Nama Jurnal : Jurnal Energi Terapan

Judul Jurnal : Development of supercritical CO2 turbomachinery off-design model

using1D mean-line method and Deep Neural Network
Penulis : Seongmin Son, Yongju Jeong, Seong Kuk Cho, Jeong Ik Lee
Tahun : 2020
Reviewer : Moh. Fajar Rizki (191910101036)

Isi :

Baru-baru ini, sistem tenaga superkritis CO2 (S-CO2) telah menerima banyak
perhatian karena efisiensinya yang tinggi dan ukuran kecil. S-CO2 menunjukkan
perubahan properti nonlinier yang dramatis di dekat titik kritis. Karena kepekaan ini,
Hambatan dari analisis desain sistem S-CO2 dapat menjadi prediksi dari desain engine
turbo. Secara konvensional, untuk mencerminkan kinerja off-design dari mesin turbin
dalam analisis sistem, kinerja peta dengan metode koreksi telah digunakan. Itu karena
mahal secara komputasi untuk menyelesaikan Euler persamaan turbin untuk setiap
iterasi. Namun, saat perilaku yang disebutkan di atas mendekati titik kritis, memang
demikian patut dipertanyakan apakah metode yang dikembangkan dalam kondisi udara
masih dapat diterapkan pada sistem S-CO2. Penulis adalah mengusulkan metode
menggunakan Deep Neural Network (DNN) untuk membangun model S-CO2
turbomachinery off-design. SEBUAH Analisis statistik mengungkapkan bahwa metode
tersebut menunjukkan 101 hingga 104 kali lebih baik Mean Squared Error (MSE) dan
Indeks Mean Absolute Percentage Error (MAPE) dibandingkan dengan metode koreksi
yang ada. Analisis dari sudut pandang sistem juga dilakukan. Hasil desain turbo S-CO2
DNN terlatih model dan metode koreksi dibandingkan dengan menganalisis desain
kondisi dari siklus pemulihan S CO2 sederhana. Hasil penelitian menunjukkan bahwa
prediksi kinerja sistem off-design dapat didistorsi secara signifikan oleh metodologi
koreksi konvensional, dan dapat dihindari melalui mengembangkan model S-CO2 off-
design turbomachinery off-design.
Meski ada banyak model penelitian, penelitian dilakukan pada model yang paling
sesuai untuk aplikasi mesin turbo CO2. Alasan utamanya adalah kurangnya evaluasi
bahwa data percobaan mesin turbo di lingkungan S-CO2 terbatas. Secara fisik, baik
turbin maupun kompresor adalah mesin yang memenuhi persamaan turbin Euler. Oleh
karena itu, secara teoritis, jika file model kerugian cukup akurat, solusi turbin Euler
persamaan dan nilai eksperimental harus cocok satu sama lain. Pada penelitian
sebelumnya, metode garis rata-rata 1D berbasis KAIST-TMD adalah dikembangkan dan
divalidasi .sebagai pemecah persamaan turbin Euler. Tentu saja, metode terbaik adalah
mengevaluasi model koreksi dengan membandingkan nilai yang dihitung dengan data
eksperimen. Namun, sebagaimana disebutkan di atas, data aktual untuk pengoperasian
sistem S-CO2 di area off-design sangat langka, dan data mengenai operasi off-design
kinerja mesin turbo juga sangat terbatas.
Masalah penerapan metode koreksi turbomachinery untuk memanfaatkan peta off-
design telah dipelajari untuk analisis Performa desain sistem Supercritical CO2 (S-
CO2). Dengan menggunakan Institut Sains dan Teknologi Lanjutan Korea Kode
Turbomachinery Design (kode KAIST-TMD), yaitu kode metode garis rata-rata 1D
yang telah divalidasi dan diverifikasi dari studi, keakuratan prediksi kinerja off-design
dari perspektif komponen yang dianalisis. Dalam rentang yang dianalisis, metode
