본 연구는 제조 및 조립 변동이 다단 축류 압축기의 유동장과 전체 성능에 미치는 영향을 실시간으로 예측하는 심층 학습 프레임워크를 제시한다.
데이터 생성 단계에서는 CFD 해석을 통해 팁 클리어런스와 표면 거칠기 변동에 따른 400개의 데이터셋을 생성하였다. 이때 변동 범위는 설계 사양보다 50% 더 크거나 작은 수준으로 설정하여 극단적인 경우까지 고려하였다.
C(NN)FD 모델은 입력 변수(팁 클리어런스, 표면 거칠기, 블레이드 형상 설계 변수)를 받아 24개 축방향 위치에서의 유동장(전압, 전온도, 축방향 속도, 접선 속도, 반경 속도, 밀도)을 예측한다. 이를 통해 단별 성능(압력비, 폴리트로픽 효율) 및 전체 성능(질량유량, 폴리트로픽 효율)을 계산한다.
모델 성능 평가 결과, C(NN)FD는 CFD 벤치마크 대비 매우 정확한 예측 성능을 보였다. 최악의 경우에도 전체 효율 예측 오차가 0.05%p 미만으로 나타났다. 이는 CFD 해석의 수치적 불확실성 범위 내에 있어 실제 공학적 활용에 충분한 수준이다. 또한 실시간 예측이 가능하여 제조 및 조립 공정에 즉시 활용할 수 있다.
본 연구 결과는 제조 및 조립 변동이 압축기 성능에 미치는 영향을 신속하게 분석할 수 있어, 물리적 시험을 줄이고 CO2 배출을 감소시킬 수 있는 잠재력을 보여준다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Giuseppe Bru... at arxiv.org 03-14-2024
https://arxiv.org/pdf/2310.04264.pdfDeeper Inquiries