عنوان پایان‌نامه
بهینه سازی پره توربین محوری کوچک با ارتفاع ریزش خیلی کم
- رشته تحصیلی
- مهندسی مکانیک تبدیل انرژی-ماشینهای آبی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1906;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48004
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۹
- دانشجو
- علیرضا بزرگی
- استاد راهنما
- سیداحمد نوربخش, علیرضا ریاسی
- چکیده
- نیروگاه های کوچک آبی به عنوان یکی از منابع پاک و تجدپذیر انرژی، پتانسیل قابل توجهی در دنیا دارند و امروزه با روند افزایشی مصرف انرژی، بهره برداری از آن ها کاملا ضرورری می باشد. یکی از مشکلات راه اندازی این نیروگاه ها هزینه بالای تأسیسات لازم نسبت به توان تولیدی آن ها است. همچنین بسیاری از این نیروگاه ها دارای ارتفاع ریزش خیلی کم می باشند و توربین های رایج برای کار در این نقاط مناسب نیستند. این پایان نامه به منظور رفع این مشکلات در دو مرحله انجام شده است. در مرحله اول اجزای مختلف یک توربین محوری کوچک شبیه سازی و با استفاده از روش ساختارای چند بلوکی شبکه بندی شد. در ادامه معادلات کامل سه بعدی ناویر- استوکس با استفاده از مدل های مختلف توربولانسی، در محیط نرم افزار نومکا برای دبی های مختلف حل گردید. با استفاده از این نتایج منحنی های مشخصه توربین بدست آمد و با داده های آزمایشگاهی مقایسه شد. نتایج نشان می دهد مدل اسپالارت- آلماراس از دقت و سرعت همگرایی بالایی در شبیه سازی جریان سیال داخل توربین برخوردار است. در مرحله دوم با استفاده از شبیه سازی عددی، شبکه های عصبی و الگوریتم ژنتیک اجزای مختلف توربین یعنی هاب، پره اصلی و پره راهنما بهینه گردید. به علت تعداد زیاد متغیرها در کل هندسه، عملیات بهینه¬سازی در سه مرحله انجام شد. اهداف بهینه سازی افزایش بازده، بهبود عملکرد توربین از نظر کاویتاسیون و حفظ نقطه کاری در هد خیلی کم تعریف گردید. بدین منظور ابتدا هندسه اولیه پارامتری شد. سپس در هر مرحله پایگاه داده هایی متشکل از تعداد زیادی هندسه تولید و حل گردید. ورودی/ خروجی پایگاه داده ها به عنوان ورودی/خروجی شبکه های عصبی معرفی شد و برای هر کدام از اهداف بهینه سازی یک شبکه عصبی جداگانه با دقت بالایی تربیت شد. سپس با استفاده از الگوریتم ژنتیک و شبکه های عصبی تربیت شده هندسه بهینه جستجو گردید. جریان سیال در هندسه بهینه معرفی شده حل شد و نتایج آن برای بروز رسانی شبکه عصبی بکار گرفته شد. این کار چندین بار ادامه یافت تا نتایج عددی و شبکه های عصبی تطبیق بسیار خوبی داشته باشند. در نهایت هندسه بهینه با هندسه اولیه توربین مقایسه گردید. بازده توربین جدید افزایش چشمگیری داشته و عملکرد توربین از نظر کاویتاسیون بهبود بسیاری یافته و هد توربین در محدوده خواسته شده قرار دارد.
- Abstract
- Small hydropower stations as one of the clean and renewable recourses of energy have noticeable potential in the world. Regarding increasing demand of energy, using such sources of power is necessary. However, the major problem of installing these stations are their high specific cost expressed in $/kW installed capacity. Moreover, a large number of small hydro powers have very low head; so, conventional turbines are not suitable for these applications. This thesis has been done in two steps to solve these problems. At first, different parts of a small axial turbine are simulated using conformal mapping and meshed with Multi-blocks structured grids. Then, 3D full Navier- Stokes equations are solved in different discharges using several turbulent models in NUMECA software environment. Calculated characteristic curves of the turbine are compared with experimental data. The results show that Spalart-Allmaras model has good accuracy and convergence rate. In second step, different parts of turbine are optimized using the numerical simulations, artificial neural networks and genetic algorithm. Optimization is performed at three branches (for hub, blades and stay vanes) because of the large number of variables involved in the problem. Targets of optimization are efficiency increment, reduction of the cavitation possibility and keeping the head lower than two meters. Therefore, turbine geometry is parameterized first. Then, a vast variety of simulated geometries are used to generate a database. The input/output of the database is considered as the input/output of the artificial neural networks. One particular artificial neural network is trained for each target of optimization. Then, optimum geometry is searched by genetic algorithm as an evolutionary optimization method. Fluid flow in the optimum geometry is numerically simulated and results are used to update artificial neural networks. This process is repeated until numerical results and artificial neural networks are matched very well. Finally, optimized turbine is compared with the primary one. Efficiency of new turbine is increased significantly, the cavitation behavior is improved remarkably and the head is fallen in desirable range.
