Forschung zum Stufenreduktionsmodell des Dampfdruckreduzierventils in Wärmekraftwerken
Apr 14, 2026
Kürzlich hat das Forschungsteam für Regelventile der Zhejiang-Universität systematische Untersuchungen zu den thermohydraulischen Eigenschaften wichtiger Regelkomponenten von Dampfdruckminderventilen in Wärmekraftwerken durchgeführt. Die Ergebnisse wurden in der wissenschaftlichen Publikation „Schnelle Vorhersage thermohydraulischer Eigenschaften von Dampfdruckminderventilen in Wärmekraftwerken auf Basis eines Modells reduzierter Ordnung“ in der Fachzeitschrift „International Communications in Heat and Mass Transfer“ (einer der führenden Zeitschriften der Chinesischen Akademie der Wissenschaften) veröffentlicht. Um die Effizienz- und Kostenbeschränkungen traditioneller CFD-Simulationen und experimenteller Forschungsmethoden zu überwinden, wurde ein Modell reduzierter Ordnung (ROM) auf Basis der Eigenorthogonalzerlegung (POD) entwickelt. Dieses ermöglicht eine schnelle Rekonstruktion und effiziente Vorhersage komplexer Strömungsfelder und verbessert so die Recheneffizienz bei gleichzeitiger Gewährleistung der Genauigkeit der Berechnungen. Dampfdruckminderventile sind wichtige Regelkomponenten in Wärmekraftwerken. Aufgrund des hohen Rechenaufwands und der langen Berechnungszeit ist die Analyse ihrer komplexen thermohydraulischen Eigenschaften schwierig. Um dieses Problem zu lösen, wurde in dieser Studie ein reduziertes Modell (ROM) mittels Eigenorthogonaler Zerlegung (POD) entwickelt. Zunächst wurde das Strömungsfeld unter verschiedenen Auslassdrücken und Hüben numerisch simuliert. Anschließend wurden mithilfe der POD räumliche Moden und Modalkoeffizienten extrahiert. Abschließend wurde durch Anpassungsverfahren wie das Kriging-Modell, die Support-Vector-Machine-Regression und die physikbasierte Support-Vector-Regression der Zusammenhang zwischen Modalkoeffizienten und Betriebsbedingungen ermittelt. Die Ergebnisse zeigen, dass die ROM-Methode im Vergleich zur CFD-Simulation die Recheneffizienz um mehr als vier Größenordnungen steigert. Der maximale Fehler der ROM-Ergebnisse beträgt 13,59 %. Die ROM-Methode prognostiziert die Verteilung von Druck, Temperatur und Entropie mit einem relativen mittleren quadratischen Fehler (RRMSE) von unter 2 %. Diese Arbeit stellt ein neues Modellierungsverfahren reduzierter Ordnung zur Vorhersage der Verteilung physikalischer Größen in Druckminderventilen vor. Darüber hinaus liefert diese Studie eine Referenz für die Entwicklung schneller und genauer Vorhersagemodelle für technische Bauteile in Anwendungen der Fluiddynamik. Forschungshintergrund Das Dampfdruckminderungsventil ist eine Schlüsselkomponente im Dampfsystem von Wärmekraftwerken. Es reduziert den Druck von überhitztem Hochtemperaturdampf (ca. 2 MPa, 574 °C) auf den erforderlichen Druck im nachgelagerten Bereich und regelt den Durchfluss durch Anpassung des Öffnungsgrades. Aufgrund der steigenden Anforderungen an die Spitzenlastabdeckung müssen Ventile häufig betätigt werden. Bei Strömungsbehinderungen (Ma ≥ 1) kann es zu Effizienzverlusten oder sogar Anlagenschäden kommen. Daher ist die Echtzeitüberwachung des internen Strömungsfeldes für einen sicheren Betrieb unerlässlich. Da im Ventilinneren jedoch extrem hohe Temperaturen