축방향 압축기 성능 예측 및 기타 터보 기계에 AI 사용

기존 접근 방식에서는 사이클 분석 단계와 최종 형상 사이에 많은 반복이 필요하기 때문에 축류 압축기의 설계 및 분석은 시간과 비용 집약적입니다. 현대의 사이클과 구성품은 가능한 최고의 효율성과 최저 연료 소비를 달성하기 위해 한계에 부딪히는 경우가 많습니다. 특히 현대식 가스 터빈 엔진에서 고효율 및 저소비라는 목표를 달성하기 위해 고압 압축기(HPC)의 압력비는 지속적으로 증가하고 있습니다. 그러나 이로 인해 HPC의 첫 번째 단계에서 마하 수에 비해 로터 팁이 더 높아져 가파른 성능 특성 맵이 생성됩니다. 축류 압축기의 일반적인 성능 맵은 이미지 1에 나와 있습니다.

성능 맵은 압축기 동작을 나타내며 압축기 터빈 매칭 및 실속 마진 평가에 사용됩니다. 또한 맵은 다양한 압축기를 비교하여 특정 응용 분야에 가장 적합한 설계를 결정할 수 있습니다. 이러한 맵은 일반적으로 수정된 질량 유량 및 회전 속도에 대한 압력 비율을 표시합니다. 맵에는 서지 라인이라는 왼쪽 경계 제한과 초크 라인이라는 오른쪽 경계 제한이 있습니다. 압축기는 이러한 범위 내에서 예상대로 작동할 수 있습니다.

이러한 맵은 초기 프로토타입 또는 최종 압축기 설계가 여러 압력 센서, 질량 유량계, 스로틀 및 기타 여러 테스트 장비가 포함된 테스트 장비에 통합되는 물리적 실험을 통해 생성됩니다. 이는 비용이 많이 들기 때문에 수행되는 테스트 횟수는 적은 것이 바람직합니다. 또한, 작업자가 질량 유량을 과도하게 조절하면 압축기가 서지 라인을 통과할 수 있습니다. 이로 인해 흡입구에서 폭발적인 방전이 발생하고 심각한 손상이 발생할 수 있습니다. 따라서 컴퓨터 기술이 지속적으로 향상되면서 전산유체역학(CFD) 방법이 더 많이 사용되고 특히 설계 프로세스 초기 단계에서 값비싼 테스트 장비를 대체하고 있습니다. CFD를 사용하면 장점이 있지만 단점이 없는 것은 아닙니다. 엔지니어는 여러 작동 지점을 실행하는 프로세스를 자동화할 수 있습니다. 그러나 프로세스가 여전히 느리기 때문에 정확한 결과를 얻으려면 미세한 메쉬가 필요합니다.

다양한 작동 조건에서 전체 사이클 분석에 필요한 성능 맵은 고정된 형상에만 유효합니다. 이는 흥미로운 도전으로 이어집니다. 위에서 언급한 바와 같이, 더 높은 압력비를 향한 추세는 더 가파른 속도선을 동반합니다. 이는 압축기의 작동 범위를 좁혀 바람직하지 않습니다. 상황을 개선하기 위해 처음 몇 단계에서는 가변 가이드 베인(VGV)이 사용됩니다. 이 베인의 금속 각도는 현재 작동 지점에 따라 조정될 수 있으므로 작동 범위가 더 넓어집니다. 최종 구현에 유용함에도 불구하고 이러한 압축기의 설계는 훨씬 더 어렵습니다. 언급한 대로 지도는 고정된 형상에만 유효합니다. 이는 VGV를 사용하려면 다양한 잠재적 각도 베인 위치에 대한 맵을 생성해야 하거나 하나만 다른 베인 각도를 가진 몇 개의 맵을 생성하고 보간 방법을 적용해야 함을 의미합니다. 이로 인해 보간으로 인해 부정확성이 발생합니다.

그렇다면 시간을 절약하고 설계 절차를 가속화하기 위해 프로세스를 어떻게 개선할 수 있습니까? 추가 개선이 가능합니까? 대답은 '예'입니다. 이제 기업들은 인공지능(AI)을 탐구하고 있습니다. AI 알고리즘은 최근 몇 년 동안 다양한 작업에 사용되어 왔으며 유연성과 높은 정확성을 제공할 수 있어 인기를 얻고 있습니다. 일반적인 예로는 서비스 챗봇이 있는데, 이는 질문에 답변하는 동시에 상호 작용 전반에 걸쳐 더 좋고 더 정확한 답변을 찾는 방법을 학습합니다. 압축기 설계뿐만 아니라 펌프, 터빈과 같은 다른 터보기계 설계에도 동일한 원리를 사용할 수 있습니다.

AI 모델의 훈련 데이터 역할을 하는 데이터 세트를 기반으로 특정 특성을 예측할 수 있습니다. 여기에는 성능 맵이 포함됩니다. 입구 직경, 베인 각도와 같은 기하학적 값 또는 압력비나 설계 질량 유량과 같은 설계 포인트 값을 입력으로 사용할 수 있으며 전체 성능 맵 또는 초기 압축기 형상을 출력으로 사용할 수 있습니다. 이 모든 것은 정확한 입력과 출력을 결정하는 모델 작성자에 의해 결정됩니다. 훈련 데이터는 AI 모델을 훈련하기 위해서만 생성된 새로운 데이터일 수도 있고 회사 운영 기간 동안 축적된 기존 정보로 구성될 수도 있습니다. 출력의 정확성을 향상시키는 데 도움이 되는 기존 AI 알고리즘에 새로운 데이터를 추가할 수도 있습니다. 엔지니어가 가질 수 있는 다양한 문제나 요구 사항을 수용하는 데 사용되는 높은 수준의 작업 유연성이 있습니다.