Investigación sobre el modelo de reducción escalonada de la válvula reductora de presión de vapor en centrales térmicas.
Apr 14, 2026
Recientemente, el equipo de investigación de válvulas de control especiales de la Universidad de Zhejiang llevó a cabo una investigación sistemática sobre las características termohidráulicas de los componentes reguladores clave de las válvulas reductoras de presión de vapor en centrales termoeléctricas. Los resultados de esta investigación se plasmaron en un artículo académico titulado "Predicción rápida de las características termohidráulicas de las válvulas reductoras de presión de vapor en centrales termoeléctricas basada en un modelo de reducción de orden", publicado en la revista International Communications in Heat and Mass Transfer (una revista TOP de la segunda zona de la Academia China de Ciencias). Ante las limitaciones de la simulación numérica CFD tradicional y los métodos de investigación experimental en términos de eficiencia y coste, se construyó un modelo de orden reducido (ROM) basado en la descomposición ortogonal de autovalores (POD), que permite una reconstrucción rápida y una predicción eficiente de campos de flujo complejos. Esto mejoró significativamente la eficiencia computacional, garantizando al mismo tiempo la precisión de ingeniería. Las válvulas reductoras de presión de vapor son componentes reguladores clave en las centrales termoeléctricas. Debido al elevado coste computacional y al tiempo requerido, resulta bastante difícil analizar sus complejas características termohidráulicas. Para abordar este problema, este estudio desarrolló un modelo de orden reducido (ROM) mediante descomposición ortogonal de autovalores (POD). En primer lugar, se simuló numéricamente el campo de flujo bajo diferentes presiones de salida y carreras; en segundo lugar, se utilizó POD para extraer los modos espaciales y los coeficientes modales; finalmente, mediante métodos de ajuste como el modelo de Kriging, la regresión de máquinas de vectores de soporte y la regresión de vectores de soporte basada en la física, se estableció la relación entre los coeficientes modales y las condiciones de funcionamiento. Los resultados muestran que, en comparación con la simulación CFD, el modelo de orden reducido (ROM) ha aumentado la eficiencia computacional en más de cuatro órdenes de magnitud. El error máximo del resultado del ROM es del 13,59 %. El ROM predice la distribución de presión, temperatura y entropía con un error cuadrático medio relativo (RRMSE) inferior al 2 %. Este trabajo propone un nuevo marco de modelado de orden reducido para predecir la distribución de magnitudes físicas en válvulas reductoras de presión. Además, este estudio proporciona una referencia para el desarrollo de modelos de predicción rápidos y precisos para componentes de ingeniería en aplicaciones de dinámica de fluidos. Antecedentes de la investigación La válvula reductora de presión de vapor es un componente regulador clave en el sistema de vapor de las centrales termoeléctricas. Se encarga de reducir la presión del vapor sobrecalentado a alta temperatura y presión (aproximadamente 2 MPa, 574 °C) a la presión requerida aguas abajo y de controlar el caudal ajustando el grado de apertura. Con la creciente demanda de reducción de picos de potencia, las válvulas deben operar con frecuencia. Si se produce una obstrucción (Ma ≥ 1) en su interior, puede disminuir la eficiencia o incluso dañar el equipo. Por lo tanto, la monitorización en tiempo real del campo de flujo interno es crucial para una operación segura. Sin embargo, el interior de la válvula se encuentra en un entorno de temperatura y presión extremadamente altas, lo que imposibilita la instalación de sensores en puntos críticos como los orificios de estrangulamiento. Resulta difícil determinar la distribución real de presión, velocidad y temperatura internas. Actualmente, la investigación sobre válvulas reductoras de presión de vapor se basa principalmente en experimentos y simulaciones CFD, pero presenta deficiencias evidentes en términos de eficiencia y coste. Por lo tanto, este artículo construye un modelo de orden reducido (ROM) basado en la descomposición ortogonal de autovalores (POD). La idea central es extraer los modos de flujo principales a partir de un número reducido de resultados de dinámica de fluidos computacional (CFD) de alta precisión y reconstruir el campo de flujo. Posteriormente, se establece una correspondencia sencilla entre los parámetros de las condiciones de trabajo y los coeficientes modales. Bajo las nuevas condiciones de trabajo, el campo de flujo completo puede reconstruirse rápidamente sin necesidad de resolver nuevamente las complejas