und Drücke herrschen, ist die Installation von Sensoren an kritischen Stellen wie Drosselbohrungen nicht möglich. Es ist schwierig, den tatsächlichen Innendruck, die Strömungsgeschwindigkeit und die Temperaturverteilung zu erfassen. Aktuell basiert die Forschung an Dampfdruckminderungsventilen hauptsächlich auf Experimenten und CFD-Simulationen, was jedoch hinsichtlich Effizienz und Kosten deutliche Nachteile mit sich bringt. Daher wird in dieser Arbeit ein reduziertes Modell (ROM) auf Basis der Eigenorthogonalen Zerlegung (POD) entwickelt. Die Kernidee besteht darin, die Hauptströmungsmoden aus einer geringen Anzahl hochpräziser CFD-Ergebnisse zu extrahieren und das Strömungsfeld zu rekonstruieren. Anschließend wird eine einfache Zuordnung zwischen den Betriebsparametern und den Modalkoeffizienten hergestellt. Unter den neuen Betriebsbedingungen lässt sich das vollständige Strömungsfeld schnell rekonstruieren, ohne die komplexen Strömungsmechanikgleichungen erneut lösen zu müssen. Forschungsmethoden Grundlage für die Erstellung eines Modells reduzierter Ordnung ist der Aufbau einer hochwertigen Trainingsdatenbibliothek. In der Studie wurden vier Ausgangsdrücke (1,2 MPa, 1,4 MPa, 1,6 MPa, 1,8 MPa) und sechs Ventilhübe (20 mm bis 120 mm) ausgewählt und zu 24 Sätzen stationärer Berechnungsbedingungen kombiniert, die den typischen Betriebsbereich dieses Dampfdruckminderventils abdecken. Die Überprüfung anhand der Daten vor Ort im Wärmekraftwerk ergab eine maximale Abweichung von 9,70 % zwischen dem mittels CFD berechneten Durchfluss und dem Messwert. Dies erfüllt die Anforderungen an die technische Genauigkeit und gewährleistet die Zuverlässigkeit der nachfolgenden ROM-Eingangsdaten. Zur Dimensionsreduktion der CFD-Snapshot-Daten wird die EigenOrthogonal Decomposition (POD)-Methode angewendet. Jede Gruppe physikalischer Größen des Strömungsfeldes (Dichte, Druck, Geschwindigkeit, Temperatur, Mach-Zahl, Entropie) wird als Zeilenvektor angeordnet, um eine Snapshot-Matrix X (m×n Dimensionen, wobei m=24 die Anzahl der Abtastwerte und n≈8×10⁶ die Anzahl der Gitterknoten ist) zu konstruieren. Die POD: X ≈ UΣVβ wird mittels Singulärwertzerlegung (SVD) erreicht. Dabei enthält U die Modalkoeffizienten, V die räumlichen Moden, und die Diagonalelemente von Σ sind die Singulärwerte, die den Energiebeitrag jeder Mode darstellen. Nach absteigender Energieordnung trägt die erste Mode 85,72 % zur Druckfeldenergie und 88,00 % zur Entropiefeldenergie bei. Die kumulative Energie der ersten 12 Moden beträgt 99 %, daher wird die Abbruchordnung k = 12 gewählt und die Moden höherer Ordnung werden verworfen, um numerisches Rauschen zu filtern. Um neue Betriebsbedingungen vorherzusagen, ist es notwendig, die Beziehung zwischen den Betriebsparametern (Ausgangsdruck p, Ventilhub h) und dem Modalkoeffizienten α, α = f(p, h), herzustellen. In der Studie wurden drei Regressionsmethoden verglichen: Polynomregression, Kriging und Support-Vektor-Regression.Darüber hinaus wurde in der Studie eine Support-Vector-Machine-Regression (SVR) mit physikalischen Informationen untersucht. Der Residuenterm der Impulsgleichung wird in die SVR-Verlustfunktion eingeführt, und der Gradientenabstiegsalgorithmus wird zur Optimierung des Hyperparameters ε