AI を使用した軸流コンプレッサーの性能予測とその他のターボ機械

従来のアプローチではサイクル解析ステップと最終形状の間で多くの反復が必要となるため、軸流圧縮機の設計と解析には時間とコストがかかります。 現代のサイクルとコンポーネントは、可能な限り最高の効率と最低の燃料消費量を達成するために限界まで引き上げられることがよくあります。 特に最新のガスタービンエンジンでは、高効率と低消費というこの目標を達成するために、高圧コンプレッサー (HPC) の圧力比が常に増加しています。 ただし、これにより、HPC の最初の段階でローター先端の相対マッハ数が高くなり、急峻な性能特性マップが得られます。 軸流圧縮機の一般的な性能マップを画像 1 に示します。

性能マップは圧縮機の動作を表し、圧縮機タービンのマッチングと失速マージンの評価に使用されます。 マップでは、さまざまなコンプレッサーを比較して、特定のアプリケーションに最適な設計を決定することもできます。 これらのマップは通常、修正された質量流量および回転速度に対する圧力比をプロットします。 マップには、サージ ラインと呼ばれる左の境界と、チョーク ラインと呼ばれる右の境界があります。 コンプレッサーは、これらの範囲内で予測どおりに動作できます。

これらのマップは、初期のプロトタイプまたは最終的なコンプレッサー設計が、いくつかの圧力センサー、質量流量計、スロットル、その他いくつかの試験装置を備えた試験装置に統合される物理実験を通じて作成されます。 これにはコストがかかるため、実行されるテストの数は少ないことが望まれます。 さらに、オペレータが質量流量を絞りすぎると、コンプレッサーがサージラインを通過する可能性があります。 これにより、入口で爆発性の放電が発生し、重大な損傷が発生する可能性があります。 したがって、コンピューター技術が継続的に向上するにつれて、数値流体力学 (CFD) 手法の使用が増え、特に設計プロセスの初期段階で高価なテスト装置に取って代わりつつあります。 CFD の使用には利点がありますが、欠点がないわけではありません。 エンジニアは、複数の操作点を実行するプロセスを自動化できます。 ただし、プロセスは依然として遅いため、正確な結果を得るには細かいメッシュが必要です。

さまざまな動作条件でのフルサイクル解析に必要なパフォーマンス マップは、固定ジオメトリに対してのみ有効です。 これは興味深い挑戦につながります。 上で述べたように、圧力比が高くなる傾向には、速度線が急勾配になることが伴います。 これにより、圧縮機の動作範囲が狭くなり、望ましくない。 この状況を改善するために、最初の数段では可変ガイドベーン (VGV) が採用されています。 これらのベーンの金属角度は、現在の動作点に応じて調整できるため、より広い動作範囲が可能になります。 最終的な実装には役立ちますが、このようなコンプレッサーの設計はさらに困難です。 前述したように、マップは固定ジオメトリに対してのみ有効です。 これは、VGV を使用する場合、さまざまな潜在的な角度羽根位置のマップを生成する必要があるか、または 1 つだけで異なる羽根角度を持ついくつかのマップを生成し、補間方法を適用する必要があることを意味します。 これにより、補間による不正確さが生じます。

では、プロセスを改善して時間を節約し、設計手順を加速するにはどうすればよいでしょうか? さらなる改善は可能でしょうか？ 答えは「はい」です。 企業は現在、人工知能 (AI) の研究を進めています。 AIアルゴリズムは近年、さまざまな業務で利用されており、その柔軟性と精度の高さから人気が高まっています。 一般的な例はサービス チャットボットです。サービス チャットボットは、質問に答えると同時に、対話を通じてより適切またはより正確な応答を見つける方法を学習します。 同じ原理は、圧縮機の設計だけでなく、ポンプやタービンなどの他のターボ機械の設計にも使用できます。

AI モデルのトレーニング データとして機能するデータ セットに基づいて、特定の特性を予測できます。 これにはパフォーマンス マップが含まれます。 入口直径、ベーン角度などの幾何学的値、または圧力比や設計質量流量などの設計点値を入力として使用でき、全体の性能マップまたは初期のコンプレッサー形状を出力として使用できます。 これはすべて、正確な入力と出力を決定するモデルの作成者によって決定されます。 トレーニング データは、AI モデルをトレーニングするためだけに作成された新しいデータ、または企業の運営期間中に構築された既存の情報で構成されます。 新しいデータを既存の AI アルゴリズムに追加して、出力の精度を向上させることもできます。 タスクの柔軟性が高く、エンジニアが抱える可能性のあるさまざまな問題や要件に対応できます。

画像 2 は、AI の高忠実度、時間節約機能の例を示しています。

この画像は、コンプレッサーの圧力比と効率のプロットの AI 予測に対する実際のデータの直接比較を示しています。 これは、Turbo Expo 20221 で発表された、さまざまな AI モデルが開発され、それらの間で比較された調査研究に基づいています。 点は 3D CFD によって取得された実際のデータを表し、青と赤の線は AI の予測を表します。 これらは一致を示し、AI の可能性が高い精度を示しています。 ここで、実際のデータのマップ上の各ポイントは 3D CFD によって取得されたものであることに注意してください。メッシュの細分化によっては、数日とは言わないまでも、数時間かかる場合があります。 AI 出力は数秒で取得できます。 さらに、モデルは初期コンプレッサー ジオメトリも出力するように設定されており、その例を画像 3 に示します。

この例に基づいて、画像 3 では、1 つの点のみを予測するように AI を調整することもできます。 この構成を使用すると、AI を機械のサイクル分析に直接組み込むことができます。 サイクルパラメータは入力および圧力比として取得でき、効率をサイクル解析ツールに返すことができます。 ジェット エンジン サイクルのスキーム例を画像 4 に示します。

ここで、別の時間節約の側面が存在します。 AI をサイクル分析ツールと組み合わせて使用​​することで、コンポーネント (コンプレッサー、ファンなど) を置き換え、効率の値を直接提供できます。 これは、従来の設計手法ではよくあることですが、反復的に効率値を仮定したり、入念に決定したりする必要がもうないことを意味します。 さらに、効率はコンポーネント設計の各ステップで更新され、サイクル解析にフィードバックされます。 AI モデルはトレーニング データに基づいて即座に効率を提供するため、AI を使用すると、これを数回の反復に減らすことができます。 また、一致するコンプレッサーのジオメトリも出力されます。これにより、エンジニアは最初からではなく初期のジオメトリから開始するため、設計手順が大幅に簡素化されます。

パフォーマンス マップは通常、特にコンプレッサーに可変ジオメトリが含まれており、従来の作成方法が使用されている場合、リソースを大量に消費しますが、正確なサイクル設計と分析には不可欠です。 AI の使用により、エンジニアは以前よりもはるかに迅速にマップとコンプレッサーのジオメトリを生成できるようになり、さまざまなコンポーネントの最適化だけでなく、機械設計プロセス全体が強化されます。

参考文献

ブルラカ、マクシム。 そしてモロズ、レオニード。 「自律型自己学習 AI を活用したアキシャル コンプレッサー マップの生成」 ASME Turbo Expo 2022 の議事録

Sascha Podlech は、SoftInWay, Inc. のアプリケーション エンジニアです。ターボ機械の設計に数年の経験があり、設計タスクのプロセスと手順の最適化を専門としています。 [email protected] までご連絡ください。 詳細については、softinway.com をご覧ください。