разработчики турбомашин, глубоко владеющие всеми научными и инженерными знаниями о своих разработках.

Статистические методы определения NOx

В процессе эксплуатации современных ГТУ широко применяется параметрическая диагностика, которая позволяет оценить техническое состояние турбомашин с помощью цифровой системы автоматического управления. Таким образом, в сочетании с обязательным контролем эмиссии NO x и применением электронных вычислительных комплексов у эксплуатанта и производителя ГТУ накапливаются обширные базы данных, позволяющие методом регрессионного анализа получить эмпирические зависимости измеренного значения NO_x от внешних условий и рабочих параметров ГТУ. Статистические модели могут показать точность, сопоставимую с аналитическими моделями, однако они привязаны к конкретному образцу ГТУ. Модели, основанные на данной методологии, представлены ниже.

В работе специалистов MAN Diesel & Turbo SE [26] предложен способ прогнозирования эмиссии NO x камеры сгорания, которая включает пилотный (диффузионный) и основной (гомогенный) контуры. Способ выстроен на основе статистических измерений параметров эталонного рабочего цикла при международной стандартной атмосфере МСА (ref). При этом изменение условий на входе в камеру сгорания учтено вводом весовых коэффициентов:

NOx(Tad,PFR,T3lP3) = NO;ef(Tad,PFR) x x (    NOdiff(T3)    \ . ( p3

\ (T0ff\T™f(Tad))    p^TTad)

0,6 2

,           (6)

где T_ad - расчетная температура пламени; PFR -доля расхода топлива в дежурный контур; T ₃ и p ₃ – температура и давление на входе в камеру.

Пилотный и основной контур моделируются как независимые, а эмиссия камеры сгорания принимается как суперпозиция эмиссии вредных веществ от каждого из контуров, как, например, в работе [27]:

S = $s ( Ф,ФДф) Рф))фр +

+ fs ( Ф,ФГф) Pkp)d,F                   (7)

где S – скорость генерации NO x по механизму Зельдовича; Р (φ) – функция плотности распределения вероятности состава смеси с учетом пульсаций; Ф, Ф ² - оценки среднего значения и осред-ненного квадрата пульсаций состава смеси в факелах; дф – диффузионный факел; гф – гомогенный факел.

Несмотря на то, что большинство статистических способов моделирования эмиссии вредных веществ основано на зависимости от температуры по механизму Зельдовича [28–32] (GE Aircraft Engines, GE Aircraft Engine Business, GE – Aviation, GE Global Research Center, General Electric Corpo- rate Research and Development), специалистами MAN была дополнительно взята зависимость эмиссии NOx от давления, как, например, в Alstom Switzerland AG [22]. Также при расчете суммарной эмиссии NOx учитываются расходы топлива по диффузионному и гомогенному контурам. Утверждается, что эмиссия гомогенного контура главным образом зависит от температуры гомогенного пламени, а в диффузионном контуре эмиссия является функцией от давления и температуры на входе в камеру сгорания. Метод способен оценивать эмиссию двигателя с погрешностью не более 10 %.

Статистические способы General Electric Corporate Research and Development [32] определения эмиссии вредных веществ могут быть представлены в виде зависимости экспериментально измеренного индекса эмиссии оксидов азота от параметров режима работы в камере сгорания (рис. 4), в том числе свойств топлива. Зависимость может быть задана в линейном виде или в виде степенного полинома.

Согласно патенту US 2019056702 [33] «Model-Based Machine Learning Control System and Method for Tuning Power Production Emissions (Система управления машинным обучением на основе моделей и метод настройки эмиссии вредных выбросов при производстве электроэнергии)», принадлежащему General Electric, сегментированная линейная регрессия используется для динамической настройки смещения, используемого для улучшения или иной «коррекции» передаточной функции. Передаточная функция моделирует выбросы NOx на основе эталонной температуры сгорания. При этом не требуется предварительная обработка данных, так как «самообучение» выполняется на месте путем наблюдения за эксплуатационными данными.

