استفاده از روش‌های آماری و هوش مصنوعی جهت پیش‌بینی دمای گاز خروجی از توربین یک موتور میکروتوربین گاز آزمایشگاهی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی / دانشکدة علوم و فنون نوین، دانشگاه تهران

2 کارشناس ارشد / دانشکدة علوم و فنون نوین، دانشگاه تهران

چکیده

در این مقاله ارتباط دمای گاز خروجی از توربین یک موتور میکروتوربین گاز آزمایشگاهی نسبت به تغییرات پارامتر دور عملکردی موتور، با دو روش داده‌کاوی بررسی شده است. برای این منظور پارامتر دمای گاز خروجی از توربین به‌عنوان مقدار خروجی اندازه‌گیری شده از موتور و دور عملکردی موتور به‌عنوان متغیر ورودی در نظر گرفته شده است. از شبکة عصبی پرسپترون یک‌لایه و دولایه و شبکة عصبی شعاعی به‌همراه روش رگرسیون چندجمله‌ای برای پیش‌بینی رابطة غیرخطی موجود بین پارامتر ورودی و خروجی اندازه‌گیری شده از موتور استفاده شده است. آزمایش‌های مربوطه با به‌کارگیری یک موتور میکروتوربین گاز آزمایشگاهی با مقادیر دور عملکردی در محدودة صفر تا 108000 دور بر دقیقه انجام شده است. نتایج حاصل از پیش‌بینی دمای گاز خروجی از توربین با روش‌های داده‌کاوی نشان می‌دهند که این روش‌ها توانایی قابل قبولی در دست‌یابی به تطابق مناسب بین مقادیر اندازه‌گیری شده و پیش‌بینی شده دمای گاز خروجی از توربین دارند. نتایج حاکی از آن است که روش پرسپترون دولایه در مقایسه با روش‌های پرسپترون یک‌لایه، شبکة شعاعی و رگرسیون، توانایی بیشتری در پیش‌بینی پارامتر عملکردی موتور در این مطالعه دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Using statistical and artificial intelligence approach to predict the exhaust gas temperature of a micro gas turbine engine

نویسندگان [English]

  • Roozbeh Riazi 1
  • Iman koleini 2
  • Shidvash Vakilipour 1
  • Bahram Tarvirdizadeh 1
  • Hadi Veisi 1
  • Hadi Zare 1
1
2
چکیده [English]

To study the relation between the amount of Exhaust Gas Temperature (EGT) as the output quantity of an experimental gas turbine engine and the parameter of engine rotational speed (RPM), as its input quantity, two different data mining approaches were employed in the present work. Artificial Neural Network (ANN) and Multiple Polynomial Regression (MPR) techniques were used to predict the nonlinear relation between the input and output of the engine. The related experiments were already performed by using an experimental micro gas turbine engine with an engine rotational speed in the range of 0 ~ 108000 RPM. The results show that, in general, both the ANN and MPR approaches have good predicting capability for estimating exhaust gas temperature values. Also the results of using the ANN and MPR approaches show that the degree of agreement between the predicted and measured values of exhaust gas temperature is higher for the case of employing the ANN approach. In other words, the ANN has better predicting capability for estimation of exhaust gas temperature than the MPR method.

کلیدواژه‌ها [English]

  • Experimental Micro Gas Turbine Engine
  • Engine Rotational Speed
  • Artificial neural network
  • Exhaust Gas Temperature
  • Multiple-Polynomial Regression

