Maskininlärning ökar effektiviteten i kraftverk

Tysken Mark Benson fick 1922 patent för en slags tryckkokare som kunde hålla vatten i en superkritisk mellanfas, det vill säga vara både i sin gas- och flytande form. Samexistensen innebar bättre effektivitet, men på grund av höga kostnader blev konceptet aldrig en succé.

Nu har dock forskare plockat upp tekniken och vid institutet för kärnkraftsteknik och energisystem (IKE) samt institutet för flygtermodynamik (ITLR) vid universitetet i Stuttgart studeras hur man kan utveckla verktyg för att göra superkritisk värmeöverföring mer användbart.

– Jämfört med subkritiska kraftverk har superkritiska kraftverk högre termisk effektivitet, säger forskaren Sandeep Panday, i ett uttalande.

Det finns flera olika material för att generera ånga, eller för att överföra värme, men vatten är väldigt vanligt – detta på grund av att det är relativt förutsägbart. Men de höga temperaturer (374 grader Celsius) och tryck (minst 22,4 megapascal) som krävs för att nå den kritiska punkten har fått forskarna att titta på annat än vatten. Nämligen koldioxid.

Både effektivt och bättre för miljön

Fördelarna med koldioxid är många, inte minst att det når sin superkritiska nivå vid låga 31 grader – något som gör att det kan vara både effektivare och mer miljövänligt.

– SCO2 (superkritiskt koldioxid) har faktiskt exakt noll risk för att ge ozonskador och väldigt liten påverkan på den globala uppvärmningen jämfört med andra vanliga vätskor såsom klorflorkol-baserade kylmedel, ammoniak och liknande, säger Pandey.

Men det är inte det enda. Den superkritiska koldioxiden kan komprimeras lättare och tar mycket mindre utrymme i anspråk än vad vatten gör.

Dock är det inte så att man kan börja med tekniken på studs. Nej, för att implementeras så måste man undersöka koldioxidens egenskaper på alla nivåer. Detta innebär bland annat vätskans turbulens, värmeöverföring samt hur den interagerar med det maskinella. För att göra detta använder man sig av djupinlärning och datasimulering.

Traditionellt så använder man sig av data från experiment för att träna sina algoritmer. Här har man använt sig av 35 olika DNS-simulationer som var och en fokuserade på ett specifikt område. Sedan har man använt 80 procent av datan i dessa för att träna sitt djupinlärningsnätverk (DNN) – övriga 20 användes för parallell validering. Något som enligt Pandey varit lyckat.

– Våra blindtest visar att vår DNN på ett framgångsrikt sett kompenserar överanpassning och har uppnått generell acceptans under de driftsförhållanden som vi har täckta i databasen.

Nu har man påbörjat utvecklingen av ett verktyg för att tekniken ska kunna kommersialiseras och genom att använda sin senaste forskning har man lyckats få DNN:en att simulera driftsförhållanden med nya data på endast 5,4 millisekunder.

– Konventionella kraftverk underlättar användningen av förnybara energikällor genom att kunna kompensera intermittent energiproduktion. Men de är för närvarande inte utformade för att vara lika flexibla som de förnybara. Om vi kan implementera sCO2-baserade vätskor kan vi förbättra deras flexibilitet genom kompaktare designs likväl som snabbare uppstarts- samt nedsläckningstider, säger Sandeep Panday.