Рис. 4. Зависимость NO x от давления в камере сгорания и температуры пламени [32]

Fig. 4. Dependence of NO x on combustion chamber pressure and flame temperature [32]

Рис. 5. Схема устройства оценки выбросов NO x

Fig. 5. Schematic diagram of the NO x emission assessment device

Отмечается, что указанный способ является вычислительно более эффективным и компактным, в отличие от типовых нейронных сетей.

В патенте General Electric EP 2570877 [34] «System and Method for Simulating Gas Turbine Operation (Устройство и способ моделирования работы газовой турбины)» раскрыт способ моделирования ГТУ, заключающийся в использовании рабочих параметров для определения множества расчетных рабочих параметров по модели ГТУ и поддержании цифровым контроллером температуры пламени, выбросов NO x и CO в заданных пределах.

В частности, измеряются температура и давление окружающей среды, удельная влажность окружающей среды, температура воздуха на входе в компрессор, угол поворота направляющих лопаток компрессора, расход топлива, температура топлива, частота вращения ротора, площадь сопла первой ступени и коэффициент мощности генератора и др.

В патенте US 2010251699 [35] «System and Method for Obtaining an Optimal Estimate of NO x Emissions (Устройство и способ получения оптимальной оценки выбросов NO x )», принадлежащем General Electric, предусмотрена система управления для оценки выбросов NO x в процессе селективного каталитического восстановления (рис. 5). Система управления включает датчик непрерывного мониторинга NO_x из состава CEMS и виртуальный датчик типа PEMS, сконфигурированный для генерации относительно более быстрого реагирующего сигнала. Цифровая система управления дополнительно включает в себя µ-процессор для компенсации временной задержки с помощью фильтра низких частот и формирования оценки NO_x, которая подается в виде прямого сигнала в систему впрыска.

К недостатку способа следует отнести наличие газоанализатора.

В PEMS «CMC Solutions» для генерации прогнозируемых показателей выбросов используются исторические данные CEMS. PEMS была установлена на двух газовых турбинах GE Frame 7 для электростанции. Одна из турбин была пиковым блоком, сжигающим природный газ и использующим малоэмиссионную камеру сгорания DLN (с «сухим» подавлением NO x ), в то время как другая была базовым блоком, сжигающим природный газ или мазут и использующим впрыск пара для снижения выбросов NO x [36].

Алгоритм работы PEMS был создан на базе начальных 40 или 60 часов данных, собранных CEMS. Подробности разработки алгоритма не были представлены. Окончательный алгоритм PEMS был основан на дополнительных 720 часах данных, которые были собраны в течение демонстрационного периода.

Способы определения NOx на базе искусственных нейронных сетей

В последнее время наиболее популярны математические модели, основанные на искусственных нейронных сетях. Данные модели эффективны при достаточно большом уровне экспериментальных данных для обучения сети, которые охватывают различные условия эксплуатации газовых турбин.

Исследовательским центром Laborelec (Бельгия) [37] для применения в модели отобраны входные воздействующие сигналы и параметры ГТУ, от которых наиболее точно зависят выбросы вредных веществ. При этом приоритет отдается сигналам, которые получены измерением, а не расчетом. Такими параметрами признаны: поло- жение дозирующих топливо игл, давление и температура воздуха за компрессором, температура газа за турбиной, индекс Воббе, характеризующий постоянство теплового потока при сжигании газа и служащий индикатором взаимозаменяемости топливных газов (природный газ, сжиженный нефтяной газ и др.). Для учета износа двигателя или изменения его характеристик после ремонта внедрен алгоритм обучения модели в процессе эксплуатации. Также в нейросетевой модели учтено влияние временной задержки данных с газоанализатора. Выполнена оптимизация модели, которая показала, что оптимальное количество слоев нейронной сети составляет 12 шт., а обучение проводится в течение 10 дней на основе непрерывно поступающих данных от двигателя. Считается, что данный способ определения значения эмиссии вредных веществ на основе нейронной сети должен удовлетворять нормативным требованиям по точности измерения эмиссии – 20 % [37].

