Table of Contents

La dinámica de fluidos computacionales (CFD) ha surgido como una herramienta indispensable para los ingenieros e investigadores que buscan analizar, predecir y optimizar la eficiencia de la combustión en una amplia gama de aplicaciones industriales. Desde instalaciones de generación de energía eléctrica y sistemas de propulsión aeroespacial hasta hornos industriales y motores de combustión interna, las simulaciones de CFD proporcionan información detallada sobre los complejos procesos físicos y químicos que rigen la optimización de la combustión de gastos.

Comprender los fundamentos del CDF en el análisis de combustión

La dinámica de fluidos computacional representa un enfoque sofisticado para resolver las ecuaciones de flujo de fluidos, transferencia de calor y reacciones químicas dentro de los sistemas de combustión. La CFD se refiere a modelos de combustión para la dinámica de fluidos computacionales, donde la combustión se define como una reacción química en la que un combustible reacciona con un oxidante para formar productos, acompañado con la liberación de energía en forma de calor.

En su núcleo, CFD utiliza métodos numéricos para descretar y resolver las ecuaciones fundamentales de conservación —masa, impulso y energía—, junto con ecuaciones de transporte de especies que describen las transformaciones químicas que se producen durante la combustión. Estas simulaciones proporcionan a los ingenieros visualizaciones detalladas, tridimensionales de distribuciones de temperatura, campos de velocidad, concentraciones de especies y gradientes de presión en toda la cámara de combustión.

La complejidad del modelado de combustión se deriva de la multitud de fenómenos físicos que deben ser capturados simultáneamente. Con la complejidad adicional de los cines químicos y el logro de un entorno de mezcla de flujo reaccionante, la física de modelado adecuado debe ser incorporada durante simulaciones de combustión de fluidos computacionales. Los ingenieros deben tener en cuenta la mezcla turbulenta, los kinetics de reacción química, la transferencia de calor radiativa, la evaporación de goteo (parada) y la longitud en diferentes procesos.

El papel de la cartografía de la torbulencia en la combustión CFD

La turbulencia juega un papel crítico en los procesos de combustión, afectando las tasas de mezcla, la estabilización de llamas y la eficiencia total de combustión. La selección de un modelo adecuado de turbulencia es esencial para predicciones precisas de CFD. La simplicidad del modelo k-ε permite la computación de simulaciones de gran escala, como los que se encuentran en el análisis de rendimiento de turbina sin comprometer las características críticas de flujo, como intensidad de tur

Los modelos de Navier-Stokes (RANS), como los modelos k-ε y k-ω SST, siguen siendo opciones populares para simulaciones de combustión industrial debido a su eficiencia computacional y precisión razonable para muchas aplicaciones. El modelo RANS RNG k-ε fue seleccionado como el modelo de turbulencia más adecuado para la resolución de malla dada. Estos modelos resuelven los efectos de fluirante de las cantidades de flujo y de turbulencia.

Para aplicaciones que requieren mayor fidelidad, los enfoques de la simulación de gran tamaño de Eddy (LES) y los enfoques RANS-LES híbridos ofrecen una mejor precisión mediante la resolución de estructuras turbulentas más grandes mientras modelan sólo las escalas más pequeñas. La influencia de la intensidad del arnés principal en las características de soplado cercanos a la luz en un combustión de arborrecido multieta utilizando un marco de RANS-LES híbrido, con la formulación

Enfoques de modelado de combustión

Existen varias estrategias de modelado de combustión dentro de los marcos de CFD, cada una con supuestos específicos y rangos de aplicabilidad. La elección del modelo de combustión depende del tipo de combustión (premixed, non-premixed, o parcialmente premixed), el nivel de detalle requerido y los recursos computacionales disponibles.

El modelo de disipación de Eddy se utiliza cuando la mezcla turbulenta de los componentes tiene que ser tenida en cuenta, donde se utiliza la escala de tiempo turbulento k/ε para calcular la tasa de reacción, y una comparación entre las tasas de disipación turbulenta del combustible, oxidante y productos y el mínimo entre todos se toma como la tasa de reacción. Este modelo asume que las reacciones químicas se presentan mucho más rápido que los turbulentos.