koreksi yang ada tidak dapat memprediksi dengan benar kinerja desain yang tidak
sesuai. Sebagai metode untuk mengatasi masalah ini, metode untuk langsung
memperoleh hasil KAIST-TMD melalui Deep Neural Network (DNN) diusulkan.
Model ini memiliki umpan maju 4 lapisbersih. Analisis statistik menunjukkan bahwa
metode tersebut 101 hingga 104 kali lebih baik dalam Mean Squared Error (MSE) dan
Persentase Absolut Rata-rata Indeks kesalahan (MAPE) daripada metode koreksi yang
ada dan R2 menjadi lebih baik juga. Untuk analisis dari sudut pandang sistem,
desainnya tidak stabil.
Analisis status juga dilakukan dengan menggunakan KAIST-Quasi-steady state
Kode Desain Siklus (KAIST-QCD) yang didasarkan pada kondisi quasi-steady metode
analisis. Skenario beban parsial dianalisis. Dari hasilnya, Model S-CO2 turbomachinery
design dari DNN terbukti lebih unggul ke metode koreksi yang ada. Telah terbukti
bahwa itu off-design titik sistem S-CO2 dapat terdistorsi secara signifikan karena model
koreksi turbomachinery konvensional. Secara khusus, model koreksi yang ada gagal
untuk memprediksi rasio tekanan S-CO2 kompresor dalam kondisi off-design. Penulis
menunjukkan itu Model turbomachinery DNN S-CO2 berbasis KAIST-TMD dapat
mengatasi masalah ini masalah. Padahal penafsiran ini dilakukan dengan sistem yang
sederhana tata letak, ini menunjukkan bahwa metodologi kesamaan yang ada untuk
kinerja mesin turbo off-design mungkin tidak cukup untuk menyelesaikannya masalah
yang lebih sulit dalam situasi yang lebih kompleks, seperti mendesain sistem kontrol
atau melakukan analisis kecelakaan. Studi ini menyarankan cara untuk mengatasi
masalah sebelumnya. Jika turbin dan kompresor geometri ditentukan setelah desain
selesai, yaitu metode yang disarankan dalam studi ini menerapkan berbasis DNN
terlatih Model Turbomachinery untuk analisis sistem akan berguna. Model S-CO2
design turbomachinery off-design DNN diterapkan di penelitian ini dilatih
menggunakan data yang dihasilkan dari KAIST-TMD, a kode menggunakan metode
mean-line 1D. Kode telah divalidasi dengan data eksperimental yang tersedia
sebelumnya. Data yang dihasilkan untuk pelatihan tidak jatuh terlalu jauh dari kisaran
nilai eksperimental, karena turbomachinery S-CO2 juga mengikuti kemiripan aturan.
Namun, argumen tersebut membuktikan bahwa metode tersebut tidak langsung
didukung oleh data eksperimental dalam jumlah terbatas dan, oleh karena itu, lebih
banyak lagi Eksperimen menyeluruh harus dilakukan untuk memverifikasi keandalan
metodologi yang disarankan. Selain itu, metodologi ini bukanlah tabel untuk evaluasi
cepat dan ringkas karena desain bentuk dasarnya komponen sistem harus diproses
terlebih dahulu untuk menggunakan metodologi ini. Kurangnya keserbagunaan ini tidak
menguntungkan dibandingkan dengan metode koreksi yang ada.
Namun, penelitian ini menunjukkan bahwa kinerja desain turbomachinery S-CO2,
khususnya kompresorkinerja sangat terdistorsi saat menggunakan metode yang ada, dan
itu ditunjukkan bahwa DNN dapat menyelesaikan masalah ini. Oleh karena itu, jika
sistem analisis kinerja desain diperlukan setelah desain sistem dasar, Metode yang
diusulkan dalam penelitian ini memiliki keunggulan besar dibandingkanmetode koreksi
konvensional.