ecuaciones de mecánica de fluidos. Métodos de investigación La base para construir un modelo de orden reducido es establecer una biblioteca de muestras de entrenamiento de alta calidad. El estudio seleccionó cuatro presiones de salida (1,2 MPa, 1,4 MPa, 1,6 MPa, 1,8 MPa) y seis recorridos de válvula (de 20 mm a 120 mm), y los combinó para formar 24 conjuntos de condiciones de cálculo en estado estacionario, que cubren el rango típico de condiciones de funcionamiento de esta válvula reductora de presión de vapor. Verificado mediante los datos in situ de la central térmica, la desviación máxima entre el caudal calculado por CFD y el valor medido es del 9,70 %, lo que cumple con los requisitos de precisión de ingeniería y garantiza la fiabilidad de los datos de entrada ROM posteriores. Se adopta el método de descomposición ortogonal propia (POD) para reducir la dimensión de los datos de instantáneas de CFD. Se organiza cada grupo de cantidades físicas del campo de flujo (densidad, presión, velocidad, temperatura, número de Mach, entropía) como vectores fila para construir una matriz de instantáneas X (de dimensiones m×n, donde m=24 es el número de muestras y n≈8×10⁶ es el número de nodos de la cuadrícula). POD: X ≈ UΣV beta se obtiene mediante la descomposición en valores singulares (SVD). En ella, U contiene la información del coeficiente modal, V contiene los modos espaciales y los elementos diagonales de Σ son valores singulares que representan la contribución energética de cada modo. Tras ordenarlos en orden descendente de energía, el primer modo representa el 85,72 % de la energía del campo de presión y el 88,00 % del campo de entropía. La energía acumulada de los primeros 12 modos alcanza el 99 %, por lo que se selecciona el orden de truncamiento k=12 y se descartan los modos de orden superior para filtrar el ruido numérico. Para predecir las nuevas condiciones de funcionamiento, es necesario establecer la relación entre los parámetros de dichas condiciones (presión de salida p, carrera de la válvula h) y el coeficiente modal α, donde α=f(p, h). El estudio comparó tres métodos de regresión: regresión polinómica, Kriging y regresión de vectores de soporte.Además, la investigación intentó aplicar una regresión de máquina de vectores de soporte (SVR) con información física. El término residual de la ecuación de momento se introduce en la función de pérdida de la SVR, y se adopta el algoritmo de descenso de gradiente para optimizar el hiperparámetro ε, de modo que el campo de flujo predicho satisfaga la restricción de conservación del momento de la ecuación de Navier-Stokes en estado estacionario en el plano de simetría.Sin embargo, los resultados muestran que, dado que la función base POD se extrajo de la instantánea CFD que satisface la ecuación de control, la función base en sí misma contiene suficiente información física. En el caso de muestras limitadas, el SVR básico se ha acercado al límite superior de precisión de este marco de representación. La introducción de restricciones físicas como términos de optimización secundarios no redujo significativamente el error de predicción (RRMSE 1,16 % frente a 0,87 %), sino que, por el contrario, podría provocar un aumento del sesgo regional local debido a las restricciones excesivas. El proceso de predicción en línea del ROM final es el siguiente: se introducen los parámetros de la condición de operación objetivo (p, h), se obtienen 12 coeficientes modales α mediante interpolación de modelo Kriging y se superponen linealmente los modos espaciales prealmacenados en u(X)=Σα dv ϕ y dv (X) para reconstruir la distribución completa del campo de flujo. La complejidad computacional de este proceso es O(k×n). En la plataforma de computación equipada con AMD EPYC 7763, una sola predicción tarda aproximadamente 4,8 segundos, lo que es cuatro órdenes de magnitud superior a los 11.665 segundos de CFD. Resultados de la investigación Tomando como ejemplo los resultados de predicción de presión, los resultados de predicción del campo de presión del plano simétrico mediante el modelo de orden reducido basado en el modelo Kriging muestran que el RRMSE es del 0,79 % y el error relativo máximo es del 16,49 %. El RRMSE del modelo basado en la regresión de máquinas de vectores de soporte (SVR) es del 0,87 %, y el error relativo máximo es del 15,38 %. Ambos métodos controlan el error relativo de la distribución de presión dentro del rango aceptable de ingeniería del 20 %, y el RRMSE de ambos es inferior al 1 %. Cabe destacar que, en la zona anular entre la camisa exterior y la interior, debido a la expansión repentina del área de flujo, el caudal disminuye y la presión muestra un importante fenómeno