Recherche sur le modèle de réduction par paliers des vannes de réduction de pression de vapeur pour centrales thermiques
Apr 14, 2026
Récemment, l'équipe de recherche sur les vannes de régulation de l'Université du Zhejiang a mené une étude systématique des caractéristiques thermohydrauliques des principaux composants de régulation des détendeurs de vapeur dans les centrales thermiques. Les résultats de cette recherche ont fait l'objet d'un article intitulé « Prédiction rapide des caractéristiques thermohydrauliques des détendeurs de vapeur dans les centrales thermiques à l'aide d'un modèle d'ordre réduit », publié dans la revue International Communications in Heat and Mass Transfer (une revue de premier plan de la deuxième zone de l'Académie chinoise des sciences). Face aux limitations des méthodes traditionnelles de simulation numérique CFD et de recherche expérimentale en termes d'efficacité et de coût, un modèle d'ordre réduit (ROM) basé sur la décomposition en valeurs propres (POD) a été élaboré. Ce modèle permet une reconstruction rapide et une prédiction efficace des champs d'écoulement complexes, améliorant ainsi considérablement l'efficacité de calcul tout en garantissant la précision des calculs. Les détendeurs de vapeur sont des composants de régulation essentiels dans les centrales thermiques. L'analyse de leurs caractéristiques thermohydrauliques complexes s'avère difficile en raison du coût et du temps de calcul élevés. Pour pallier cette difficulté, cette étude a développé un modèle d'ordre réduit (ROM) par décomposition en valeurs propres (POD). Dans un premier temps, le champ d'écoulement a été simulé numériquement pour différentes pressions de sortie et courses. Dans un second temps, la POD a permis d'extraire les modes spatiaux et leurs coefficients. Enfin, grâce à des méthodes d'ajustement telles que le krigeage, la régression par machine à vecteurs de support (SVM) et la régression par vecteurs de support basée sur la physique, la relation entre les coefficients modaux et les conditions de fonctionnement a été établie. Les résultats montrent que, comparée à la simulation CFD, la modélisation d'ordre réduit (ROM) a permis d'accroître l'efficacité de calcul de plus de quatre ordres de grandeur. L'erreur maximale du résultat ROM est de 13,59 %. La ROM prédit la distribution de la pression, de la température et de l'entropie avec une erreur quadratique moyenne relative (RRMSE) inférieure à 2 %. Ce travail propose un nouveau cadre de modélisation d'ordre réduit pour la prédiction de la distribution des grandeurs physiques au sein des détendeurs. En outre, cette étude fournit une référence pour le développement de modèles de prédiction rapides et précis pour les composants d'ingénierie dans les applications de dynamique des fluides. Contexte de la recherche Le détendeur vapeur est un composant de régulation essentiel du système vapeur des centrales thermiques. Il permet de réduire la pression de la vapeur surchauffée à haute température et haute pression (environ 2 MPa, 574 °C) à la pression requise en aval et de contrôler le débit en ajustant son degré d'ouverture. Face à la demande croissante d'écrêtement des pointes de consommation, les détendeurs doivent être actionnés fréquemment. Un écoulement obstrué (Ma ≥ 1) à l'intérieur du détendeur peut entraîner une baisse de rendement, voire endommager l'équipement. Par conséquent, la surveillance en temps réel du champ d'écoulement interne est cruciale pour un fonctionnement sûr. Cependant, l'intérieur du détendeur est soumis à des températures et des pressions extrêmement élevées, ce qui rend impossible l'installation de capteurs aux endroits critiques tels que les orifices de régulation. Il est donc difficile d'appréhender la distribution réelle de la pression, de la vitesse et de la température à l'intérieur du détendeur. Actuellement, la recherche sur les détendeurs vapeur repose principalement sur des expériences et des simulations CFD, mais ces méthodes présentent des lacunes importantes en termes d'efficacité et de coût. Par conséquent, cet article propose un modèle d'ordre réduit (ROM) basé sur la décomposition en valeurs propres (POD). L'idée principale est d'extraire les principaux modes d'écoulement à partir d'un petit nombre de résultats de simulation numérique des fluides (CFD) de haute précision et de reconstruire le champ d'écoulement. Ensuite, une correspondance simple entre les paramètres de fonctionnement et les coefficients modaux est établie. Dans ces nouvelles conditions de fonctionnement, le champ d'écoulement complet peut être rapidement reconstruit sans avoir à résoudre à nouveau les équations complexes de la mécanique des