Un modelo CFD axisymmetrico, que incorpora la modelación de turbulencia k-ω SST, combustión de Eddy Dissipation Concept (EDC) y radiación Discreta Ordinates, fue validado contra mediciones de termografía infrarroja y tecnología analítica de procesos (PAT) obtenidas en condiciones operativas reales. El modelo EDC amplía el enfoque de disipación de Eddy incorporando mejores técnicas químicas en la predicción de los fenómenosulsión finos

Para sistemas de combustión no premezclados, el enfoque de la fracción de mezcla ofrece eficiencia computacional reduciendo el número de ecuaciones de transporte que deben resolverse. Este modelo tiene en cuenta sólo la concentración final de las especies y tiene en cuenta la naturaleza global del proceso de combustión donde la reacción procede infinitamente rápido como un proceso de paso único sin mucho estrés en la kinetica detallada implicada, donde se supone que los reaccionantes fracciones dimensionales de combustible variable

Calculando eficiencia de la combustión: parámetros clave y métricas

La eficiencia de la combustión representa una métrica de rendimiento fundamental que cuantifica la eficacia de un sistema de combustión que convierte la energía química en combustible en energía térmica útil. La eficiencia de la combustión se define como la relación de la combustión real de un combustible a la combustión completa, calculada normalmente comparando las concentraciones de dióxido de carbono y monóxido de carbono, y es un valor sin unidad expresado como porcentaje, indicando la eficacia del proceso de combustión en la generación de contaminación del mínimo.

Cobuses estoichiométricos y ratio de combustible aéreo

La base de cálculos de eficiencia de combustión reside en entender la combustión estoquiométrica, la condición ideal donde el combustible y el oxidador están presentes precisamente en las proporciones correctas para la combustión completa. La relación aire-combustible (AFR) se define como la relación de masa de aire a la masa de combustible presente durante la combustión, expresada como combustible AFR = m aire / m, y es una medida crucial para reducir las emisiones de gasolina

Para los quemadores con gas natural, el aire estoichiométrico requerido es de 9.4-11 ft.3 / 1.0 ft.3 de gas natural o aproximadamente una relación aire-gas de aproximadamente 10:1. Sin embargo, operar en condiciones exactamente estoichiométricas en aplicaciones reales es poco práctico y potencialmente peligroso debido a variaciones en la composición del combustible, mezclando imperfecciones y el riesgo de combustión incompleta.

Para evitar productos de combustión incompleta (PIC), especialmente monóxido de carbono (CO), el exceso de aire se agrega generalmente, donde el exceso de aire o exceso de combustible para un sistema de combustión se basa en la relación de combustible de aire-combustible estoichiométrico, la relación de combustible precisa e ideal en la que se alcanza la proporción de mezcla química y los combustores están diseñados para alcanzar la combustión de exceso de aire de "en-a de valor en exceso"; es decir, es decir, que requiere un 10% de exceso de aire con frecuencia.

La mejor eficiencia de combustión ocurre en la relación óptima entre aire y combustible, y el control de esta proporciona la mayor eficiencia, donde un quemador de combustible líquido y gas consigue este equilibrio deseado en la mayoría de los escenarios operando al 105% al 120% del aire teórico óptimo. Este exceso de aire asegura una combustión completa al minimizar las pérdidas energéticas de la calefacción de aire innecesario.

Análisis de gases de efecto invernadero y cálculos de eficiencia

Las simulaciones de CFD permiten un análisis detallado de la composición de gas de la gripe, que sirve como indicador crítico de la eficiencia de la combustión. El dióxido de carbono - CO2 - es un producto de combustión y el contenido de CO2 en un gas de la gripe es una indicación importante de la eficiencia de la combustión, donde el contenido óptimo del CO2 después de la combustión es de aproximadamente 10% para el gas natural y aproximadamente 13% para los aceites más ligeros.

