火力发电蒸汽减压阀的阶梯式降压模型研究
Apr 14, 2026
近期,浙江大学特种控制阀研究团队对火电厂蒸汽减压阀关键调节部件的热工水力特性进行了系统研究。相关研究成果以论文《基于降阶模型的火电厂蒸汽减压阀热工水力特性快速预测》的形式发表于《国际传热传质通讯》(中国科学院第二区顶级期刊)。针对传统CFD数值模拟和实验研究方法在效率和成本方面的局限性,本文构建了一种基于特征正交分解(POD)的降阶模型(ROM),实现了复杂流场的快速重构和高效预测,在保证工程精度的前提下,显著提高了计算效率。 蒸汽减压阀是火力发电厂的关键调节部件。由于计算成本高、耗时长,分析其复杂的热工水力特性十分困难。为解决这一问题,本研究采用特征正交分解(POD)方法建立了一个降阶模型(ROM)。首先,对不同出口压力和行程下的流场进行数值模拟;其次,利用POD方法提取空间模态和模态系数;最后,通过克里金模型、支持向量机回归和基于物理的支持向量回归等拟合方法,建立了模态系数与工况之间的关系。 结果表明,与CFD模拟相比,降阶模型(ROM)的计算效率提高了四个数量级以上。ROM结果的最大误差为13.59%。ROM能够预测压力、温度和熵的分布,相对均方根误差(RRMSE)小于2%。本文提出了一种新的降阶模型框架,用于预测减压阀内部物理量的分布。 此外,本研究为开发流体动力学应用中工程部件的快速、准确的预测模型提供了参考。 研究背景 蒸汽减压阀是火电厂蒸汽系统中的关键调节部件。它负责将高温高压过热蒸汽(约2 MPa,574℃)的压力降低到下游所需压力,并通过调节开度来控制流量。随着削峰需求的日益增长,阀门需要频繁操作。如果阀门内部出现堵塞(Ma≥1),可能会导致效率下降甚至设备损坏。因此,实时监测内部流场对于安全运行至关重要。然而,阀门内部处于极高的温度和压力环境中,难以在节流孔等关键位置安装传感器,难以掌握真实的内部压力、流速和温度分布。目前,蒸汽减压阀的研究主要依赖于实验和CFD模拟,但在效率和成本方面存在明显的不足。因此,本文构建了一种基于特征正交分解(POD)的降阶模型(ROM)。其核心思想是:从少量高精度CFD计算结果中提取主要流动模态并重构流场。随后,建立工况参数与模态系数之间的简单映射关系。在新工况下,无需重新求解复杂的流体力学方程,即可快速重构完整的流场。 研究方法 构建降阶模型的基础是建立高质量的训练样本库。本研究选取了四个出口压力(1.2 MPa、1.4 MPa、1.6 MPa、1.8 MPa)和六个阀门行程(20 mm 至 120 mm),并将它们组合成 24 组稳态计算工况,涵盖了该蒸汽减压阀的典型工况范围。 经火电厂现场数据验证,CFD 计算流量与测量值之间的最大偏差为 9.70%,满足工程精度要求,保证了后续 ROM 输入数据的可靠性。 采用特征正交分解(POD)方法来降低CFD快照数据的维度。将每组流场物理量(密度、压力、速度、温度、马赫数、熵)排列成行向量,构建快照矩阵X(m×n维,其中m=24为样本数,n≈8×10⁶为网格节点数)。 POD:X ≈ UΣVβ 是通过奇异值分解 (SVD) 实现的。其中,U 包含模态系数信息,V 包含空间模态信息,Σ 的对角元素为奇异值,代表每个模态的能量贡献。按能量降序排列后,第一模态贡献了压力场能量的 85.72% 和熵场能量的 88.00%。前 12 个模态的累积能量达到 99%,因此选择截断阶数 k=12,并舍弃高阶模态以滤除数值噪声。 为了预测新的工况,需要建立工况参数(出口压力p、阀门行程h)与模态系数α之间的映射关系,即α=f(p, h)。本研究比较了三种回归方法:多项式回归、克里金法和支持向量回归。此外,该研究尝试了物理信息支持向量机回归。将动量方程的残差项引入SVR损失函数,并采用梯度下降算法优化超参数ε,使得预测的流场满足对称平面上稳态NS方程的动量守恒约束。然而,结果表明,由于POD基函数是从满足控制方程的CFD快照中提取的,因此该基函数本身包含了足够的物理信息;在样本有限的情况下,基本的SVR已接近该表示框架的精度上限。引入物理约束作为次要优化项并没有显著降低预测误差(RRMSE 1.16% vs 0.87%),反而可能由于约束过多而导致局部区域偏差增大。 最终降阶模型(ROM)的在线预测过程如下:输入目标工况参数(p,h),通过克里金模型插值获得12个模态系数α,并将预先存储的空间模态在u(X)=Σα dvϕ和dv(X)处进行线性叠加,以重构完整的流场分布。该过程的计算复杂度为O(k×n)。在配备AMD EPYC 7763的计算平台上,单次预测耗时约4.8秒,比CFD的11665秒高出四个数量级。 研究结果 以压力预测结果为例,基于克里金模型的降阶模型对对称平面压力场的预测结果表明,相对均方根误差(RRMSE)为0.79%,最大相对误差为16.49%;基于支持向量机回归(SVR)模型的RRMSE为0.87%,最大相对误差为15.38%。两种方法均能将压力分布的相对误差控制在20%的工程可接受范围内,且RRMSE均小于1%。 值得注意的是,在外套筒和内套筒之间的环形间隙区域,由于流通面积的突然增大,流量下降,压力出现明显的反弹现象,压力值上升至1.53 MPa至1.88 MPa之间。随后,蒸汽流经内套筒的节流孔(二次节流),压力再次下降,最终与下游出口处的压力达到平衡。这种“压力下降-反弹-再次下降”的非单调压力分布特征被ROM模型准确捕捉到。无论是Kriging方法还是SVR方法,它们的预测曲线均与CFD参考值吻合良好,仅在局部梯度最大的区域存在微小偏差。 在阀腔主体区域以及进出口管路区域,压力变化相对平缓,相对误差一般小于5%,部分区域甚至小于1%。最大相对误差为16.49%,出现在外套筒节流孔出口附近壁面的局部位置。此处流动分离较为剧烈,高阶模态中断造成的细节损失最为明显。尽管如此,该误差水平仍处于工程应用中压力趋势判断和整体载荷评估的可接受范围内。 对三种拟合方法在流场预测中的性能进行了比较:Kriging模型的RRMSE精度为0.79%,略优于SVR的0.87%,两者在最大误差水平(约15-16%)上相当。引入物理信息约束的PI-SVR方法在压力预测方面并未展现出优势。其RRMSE为1.16%,最大误差达到17.67%,且与基本SVR相比,节流孔高梯度区域的误差分布范围有所扩大。 这一现象表明,对于压力这类具有强非线性但空间结构相对固定的物理量,基于高斯过程的克里金插值法能够更好地处理小样本和非参数映射关系。因此,对于蒸汽减压阀流场的快速预测,克里金模型被确定为最优解决方案。 研究前景 该研究成果为减压阀的数字孪生构建提供了一条可行的技术路径。该低模态模型能够实现阀门内部压力场和温度场等关键参数的实时重构和可视化监测,解决了传统传感器无法安装在节流部件内部所导致的“黑箱”问题。 然而,需要指出的是,本研究建立的降阶模型具有明显的适用范围。首先,该模型的有效范围严格限定于训练数据所覆盖的参数空间,无法外推至未采样的几何形状或不同的边界条件。其次,当前模型基于稳态快照构建,仅适用于稳态工况的预测,无法捕捉阀门快速动作过程中瞬态流动的演变。 后续研究将从以下两个方面深化和扩展当前的工作: 第一种方法是瞬态流动建模。通过结合时间序列分析方法(例如动态模态分解DMD或长短期记忆网络LSTM),构建了一个能够预测非定常流动演变的动态降阶模型。 第二点是优化物理信息方法。重新审视物理信息机器学习的实现策略,探索在模态提取阶段而非回归阶段引入物理约束,或者采用结合低分辨率CFD和物理信息神经网络的多保真框架,以提高模型在样本稀疏区域的外推能力和物理一致性。
阅读更多