fluides. Méthodes de recherche La construction d'un modèle d'ordre réduit repose sur la constitution d'une bibliothèque d'échantillons d'apprentissage de haute qualité. L'étude a sélectionné quatre pressions de sortie (1,2 MPa, 1,4 MPa, 1,6 MPa et 1,8 MPa) et six courses de vanne (de 20 mm à 120 mm), combinées pour former 24 ensembles de conditions de calcul en régime permanent, couvrant la plage de fonctionnement typique de ce détendeur de vapeur. Vérifié par les données sur site de la centrale thermique, l'écart maximal entre le débit calculé par CFD et la valeur mesurée est de 9,70 %, ce qui répond aux exigences de précision d'ingénierie et garantit la fiabilité des données d'entrée ROM ultérieures. La méthode de décomposition orthogonale des valeurs propres (POD) est adoptée pour réduire la dimension des données instantanées de la CFD. Chaque groupe de grandeurs physiques du champ d'écoulement (densité, pression, vitesse, température, nombre de Mach, entropie) est organisé sous forme de vecteurs lignes pour construire une matrice instantanée X (de dimensions m×n, où m=24 est le nombre d'échantillons et n≈8×10⁶ est le nombre de nœuds de la grille). Le modèle POD (X ≈ UΣV β) est obtenu par décomposition en valeurs singulières (SVD). U contient les coefficients modaux, V les modes spatiaux, et les éléments diagonaux de Σ sont les valeurs singulières, représentant la contribution énergétique de chaque mode. Après classement par ordre décroissant d'énergie, le premier mode représente 85,72 % de l'énergie du champ de pression et 88,00 % de celle du champ d'entropie. L'énergie cumulée des 12 premiers modes atteint 99 %, ce qui permet de choisir un ordre de troncature k = 12 et d'éliminer les modes d'ordre supérieur afin de filtrer le bruit numérique. Pour prédire les nouvelles conditions de fonctionnement, il est nécessaire d'établir la relation entre les paramètres de ces conditions (pression de sortie p, course de la vanne h) et le coefficient modal α, α = f(p, h). L'étude compare trois méthodes de régression : la régression polynomiale, le krigeage et la régression par vecteurs de support.De plus, la recherche a tenté une régression par machine à vecteurs de support (SVR) intégrant des informations physiques. Le terme résiduel de l'équation de quantité de mouvement est introduit dans la fonction de perte de la SVR, et l'algorithme de descente de gradient est utilisé pour optimiser l'hyperparamètre ε, afin que le champ d'écoulement prédit satisfasse la contrainte de conservation de la quantité de mouvement de l'équation de Navier-Stokes en régime permanent sur le plan de symétrie.Cependant, les résultats montrent que, puisque la fonction de base POD a été extraite de l'instantané CFD satisfaisant l'équation de contrôle, cette fonction contient suffisamment d'informations physiques. Dans le cas d'un nombre limité d'échantillons, la SVR de base a atteint la limite supérieure de précision de ce cadre de représentation. L'introduction de contraintes physiques comme termes d'optimisation secondaires n'a pas réduit significativement l'erreur de prédiction (RRMSE 1,16 % contre 0,87 %), mais pourrait au contraire entraîner une augmentation du biais régional local due à un excès de contraintes. Le processus de prédiction en ligne du modèle ROM final est le suivant : saisie des paramètres de fonctionnement cibles (p, h), obtention de 12 coefficients modaux α par interpolation de type Krigeage, et superposition linéaire des modes spatiaux pré-enregistrés à u(X) = Σα dv ϕ et dv (X) pour reconstruire la distribution complète du champ d'écoulement. La complexité de calcul de ce processus est de l'ordre de O(k×n). Sur une plateforme de calcul équipée d'un processeur AMD EPYC 7763, une prédiction prend environ 4,8 secondes, soit quatre ordres de grandeur de plus que les 11 665 secondes nécessaires à la CFD. Résultats de la recherche Prenons l'exemple des résultats de prédiction de pression : les prédictions du champ de pression dans un plan symétrique obtenues par le modèle d'ordre réduit basé sur le krigeage présentent une erreur quadratique moyenne relative (RRMSE) de 0,79 % et une erreur relative maximale de 16,49 %. Le modèle basé sur la régression par machine à vecteurs de support (SVR) affiche quant à lui une RRMSE de 0,87 % et une erreur relative maximale de 15,38 %. Les deux méthodes maintiennent l'erreur relative de la distribution de pression dans la plage acceptable de 20 % et leur RRMSE est inférieure à 1 %. Il est à noter que dans l'espace annulaire entre la chemise extérieure et la chemise intérieure, la dilatation soudaine de la section d'écoulement entraîne une diminution du débit et un rebond significatif de la pression, celle-ci