La eficiencia de la combustión se basa en el valor calórico neto de un combustible y se calcula deduciendo las pérdidas de gas de la gripe del 100% máximo alcanzable. Las principales pérdidas en los sistemas de combustión incluyen:

  • Pérdida de calor sensible en gases de gripe (pérdida de gas seco)
  • Pérdida de calor latente de vapor de agua formado durante la combustión
  • Heat loss from incomplete combustion (presence of CO, unburned hydrocarbons)
  • Pérdidas de radiación y convección de superficies de combustión
  • Pérdida de calor en ceniza y escoria (para combustibles sólidos)

La eficiencia de la combustión es una medición de lo bien que se está utilizando el combustible que se está quemando en el proceso de combustión, que es diferente del número de eficiencia producido en el analizador, que refleja la cantidad total de calor disponible del combustible menos las pérdidas de los gases que suben la pila.

La eficiencia de la combustión reduce a medida que aumenta la temperatura de la pila neta, donde una temperatura de pila de alta red indica que menos del calor generado por la combustión se transfirió al agua, mientras que una baja temperatura de la pila neta indica que se transfirió más calor al agua. Las simulaciones de CFD pueden predecir las distribuciones de temperatura en toda la cámara de combustión y el sistema de escape, permitiendo a los ingenieros identificar oportunidades para mejorar la recuperación de calor.

Formación de contaminantes y predicción de emisiones

Más allá de la eficiencia térmica, los sistemas modernos de combustión deben cumplir con estrictas regulaciones de emisiones. El CFD proporciona capacidades poderosas para predecir la formación de contaminantes, en particular los óxidos de nitrógeno (NOx), el monóxido de carbono (CO), los hidrocarburos no quemados (UHC) y la materia particulada.

Las emisiones reducidas de NOx pueden alcanzarse mediante "estancias de combustible", la inyección controlada de combustible en diferentes puntos del proceso de combustión, aunque los sistemas de estadificación de combustible podrían ser extremadamente útiles, han sido objeto de estudio o ignorados en el pasado. Las simulaciones de CFD permiten un análisis detallado de cómo las estrategias de estadificación de combustible afectan las relaciones locales de equivalencia, las distribuciones de temperatura y los tiempos de residencia.

El diseño resultante de quemadores logró una reducción del 31% de las emisiones de NOx manteniendo la eficiencia de la combustión y mejorando la estabilidad de las llamas. Esto demuestra el poder de la optimización guiada por CFD para lograr mejoras simultáneas en la eficiencia y el rendimiento de las emisiones.

Las simulaciones de CFD permiten un análisis detallado de cómo las diferentes ratios de combustible afectan la eficiencia de la combustión y los perfiles de emisión. Al modelar los kinetics químicos detallados de las vías de formación de contaminantes, los ingenieros pueden evaluar las modificaciones de diseño y las estrategias de operación para minimizar las emisiones manteniendo una alta eficiencia.

Consideraciones de diseño para sistemas de combustión eficientes

Optimizar el diseño del sistema de combustión requiere una cuidadosa consideración de múltiples factores de interacción. Las simulaciones CFD proporcionan un laboratorio virtual donde los ingenieros pueden explorar alternativas de diseño y entender las complejas relaciones entre geometría, condiciones de funcionamiento y rendimiento.

Optimización de la geometría de la cámara de combustión

La geometría de la cámara de combustión influye profundamente en los patrones de flujo, las características de mezcla, las distribuciones del tiempo de residencia y las tasas de transferencia de calor. CFD permite la exploración sistemática de parámetros geométricos para identificar configuraciones óptimas.

El diseño de entrada de doble combustible permite una mayor eficiencia de combustión, una fuerza de empuje más alta y una menor emisión en comparación con el diseño convencional de entrada de combustible único. Esto ilustra cómo CFD puede revelar mejoras de diseño no intuitivas que serían difíciles de descubrir a través de pruebas experimentales por sí solas.

Se estudió optimización basada en la combinación para maximizar la mezcla y la combustión de un combustión supersónico, donde se consideró un combustión bidimensional con inyección de hidrógeno paralela. Técnicas avanzadas de optimización junto con CFD permiten la exploración automatizada de vastos espacios de diseño para identificar geometrías óptimas.