Подробно процесс обучения искусственной нейронной сети для прогнозирования температуры газа, эмиссии NO_x, CO рассмотрен GE Global Research [38]. Выбрано 8 входных переменных (рис. 6). Это расходы топлива (MCZ mf, JIC mf; MCZ – главная зона горения, JIC – реактивный смеситель) и воздуха (MCZ ma, JIC ma), параметры распыла ( d , φ j ), температуры воздуха ( T a ,MCZ , T a ,JIC ) на входе в малоэмиссионную камеру сгорания. Особое внимание уделено выбору количества скрытых слоев и количества нейронов. Указано, что увеличение нейронов выше 32 снижает способность нейронной сети к обобщению, поэтому оптимальным принято 27 нейронов. Выходных переменных 3 – это оценочные данные NO x15 , CO и температуры газа за камерой сгорания (TIT). Сделан вывод, что полученная нейронная сеть может быть применена для замещения некоторых испытаний или внедрения в алгоритмы управления с нечеткой логикой.

Исследования с целью определения оптимальной структуры нейронной сети (количество входных переменных параметров и скрытых нейронов) проведены в работе [39]. Установлено, что для определения NOx оптимальным с точки зрения приемлемых точности и параметра сложности нейросети является 512 скрытых нейронов (диапазон исследований составлял от 512 до 8192 скрытых нейронов). В качестве входных переменных параметров применяются влажность (AH), температура (AT) и давление атмосферного воздуха (AP), перепад давления в воздушном фильтре (AFDP), давление в выхлопной шахте (GTEP), температура на входе в турбину (TIT) и температура за турбиной (TAT), давление воздуха за компрессором (CDP) и вырабатываемая мощность ГТУ (TEY) (рис. 7). Получено, что наибольшая корреляция NOx (–0,558) наблюдается с параметром температуры атмосферного воздуха, тогда как в большинстве других работ это наблюдается для температуры воздуха за компрессором или газа на входе в турбину. Данная модель обучена на массиве открытых данных Калифорнийского университета в Ирвине [40], набранных за пять лет (с 2011 по 2015 г.) на газовой турбине, работающей в северо-западной части Турции.

Особенность представленного массива данных заключается в наличии значимого снижения выбросов оксидов азота в 2014 и 2015 гг., не связанных с изменением вырабатываемой мощности, а также нестандартных ситуаций, когда выбросы оксидов углерода могли эпизодически вырастать в десятки раз по сравнению с медианным значением. Это позволяет говорить о возможности использования представленных данных для отработки подходов к обучению моделей, способных учитывать изменения эксплуатационных характеристик ГТУ с ростом наработки, износа или других пролонгированных или случайных факторов.

Так, в работе О.Н. Кочуевой [41] предложен оригинальный подход к построению модели прогноза выбросов NO x , СО газовых турбин на основе данных [40], включающий двухступенчатую процедуру. На первом шаге предложенной процедуры

Рис. 6. Структура нейронной сети расчета NO x15 , CO, TIT [38] Fig. 6. Structure of the neural network for calculating NO x15 , CO, TIT [38]

Рис. 7. Расположение датчиков параметров ГТУ Fig. 7. Location of GTU parameter sensors

применяется модель классификации, позволяющая качественно определить объем выбросов через нечеткие термы «Стандартный» или «Экстремальный», а на втором шаге с помощью моделей символьной регрессии определить количественное значение объема выбросов.

General Electric имеет патент на изобретение US 2020102902 [42] «Control and Tuning of Gas Turbine Combustion (Управление и настройка процесса горения в газовой турбине)», который относится к системе управления и служит для определения рабочих условий в камере сгорания ГТУ, регулировки или подстройки горения с целью достижения желаемой работы или производительности.

В изобретении используется модель процесса горения в виде нейронной сети для распределения топлива в ГТУ с целью снижения выбросов NO x и CO и предотвращения отклонений динамики камеры сгорания.