verwendet, sodass das vorhergesagte Strömungsfeld die Impulserhaltungsbedingung der stationären Navier-Stokes-Gleichung in der Symmetrieebene erfüllt.Die Ergebnisse zeigen jedoch, dass die POD-Basisfunktion, da sie aus dem CFD-Snapshot extrahiert wurde, der die Kontrollgleichung erfüllt, selbst ausreichend physikalische Informationen enthält. Bei begrenzter Stichprobengröße näherte sich die grundlegende SVR der oberen Genauigkeitsgrenze dieses Darstellungsrahmens. Die Einführung physikalischer Randbedingungen als sekundäre Optimierungsterme reduzierte den Vorhersagefehler nicht signifikant (RRMSE 1,16 % vs. 0,87 %), sondern könnte aufgrund übermäßiger Randbedingungen sogar zu einer Erhöhung lokaler regionaler Verzerrungen führen. Der Online-Vorhersageprozess des finalen ROM verläuft wie folgt: Eingabe der Zielbetriebsparameter (p, h), Ermittlung von 12 Modalkoeffizienten αyoudaoplaceholder7 mittels Kriging-Interpolation und lineare Überlagerung der vorab gespeicherten räumlichen Moden bei u(X) = Σα dv ϕ und dv(X) zur Rekonstruktion der vollständigen Strömungsfeldverteilung. Die Rechenkomplexität dieses Prozesses beträgt O(k×n). Auf der mit einem AMD EPYC 7763 ausgestatteten Rechenplattform dauert eine einzelne Vorhersage etwa 4,8 Sekunden, was vier Größenordnungen länger ist als die 11.665 Sekunden der CFD-Simulation. Forschungsergebnisse Am Beispiel der Druckvorhersageergebnisse zeigt sich, dass die Vorhersage des symmetrischen ebenen Druckfelds mittels des reduzierten Modells auf Basis des Kriging-Modells einen relativen mittleren quadratischen Fehler (RRMSE) von 0,79 % und einen maximalen relativen Fehler von 16,49 % ergibt. Der RRMSE des Modells auf Basis der Support-Vector-Machine-Regression (SVR) beträgt 0,87 %, der maximale relative Fehler 15,38 %. Beide Methoden halten den relativen Fehler der Druckverteilung innerhalb des technisch zulässigen Bereichs von 20 %, und der RRMSE liegt jeweils unter 1 %. Es ist bemerkenswert, dass im ringförmigen Spaltbereich zwischen der äußeren und der inneren Hülse aufgrund der plötzlichen Querschnittserweiterung der Durchfluss abnimmt und der Druck einen deutlichen Rückprall zeigt, wobei der Druckwert auf 1,53 MPa bis 1,88 MPa ansteigt. Anschließend strömt der Dampf durch die Drosselbohrung der inneren Hülse (sekundäre Drosselung), wodurch der Druck erneut abfällt und sich schließlich dem Druck am stromabwärtigen Auslass angleicht. Diese nicht-monotone Druckverteilung mit dem Verlauf „Druckabfall – Rückprall – erneuter Druckabfall“ wurde vom ROM-Modell präzise erfasst. Sowohl die Kriging- als auch die SVR-Methode liefern gut übereinstimmende Vorhersagekurven mit den CFD-Referenzwerten, wobei lediglich im Bereich des maximalen lokalen Gradienten geringfügige Abweichungen auftreten. Im Hauptbereich des Ventilhohlraums sowie in den Ein- und Auslassleitungen sind die Druckänderungen relativ gering, und der relative Fehler liegt im Allgemeinen unter 5 %, in einigen Bereichen sogar unter 1 %. Der maximale relative Fehler von 16,49 % tritt an einer Stelle nahe der Wand am Auslass der Drosselöffnung der Außenhülse auf. Hier ist die Strömungsablösung stark ausgeprägt, und der durch die Unterbrechung höherer Moden verursachte Detailverlust ist am deutlichsten. Trotzdem liegt der Fehler