atteignant des valeurs comprises entre 1,53 MPa et 1,88 MPa. La vapeur s'écoule ensuite par l'orifice d'étranglement de la chemise intérieure (étranglement secondaire), ce qui provoque une nouvelle chute de pression, pour finalement s'équilibrer avec la pression à la sortie aval. Cette distribution de pression non monotone, caractérisée par une alternance de « chute de pression – rebond – nouvelle chute de pression », a été fidèlement reproduite par le modèle ROM. Que ce soit par la méthode de Krigeage ou par la méthode SVR, les courbes de prédiction concordent bien avec les valeurs de référence issues de la CFD, avec seulement de légers écarts dans la zone de gradient local maximal. Dans la zone principale de la cavité de la vanne et dans les zones des conduites d'entrée et de sortie, les variations de pression sont relativement faibles, et l'erreur relative est généralement inférieure à 5 %, voire inférieure à 1 % dans certaines zones. L'erreur relative maximale de 16,49 % est observée localement, près de la paroi, à la sortie de l'orifice d'étranglement du manchon extérieur. À cet endroit, le décollement de l'écoulement est intense et la perte de précision due à l'interruption du mode d'ordre supérieur est la plus marquée. Malgré cela, le niveau d'erreur reste acceptable pour l'évaluation de la tendance de pression et l'estimation de la charge globale dans les applications d'ingénierie. Les performances des trois méthodes d'ajustement pour la prédiction du champ d'écoulement ont été comparées : le modèle Kriging, avec une précision RRMSE de 0,79 %, s'est avéré légèrement supérieur à celui du SVR (0,87 %), les deux étant comparables au niveau d'erreur maximal (environ 15-16 %). La méthode PI-SVR, intégrant des contraintes d'information physique, ne présente aucun avantage pour la prédiction de pression. Son RRMSE est de 1,16 %, l'erreur maximale atteint 17,67 % et la plage de distribution des erreurs dans la zone de fort gradient de l'orifice d'étranglement est plus étendue que pour le SVR de base. Ce phénomène indique que pour des grandeurs physiques comme la pression, caractérisées par une forte non-linéarité mais une structure spatiale relativement fixe, l'interpolation de Krigeage basée sur des processus gaussiens est plus adaptée aux petits échantillons et aux relations de transformation non paramétriques. Par conséquent, pour la prédiction rapide du champ d'écoulement des vannes de réduction de pression de vapeur, le modèle de Krigeage s'est avéré être la solution optimale. Perspectives de recherche Les résultats de cette recherche proposent une solution technique viable pour la construction d'un jumeau numérique de vannes de réduction de pression. Ce modèle ROM permet la reconstruction en temps réel et la surveillance visuelle de paramètres clés tels que le champ de pression interne et le champ de température de la vanne, résolvant ainsi le problème de la « boîte noire » lié à l'impossibilité d'installer des capteurs traditionnels à l'intérieur du dispositif de régulation. Il convient toutefois de souligner que le modèle d'ordre réduit établi dans cette étude présente des limites d'application bien définies. Premièrement, son domaine de validité est strictement limité à l'espace des paramètres couvert par les données d'apprentissage et ne permet pas d'extrapoler à des géométries non échantillonnées ni à des conditions aux limites différentes. Deuxièmement, ce modèle, construit à partir d'instantanés en régime permanent, ne s'applique qu'à la prédiction des conditions de fonctionnement en régime permanent et ne peut donc pas appréhender l'évolution transitoire de l'écoulement lors de l'actionnement rapide de la vanne. Les recherches ultérieures approfondiront et élargiront les travaux actuels sous les deux angles suivants : La première méthode consiste à modéliser les écoulements transitoires. En combinant des méthodes d'analyse de séries temporelles (telles que la décomposition modale dynamique (DMD) ou le réseau de mémoire à long terme (LSTM)), on construit un modèle dynamique d'ordre réduit capable de prédire l'évolution des écoulements instables. La seconde consiste à optimiser les méthodes d'information physique. Il s'agit de réexaminer les stratégies de mise en œuvre de l'apprentissage automatique basé sur l'information physique, d'explorer l'introduction de contraintes physiques lors de l'extraction modale plutôt que lors de la régression, ou d'adopter un cadre multifidélité combinant la CFD basse résolution et les réseaux neuronaux d'information physique afin d'améliorer la capacité d'extrapolation du modèle et sa cohérence physique dans les régions où l'échantillon est clairsemé.
EN SAVOIR PLUS