Патент RU 2 675 965 С2 [43] Siemens AG описывает способ определения концентрации NO_x газотурбинного двигателя, основанный на использовании создаваемой и обучаемой нейронной сети в виде функциональной зависимости, которая, идентифицируя режим работы газотурбинного двигателя по измеряемым параметрам, определяет уровень выбросов NO x , СО. При этом сопоставление нейронной сети с режимом работы двигателя выполняется по меньшей мере по одному или множеству измеряемых параметров газотурбинного двигателя: давления P _К и температуры Т _К воздуха за компрессором и в других сечениях компрессора, давления и температуры газа Т _Т в различных сечениях по тракту турбины, расхода G _Т и температуры топлива, доли расхода топлива через диффузионный контур G ТД и других. Нейронная сеть представляет собой функциональную зависимость на базе модели кинетики физических процессов или модели кинетики химических реакций. Тип, структура нейронной сети не оговариваются.

К недостатку данного способа относится большое количество измеряемых параметров (всего 13), что отказ одного датчика может привести к некорректным расчетам всего алгоритма. Кроме того, в данном способе предлагается строить функциональную зависимость выходных профилей параметров от одной из входных переменных (или небольшой группы) для последующей оптимизации состояния самого ГТУ на основе полученных выходных переменных. В реальности же входные переменные ГТД зависимы друг от друга в силу природы протекающих в двигателе аэро-, термо- и газодинамических процессов, поэтому изоляция одной или небольшой совокупности входных переменных функциональной зависимости от остальных является принципиальным недостатком. Иными словами, игнорируется тот факт, что ГТУ является единым и системным устройством (тепловой машиной), имеющим физические зависимости между параметрами или переменными его функциональной зависимости.

Принята во внимание работа катарских и французских специалистов, которые провели сравнительную оценку трех основных типов технологий PEMS (фундаментальный метод, нейросетевой и статистический методы) с использованием одних и тех же данных газовой турбины Qatargas, оснащенной камерой сгорания с низким содержанием NO x – от 9 до 15 ppm [44].

Фундаментальная модель рассчитывает баланс массы и энергии на основе рабочих параметров газовой турбины, а прогнозирование NOx осуществляется на основе эмпирических уравнений, которые включают прогнозируемую температуру в зоне горения, давление в зоне горения и время пребывания в зоне горения. Статистическая гибридная модель учитывала расход топлива в камеру сгорания, температуру выхлопных газов и мощность ГТУ. В модели нейронной сети использовался алгоритм «многослойных персептронов» (Multi-layer Perceptron – MLP).

По результатам исследования делается вывод о том, что фундаментальная модель и модель нейронной сети прямого распространения показали лучшие результаты, чем статистическая гибридная модель. Кроме того, сделан еще один важный вывод о том, что для разработки PEMS данные CEMS должны охватывать 95 % условий эксплуатации газовой турбины. Это делает высокозатратным процесс создания нейросети NOx для авиации, так как обучение сети во всех ожидаемых условиях полета конкретных типов летательных аппаратов и их силовых установок потребует большого количества материальных и временных ресурсов. Для решения данной проблемы в работе ПНИПУ [27] предлагается применение эксперт-модели для обучения нейронной сети.

Известны также способы численного определения значения эмиссии оксидов азота NO_x на основе нечеткой логики для авиационного ГТД. Например, «адаптивный виртуальный измеритель вредных веществ в камере сгорания ГТД с применением нечеткой технологии» [45, 46], используемый для снижения эмиссии вредных веществ за взлетно-посадочный цикл путем оптимального распределения доли топлива между диффузионным и гомогенными коллекторами камеры сгорания. Способ основан на базе измерений расхода топлива G _Т, давления P _Г и температуры газа T _Г за камерой сгорания, частоты вращения вентилятора n _В, частоты вращения ротора высокого давления n _В Д , доли расхода топлива через диффузионный контур G ТД и др.

Перспективы использования расчётных методов определения эмиссии оксидов азота в энергетическом секторе РФ

Ужесточающиеся требования по охране окружающей среды от воздействия вредных веществ, образующихся при сгорании органических топлив в камерах сгорания энергетических газотурбинных установок в широком диапазоне рабочих нагрузок и климатических условий, обусловливают актуальность расчетного определения выбросов оксидов азота NOx в реальном масштабе времени.