für die Beurteilung des Druckverlaufs und die Gesamtlastbewertung in technischen Anwendungen noch im akzeptablen Bereich. Die Leistungsfähigkeit der drei Anpassungsmethoden bei der Strömungsfeldvorhersage wurde verglichen: Das Kriging-Modell mit einer RRMSE-Genauigkeit von 0,79 % war etwas besser als die SVR-Methode mit 0,87 %, wobei beide bei der maximalen Fehlergenauigkeit (ca. 15–16 %) vergleichbar waren. Die PI-SVR-Methode mit physikalischen Informationsbeschränkungen zeigte keinen Vorteil bei der Druckvorhersage. Ihre RRMSE betrug 1,16 %, der maximale Fehler erreichte 17,67 %, und der Fehlerverteilungsbereich im Bereich hoher Gradienten der Drosselöffnung war im Vergleich zur Basis-SVR-Methode erweitert. Dieses Phänomen deutet darauf hin, dass die Kriging-Interpolation auf Basis von Gaußprozessen bei physikalischen Größen wie dem Druck, die zwar eine starke Nichtlinearität, aber eine relativ feste räumliche Struktur aufweisen, besser mit kleinen Stichproben und nichtparametrischen Abbildungsbeziehungen umgehen kann. Daher erwies sich das Kriging-Modell für die schnelle Vorhersage des Strömungsfelds von Dampfdruckminderungsventilen als optimale Lösung. Forschungsperspektiven Die Forschungsergebnisse liefern einen praktikablen technischen Weg für die Erstellung digitaler Zwillinge von Druckminderventilen. Dieses ROM-Modell ermöglicht die Echtzeit-Rekonstruktion und visuelle Überwachung wichtiger Parameter wie des internen Druck- und Temperaturfelds des Ventils und löst damit das „Black-Box“-Problem, das durch die fehlende Möglichkeit, herkömmliche Sensoren im Drosselbauteil zu installieren, entsteht. Es ist jedoch darauf hinzuweisen, dass das in dieser Studie entwickelte Modell reduzierter Ordnung klare Anwendungsgrenzen aufweist. Erstens ist der effektive Bereich des Modells strikt auf den durch die Trainingsdaten abgedeckten Parameterraum beschränkt und kann nicht auf nicht abgetastete Geometrien oder abweichende Randbedingungen extrapolieren. Zweitens basiert das vorliegende Modell auf stationären Momentaufnahmen und eignet sich daher nur zur Vorhersage stationärer Betriebszustände. Es kann die transiente Strömungsentwicklung während der schnellen Ventilbetätigung nicht erfassen. Weiterführende Forschungen werden die gegenwärtige Arbeit unter folgenden zwei Gesichtspunkten vertiefen und erweitern: Die erste Methode ist die Modellierung transienter Strömungen. Durch die Kombination von Zeitreihenanalysemethoden (wie der dynamischen Modenzerlegung DMD oder dem Long Short-Term Memory Network LSTM) wird ein dynamisches Modell reduzierter Ordnung erstellt, das die instationäre Strömungsentwicklung vorhersagen kann. Der zweite Ansatz betrifft die Optimierung physikalischer Informationsmethoden. Dabei sollten die Implementierungsstrategien des maschinellen Lernens mit physikalischen Informationen neu geprüft, die Einführung physikalischer Randbedingungen in der Modalextraktionsphase anstatt in der Regressionsphase untersucht oder ein Multi-Fidelity-Framework in Kombination mit niedrigauflösender CFD und neuronalen Netzen mit physikalischen Informationen eingesetzt werden, um die Extrapolationsfähigkeit des Modells und die physikalische Konsistenz in Bereichen mit geringer Datendichte zu verbessern.
MEHR LESEN