Los parámetros geométricos clave que influyen en el rendimiento de la combustión incluyen:

  • Longitud y diámetro de la cámara (tiempo de residencia defectuoso)
  • Configuraciones de entrada y salida
  • Colocación y orientación del inyector de combustible
  • Presencia y diseño de portadores de llama o cuerpos de caspa
  • Ángulos y configuraciones de la vana giratoria
  • Puertos de inyección de aire secundario

Estrategias de inyección de combustible

El método y la ubicación de la inyección de combustible afectan críticamente la mezcla de calidad, estabilización de llamas y integridad de combustión. Las simulaciones de CFD pueden evaluar diversas estrategias de inyección, incluyendo inyección de un solo punto, inyección de varios puntos, inyección escalonada y inyección estabilizada por el arnés.

La geometría portuaria de entrada desempeña un papel crucial en la regulación de los procesos de flujo en cilindro, afectando significativamente la eficiencia de combustión y las emisiones de motores, donde los efectos de una modificación de la geometría portuaria de ingesta, específicamente la implementación de un nuevo deflector en movimiento para intensificar el flujo de ingesta tangencial, los patrones de flujo de fluidos, la etapa de combustión y las emisiones de escape en un motor de combustión interna de chispa.

Para los combustibles líquidos, distribución de tamaños de gotas, ángulo de pulverización, profundidad de penetración y características de evaporación deben ser cuidadosamente controlados. Los modelos CFD que incorporan el seguimiento de partículas lagrangianas pueden simular el comportamiento de pulverización y predecir cómo la dinámica de gotas afecta a la mezcla y la combustión.

Mejora de la gestión de los flujos de aire y la mezcla

La mezcla eficaz de combustible de aire es esencial para lograr una alta eficiencia de combustión y bajas emisiones. Las simulaciones de CFD revelan cómo los patrones de flujo de aire influyen en la mezcla de calidad y rendimiento de combustión.

Al determinar el efecto de la turbulencia en cilindro, se consideran dos mecanismos primarios: el primero es el movimiento del giratorio, un movimiento de vórtice radial del aire de ingesta alrededor del eje central del cilindro, y el segundo es el movimiento de cúpula, caracterizado por un flujo de aire de rotación orientado a lo largo del eje del cilindro. Estas estructuras de flujo organizado aumentan las tasas de mezcla turbulenta y propagación de llamas.

La combustión estabilizada por el ardor representa un enfoque ampliamente utilizado para mejorar la mezcla y la estabilidad de las llamas. La reducción de la intensidad del ardor suprime la formación de una llama estabilizada por el ardor, mientras que el arnés excesivo afecta negativamente el rendimiento de las emisiones. El CDF permite la optimización de la intensidad del ardor para equilibrar los objetivos de la estabilidad de las llamas, la eficiencia de la combustión y las emisiones.

El tiempo de residencia de los gases dentro de la cámara de combustión afecta la integridad de la combustión y la extensión de las reacciones de formación contaminantes. La estabilidad de la combustión en el horno IDR es controlada por regímenes de turbulencia, caracterizados por números Damköhler inferiores a uno, donde en estas condiciones se produce la rápida premixación, resultando en una zona de reacción delgada y la relación de equivalencia espacialmente uniforme.

Transferencia de calor y gestión térmica

La transferencia efectiva de calor de gases de combustión a superficies intercambiadoras de calor o fluidos de trabajo es esencial para la eficiencia global del sistema. Las simulaciones de CFD pueden predecir los tipos de transferencia de calor e identificar oportunidades para mejorar.

La temperatura de la pila es la temperatura de los gases de combustión (vapor seco y de agua) dejando el aparato, y refleja la energía que no transfirió del combustible al intercambiador de calor, donde la temperatura de la pila baja, más eficaz el diseño del intercambiador de calor o la transferencia de calor y la mayor eficiencia del combustible al aire / agua/al vapor.