مراجع

[1] Thiagarajan, M. "A Design Study of Single-Rotor Turbomachinery Cycles.” MSc Dissertation, Virginia Polytechnic Institute and State University, 2004.
[2] Olympus HP Gas Turbine AMT Netherlands, http://www.amtjets.com/index.php (accessed March 1 2016).
[3] Leylek, Z. “An Investigation into performance modelling of a Small Gas Turbine Engine.” Turbine Technical conference and Exposition, 2013.
[4] Rahman, N. U., J. F. Whidborne. “A Numerical Investigation into the Effect of Engine Bleed on Performance of a Single-Spool Turbojet Engine.” Journal of Aerospace Engineering 222(7), 2008, pp. 939-949.
[5] علی­حسینی، ع.، ا. مسگرپور طوسی، م. برومند، آ. حروفی. "طراحی مفهومی تست سل بستة موتور میکروجت." دهمین کنفرانس انجمن هوافضای ایران، 1389.
[6] Diamantis, P. B., G. S. Anastassios. “Data Analysis and Performance Model Calibration of a Small Turbojet Engine.” Proceedings of the Institution of Mechanical Engineers, 2011, pp. 1523-1533.
[7] Chunmei, L. “Dynamical System Modeling of a Micro Gas Turbine Engine.” MSC Dissertation, Massachusetts Institute of Technology, 2000.
[8] Chacartegui, R., D. Sánchez, A. Muñoz, T. Sánchez. “Real Time Simulation of Medium Size Gas Turbines.” Journal of Energy Conversion and Management 52, 2011, pp. 713-724.
[9] Benini, E., S. Giacometti. “Design, Manufacturing and Operation of a Small Turbojet-Engine for Research Purposes.” Journal of Applied Energy 84, 2007, pp. 1102–1116.
[10] بیاتلو، ر. "طراحی آیرودینامیکی یک موتور میکروجت"، پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی امیرکبیر، 1388.
[11] Czarnecki, M. “Mass Model of Micro Gas Turbine Single Spool Turbojet Engine.” Journal of KONES Powertrain and Transport 20(1), 2013.
[12] Markunas, A. L. “Modeling, Simulation and Control of Gas Turbines.” MSC Dissertation, Massachusetts Institute of Technology, 1972.
[13] Badami, M., P. Nuccio, A. Signoretto. “Experimental and Numerical Analysis of a Small-Scale Turbojet Engine.” Journal of Energy Conversion and Management 76, 2013, pp. 225-233.
[14] Nikpey, H., M. Assadi, P. Breuhaus. “Development of an Optimized Artificial Neural Network Model for Combined Heat and Power Micro Gas Turbines.” Journal of Applied Energy 108, 2013, pp. 137-148. 
[15] Fast, M., M. Assadi, S. De. “Development and Multi-Utility of an ANN Model for an Industrial Gas Turbine.” i 86, 2009, pp.  9-17.
[16] Torella, G., F. Gamma, G. Palmesano. “Neural Networks for the Study of Gas Turbine Engines Air System.” Proceedings of the International Gas Turbine Congress, 2003.
[17] Muthukumar, K. “Condition Based Management of Gas Turbine Engine Using Neural Networks.” MSC Dissertation, Nanyang Technological University, 2005.
[18] Bartolini, C. M., F. Caresana, G. Comodi, L. Pelagalli, M. Renzi, S. Vagni. “Application of Artificial Neural Networks to Micro Gas Turbines.” Journal Energy Conversion and Management 52, 2011, pp. 781-788.
[19] شرفی، م.، م. بروشکی، ع. قلی­زاده. "بهینه­سازی سیکل میکروتوربین گازی با کمک الگوریتم زنتیک." هیجدهمین همایش سالانه بین­المللی مهندسی مکانیک ایران، 1389.
 [20] Asgari, H., X. Chen, M. B. Menhaj, R. Sainudiin. “Artificial Neural Network Based System Identification for a Single-Shaft Gas Turbine.” 2013.
[21] Memon, A. G., R. A. Memon, K. Harijan, M. A. Uqaili. “Thermo-environmental Analysis of an Open Cycle Gas Turbine Power Plant with Regression Modeling and Optimization.” Journal of Energy Institute 87, 2014, pp. 81-88.
[22] Giampaolo, T., “Gas Turbine Handbook: Principles and Practice.” United States of America: Fairmont Press, 2009.
[23] Flesland, S. M. “Gas Turbine Optimum Operation.” MSc Dissertation, Norwegian University of Science & Thechnology, 2010.
[24] Rahman, N. U. “Propulsion and Flight Controls Integration for the Blended Wing Body Aircraft.”  PhD Dissertation, Cranfield University, 2009.
[25] Olympus HP Gas Turbine AMT Netherlands, Manual and Engine Log (V30C), http://www.amtjets.com/pdf, Numbers 13 & 14, (accessed March 1, 2016).
[26] Flack, R. D., “Fundamentals of Jet Propulsion with Applications.” New York: Cambridge University Press, 2005.
[27] Hastie, T., R. Tibshirani, J. Friedman. “The Elements of Statistical Learning: Data Mining, Inference, and Prediction.” New York: Springer, 2009.
[28] Hagan, M., H. Demuth, M. Beale. “Neural Network Design.” Boston: PWS Publishing, 1996.
[29] Fast, M. “Artificial Neural Networks for Gas Turbine Monitoring.” PhD Dissertation, Lund University, 2010.
[30] Hurt, J. L. “Automating Construction and Selection of a Neural Network Using Stochastic Optimization.” MSC Dissertation, University of Nevada, 2011.
[31] Muga, J. N. “Investigation of Artificial Neural Networks for Modeling, Identification and Control of Nonlinear Plant.” MSC Dissertation, Cape Peninsula University of Technology, 2009.
[32] Kutner, M. H., C. J. Nachtsheim, J. Neter, L. William. “Applied Linear Statistical Model.” New York: McGraw-Hill/Irwin, 2005.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار