超级计算模拟和机器学习：使用更加清洁高效的工作流体发电

编译：chux

出品：ATYUN订阅号

在传统的蒸汽动力装置中，剩余的水必须与发电蒸汽分开。这一过程限制了效率，而在早期的发电厂，可能会发生剧烈的变化，导致爆炸。在20世纪20年代，Mark Benson意识到如果水和蒸汽可以共存，风险可以降低，发电厂可以更有效率。这种同居可以通过将水引入超临界状态，或者当液体同时作为液体和气体存在时实现。

虽然与产生超级临界所需的温度和压力条件有关的成本，使得Benson的专利锅炉在发电厂被广泛采用，但他的概念第一次为世界提供了对超临界发电的了解。

近一个世纪之后，斯图加特大学核技术与能源系统研究所（IKE）和航空航天热力学研究所（ITLR）的研究人员正在重新审视Benson的概念，探索如何提高现代发电厂的安全性和效率。利用高性能计算（HPC），研究人员正在开发可以使超临界热传递更加可行的工具。

“与亚临界发电厂相比，超临界发电厂可以提高热效率，消除几种类型的设备，例如任何类型的蒸汽干燥器，以及更紧凑的布局，”IKE的博士候选人Sandeep Pandey说道。

ITLR的Pandey和Xu Chu博士领导了这项研究的计算方面，并与新加坡理工学院（SIT）的计算机科学研究人员合作，在超级计算机上采用了高保真模拟的机器学习技术。同时还开发了一种可以在商用计算机上轻松使用的工具。

为了制作商业上使用的准确工具，团队需要运行计算密集型直接数值模拟（DNS），这只能使用HPC资源。高性能计算中心斯图加特（HLRS）的Hazel Hen超级计算机实现了他们所需的高分辨率流体动力学模拟。

当下的热度

虽然发电和其他工业程序使用各种材料来产生蒸汽或传递热量，但使用水是一种经过验证的方法，水很容易获得，在化学水平上可以很好地理解，并且可以在很宽的温度范围内预测和压力条件。

也就是说，水可以在374摄氏度的温度下进入临界点，使超临界蒸汽成为一个咝咝作响的过程。水也需要承受高压——22.4兆帕，或者是来自厨房水槽的200倍以上的压力。此外，当一种物质进入临界状态时，它具有独特的性质，即使对温度或压力的微小变化也会产生巨大的影响。例如，超临界水不能像在纯液体状态下那样有效地传递热量，而达到超临界水平所需的极端高温会导致管道的退化，可能导致灾难性的事故。

考虑到使用水的一些困难，Pandey和他的同事正在研究使用二氧化碳（CO2）。常见的分子具有许多优点，其中最主要的是它在超过31摄氏度时达到超临界状态，使其比水更有效。使用二氧化碳使发电厂更加清洁可能听起来像矛盾，但Pandey解释说超临界二氧化碳（sCO2）是一种更清洁的替代品。

“与其他常见工作流体（如含氯氟烃的制冷剂，氨等）相比，sCO2实际上具有零臭氧消耗潜力，并且几乎没有全球升温潜能或影响，”Pandey说。此外，sCO2需要的空间要小得多，并且可以用比亚临界水少得多的压力进行压缩。反过来，这意味着它需要一个更小的发电厂，与传统的次临界电力循环相比，sCO2电厂的电力循环所需的硬件要少十倍。

然而，为了用二氧化碳代替水，工程师需要从根本上彻底了解其性质，包括流体的湍流如何传递热量，进而与机器相互作用。

在进行与湍流相关的计算流体动力学模拟时，计算科学家主要依赖于三种方法：雷诺平均Navier-Stokes（RANS）模拟，大涡模拟（LES）和直接数值模拟（DNS）。虽然RANS和LES方法都要求研究人员使用来自实验或其他模拟的数据来包含一些假设，但DNS方法从没有先入为主的概念或输入数据开始，它们更准确，但计算成本更高。

“LES和RANS模型通常用于更简单的流体，”Pandey说。“我们需要一种高保真的方法来处理复杂的流体，因此我们决定使用DNS，因此我们需要HPC资源。”

商用计算机的神经网络

使用来自其高保真DNS模拟的压力和热传递数据，该团队与SIT的Wanli Chang博士一起训练深度神经网络（DNN），一种大致在生物神经网络之后建模的机器学习算法，或网络识别并响应外部刺激的神经元。

传统上，研究人员使用实验数据训练机器学习算法，以便他们可以预测在各种条件下流体和管道之间的热传递。然而，当这样做时，研究人员必须小心不要过度拟合模型，也就是说，不要使用特定数据集精确算法，以至于它不能为其他数据集提供准确的结果。

使用Hazel Hen，团队运行了35个DNS模拟，每个模拟专注于一个特定的操作条件，然后使用生成的数据集来训练DNN。该团队使用入口温度和压力，热通量，管道直径和流体的热能作为输入，并产生管道壁温和壁面剪切应力作为输出。在DNS模拟中生成的80％的数据是随机选择的，用于训练DNN，而研究人员使用其他20％的数据进行同步但独立的验证。

这种“原位”验证工作对于避免过度拟合算法非常重要，因为如果算法开始显示训练和数据集之间的差异，它将重新开始模拟。“我们的盲测结果表明，DNN在反装配方面取得了成功，并且在我们在数据库中涵盖的操作条件下已经达到了普遍接受度，”Pandey说。

在团队对协议充满信心后，他们使用这些数据开始创建一个更具商业用途的工具。使用团队最近工作的输出作为指导，该团队能够使用其DNN在标准笔记本电脑上以5.4毫秒的新数据模拟操作条件的热能。

关键的后续步骤

到目前为止，该团队一直在使用社区代码OpenFOAM进行DNS模拟。虽然OpenFOAM是用于各种流体动力学模拟的完善代码，但Pandey表示该团队希望使用更高保真度的代码进行模拟。研究人员正在与斯图加特大学空气动力学和气体动力学研究所（IAG）的团队合作，使用其FLEXI代码，该代码可提供更高的精度，并可适应更广泛的条件。

Pandey还提到他除了DNS模拟之外还使用一种称为隐式LES的方法。虽然隐式LES模拟在团队的DNS模拟中没有完全相同的高分辨率，但它确实允许团队运行具有更高Reynold数的模拟，这意味着它可以解释更广泛的湍流条件。

该团队希望继续增强其数据库，以进一步改进其DNN工具。此外，它正在与IKE实验家合作进行初步实验并建立一个模型超临界电厂，以测试实验和理论之间的一致性。团队或许能够提供准确，易用且计算效率高的工具，帮助工程师和电厂管理员更安全，更高效地生产电力。

“IKE的研究人员正在进行实验和数值模拟，作为数值团队的一部分，我们正在寻找传热不良的答案。我们研究流体流动和湍流背后的物理学，但我们的最终目标是开发一个更简单的模型。”基于sCO2的技术具有提供可再生能源中经常需要的灵活操作的潜力。然而，热水力学模型和传热知识是有限的，这项研究将缩小技术差距，并协助工程师建立动力循环回路。