К ограничениям и недостатку использования предсказательных методов относится необходимость применения датчиков параметров давления и температуры за камерой сгорания ( P Г , T Г ), что неизбежно приводит к пониженной надежности системы из-за воздействия экстремальных температур на сенсоры, поскольку такие датчики для серийной эксплуатации не выпускаются промышленностью РФ.

Поэтому еще одной перспективной задачей для разработчиков и эксплуатантов энергетических ГТУ может являться разработка методов пересчета указанных параметров на основе менее температурно нагруженных сенсоров или, например, на базе цифрового двойника газогенератора.

Также стоит упомянуть, что отечественные разработки нейросетевых технологий определения NO x носят преимущественно научно-образовательный характер, но, безусловно, содержат инженерный потенциал и после подтверждения их адекватности могут быть использованы для применения в составе САУ энергетических ГТУ.

Выводы

Анализ имеющихся публикаций позволяет сделать вывод, что такой подход при обеспечении адекватности используемых моделей образования NOx способен оптимизировать процесс управления режимами работы энергетических ГТУ, исходя из соображений обеспечения требуемых характеристик по мощности и одновременного решения проблемы снижения эмиссии вредных веществ, а также снижения затрат, связанных с экологическим контролем.

Описываемые методы дают возможность с заданной частотой опроса прогнозировать уровень NOx на основании измерения параметров рабочего процесса энергетической ГТУ (температуры, давления, расхода потоков).

На практике применяют три типа моделей – фундаментальные, основанные на базовых законах описания физико-химических и рабочих процессов, протекающих в энергетических установках, а также нейросетевые и статистические.

Нейросетевые модели на базе искусственного интеллекта активно развиваются и имеют наибольший уровень цитирования. Судя по практическому международному опыту их применения в газотурбинных технологиях, они превосходят по точности статистические методы регрессионного анализа, но на современном этапе уступают фундаментальным методам, так как требуют большого количества ресурсов (временных, информационных, вычислительных) для обучения, а также привязаны к конкретному образцу техники. Однако к преимуществам этих моделей можно отнести потенциальную возможность дообучения в процессе эксплуатации для учета изменения характеристик конкретной энергетической ГТУ вследствие увеличения её наработки, износа или модернизации.

Информации о применении встроенных виртуальных технологий расчета NOx в типовых конструкциях авиационных двигателей не выявлено.

Основными достоинствами метода расчета эмиссии NO x ГТУ по фундаментальным моделям является точность расчетов, нечувствительность к эксплуатационным износам конструкции, отсутствие необходимости обучения модели и ясные сертификационные процедуры, что особенно важно для авиации. Подобными преимуществами будут обладать и разработчики турбомашин. Однако из обзора литературы следует, что ряд ведущих производителей энергетических ГТУ (General Electric, Siemens AG и др.) проводят активные исследования по всем направлениям.

Заключение

Расчетное определение NO x в реальном масштабе времени при эксплуатации энергетических газотурбинных установок предпочтительно осуществлять с помощью математических моделей, основанных на базовых законах описания физикохимических и рабочих процессов, протекающих в энергетических установках при сжигании органических топлив, а также на основе знаний о работе энергетической ГТУ как тепловой машины, имеющей системные зависимости между узлами и параметрами.

Вместе с этим следует продолжить детальное изучение опыта создания математических моделей образования NOx, основанных на искусственных нейронных сетях, с целью повышения достоверности формируемых данных для управления энергетическими ГТУ и минимизации расходования материальных, временных и вычислительных ресурсов.

Перспективные цели ИКАО по ограничению эмиссии вредных выбросов на всех этапах полета обусловливают актуальность расчетного определения выбросов оксидов азота NOx в реальном масштабе времени и для авиационных двигателей.

Однако следует исключить какое-либо обучение нейронных моделей образования NOx на маршевых двигателях и вспомогательных энергетических газотурбинных установках, используемых при авиаперевозках после сертификации типа двигателя.