de rebote, con un valor que oscila entre 1,53 MPa y 1,88 MPa. Posteriormente, el vapor fluye a través del orificio de estrangulamiento de la camisa interior (estrangulamiento secundario) y la presión vuelve a descender, equilibrándose finalmente con la presión en la salida aguas abajo. Esta distribución de presión no monótona, característica de "reducción de presión - rebote - nueva reducción de presión", fue capturada con precisión por el modelo ROM. Tanto con el método Kriging como con el SVR, las curvas de predicción concuerdan satisfactoriamente con los valores de referencia CFD, con solo pequeñas desviaciones en la región de máximo gradiente local. En la zona principal de la cavidad de la válvula y en las áreas de las tuberías de entrada y salida, las variaciones de presión son relativamente suaves, y el error relativo suele ser inferior al 5 %, llegando incluso a ser inferior al 1 % en algunas zonas. El error relativo máximo, del 16,49 %, se produce cerca de la pared en la salida del orificio de estrangulamiento del manguito exterior. En este punto, la separación del flujo es intensa y la pérdida de detalle causada por la interrupción del modo de orden superior resulta más evidente. A pesar de ello, el nivel de error se mantiene dentro de un rango aceptable para la evaluación de la tendencia de presión y la carga total en aplicaciones de ingeniería. Se comparó el rendimiento de los tres métodos de ajuste en la predicción del campo de flujo: el modelo Kriging, con una precisión RRMSE del 0,79 %, fue ligeramente mejor que el SVR (0,87 %), y ambos fueron comparables en el nivel de error máximo (aproximadamente 15-16 %). El método PI-SVR, con la introducción de restricciones de información física, no muestra ninguna ventaja en la predicción de presión. Su RRMSE es del 1,16 %, el error máximo alcanza el 17,67 %, y el rango de distribución de errores en la zona de alto gradiente del orificio de estrangulamiento se amplía en comparación con el SVR básico. Este fenómeno indica que, para magnitudes físicas como la presión, que presentan una fuerte no linealidad pero una estructura espacial relativamente fija, la interpolación de Kriging basada en procesos gaussianos permite manejar mejor las relaciones de mapeo no paramétricas y con muestras pequeñas. Por lo tanto, para la predicción rápida del campo de flujo de las válvulas reductoras de presión de vapor, se determinó que el modelo de Kriging era la solución óptima. Perspectivas de investigación Los resultados de la investigación proporcionan una vía técnica viable para la construcción de gemelos digitales de válvulas reductoras de presión. Este modelo ROM permite la reconstrucción en tiempo real y la monitorización visual de parámetros clave como el campo de presión interna y el campo de temperatura de la válvula, solucionando el problema de la "caja negra" causado por la imposibilidad de instalar sensores tradicionales dentro del componente de estrangulamiento. Sin embargo, cabe señalar que el modelo de orden reducido desarrollado en este estudio presenta limitaciones de aplicación bien definidas. En primer lugar, su rango efectivo se limita estrictamente al espacio de parámetros cubierto por los datos de entrenamiento y no permite la extrapolación a geometrías no muestreadas ni a diferentes condiciones de contorno. En segundo lugar, el modelo actual se basa en instantáneas de estado estacionario y solo es aplicable a la predicción de condiciones de funcionamiento estables, siendo incapaz de capturar la evolución transitoria del flujo durante la acción rápida de la válvula. Las investigaciones posteriores profundizarán y ampliarán el trabajo actual desde los dos aspectos siguientes: El primero es el modelado de flujo transitorio. Al combinar métodos de análisis de series temporales (como la descomposición de modo dinámico DMD o la red de memoria a largo y corto plazo LSTM), se construye un modelo dinámico de orden reducido capaz de predecir la evolución del flujo inestable. La segunda consiste en la optimización de los métodos de información física. Se trata de reexaminar las estrategias de implementación del aprendizaje automático de información física, explorar la introducción de restricciones físicas en la etapa de extracción modal en lugar de la etapa de regresión, o adoptar un marco de multifidelidad combinado con CFD de baja resolución y redes neuronales de información física para mejorar la capacidad de extrapolación del modelo y la consistencia física en regiones con escasa muestra.
LEER MÁS
Correo electrónico
: info@geko-union.com
Correo electrónico
: info@geko-valves.de
Correo electrónico
: tw@geko-union.com
Correo electrónico
: nl@geko-union.com
Red IPv6 compatible