La transferencia de calor radiativa suele dominar en sistemas de combustión de alta temperatura. Los modelos CFD que incorporan modelos de radiación como el método de Ordinados Discretos o la aproximación P1 pueden predecir flujos de calor radiativos y su impacto en las distribuciones de temperatura y la transferencia de calor a las superficies.

La mezcla residual operada en un régimen controlado por la turbulencia (Da < 1), alcanzando las máximas temperaturas internas de 1199 °C y logrando una eficiencia térmica de 84,6% (basada en LHV). Esto demuestra cómo CFD puede predecir tanto las distribuciones de temperatura como la eficiencia térmica general para mezclas de combustible complejo y condiciones de operación.

Técnicas avanzadas de CFD para el análisis de combustión

Integración de aprendizaje automático con CFD

Los avances recientes han demostrado el poder de combinar el aprendizaje automático con CFD para acelerar la optimización y permitir predicciones en tiempo real. Utilizando simulaciones de Fluid Dynamics (CFD) computacionales combinadas con modelado predictivo asistido por Machine Learning (ML), geometría de quemador, comportamiento de mezcla de combustible y dinámicas de transferencia de calor fueron optimizados sistemáticamente, donde un modelo de experimentación de apoyo para el diseño de la modificación CFD

Combinar modelos ML con métodos de optimización multiobjetiva ofrece una buena manera de reducir el coste de cálculo y mejorar la eficiencia de optimización. Los modelos de aprendizaje automático pueden ser entrenados en los resultados de simulación CFD para proporcionar predicciones rápidas a través de una amplia gama de condiciones de funcionamiento y parámetros de diseño, permitiendo estudios de optimización que serían computacionalmente prohibitivos usando CFD solo.

Enfoques de modelado multiescala

Los fenómenos de combustión abarcan múltiples escalas de longitud y tiempo, desde reacciones químicas de nivel molecular hasta estructuras de flujo a gran escala. Técnicas de modelado multiescala, como modelos híbridos DNS-LES, logran un margen de error del 5 % en predicciones de velocidad de llama, y la Refineción de malla adaptativa (AMR) reduce los costos computacionales en un 50 %.

Las técnicas de refinamiento de malla adaptativas aumentan automáticamente la resolución de la red en regiones con gradientes empinados (como frentes de llama) manteniendo una resolución más gruesa en otros lugares, optimizando el equilibrio entre la precisión y el costo computacional.

Validación y Cuantificación de la Incertidumbre

Mientras que CFD proporciona capacidades predictivas potentes, la validación contra datos experimentales sigue siendo esencial para establecer confianza en los resultados de simulación. El modelo numérico fue validado contra datos experimentales, mostrando un excelente acuerdo, con diferencias en presión de cilndro y tasa máxima de liberación de calor (RHR) mantenido por debajo del 3% y el momento de presión pico es casi idéntico a los resultados experimentales.

El acuerdo estrecho entre predicciones numéricas y mediciones experimentales valida el modelo CFD como una robusta herramienta predictiva y optimización para el funcionamiento del horno industrial, donde su precisión demostrada en la representación de la estabilidad de combustión, el comportamiento de transferencia de calor y las tendencias de eficiencia energética apoya su aplicabilidad para procesar el análisis, la optimización y las estrategias de sustitución de combustible en sistemas metalúrgicos.

La incertidumbre en los parámetros modelo y los datos utilizados para la entrada a un sistema de combustión hace que sus predicciones y resultados de optimización sean susceptibles, donde la cuantificación de incertidumbre (UQ) evalúa cómo las predicciones de modelos robustas y los parámetros cruciales que afectan el comportamiento del sistema se han aislado mediante el análisis de sensibilidad.

Aplicaciones Prácticas y Estudios de Casos

Gas Turbine Combustors

Los combustores de turbina de gas representan aplicaciones particularmente difíciles debido a la necesidad de una alta eficiencia, bajas emisiones y un funcionamiento estable en una amplia gama de condiciones de funcionamiento. Este estudio intenta examinar la optimización de un diseño de cámara de combustión en el mundo real bajo diferentes condiciones de funcionamiento para mejorar el rendimiento y sostenibilidad generales de las turbinas de gas.

CFD permite evaluar las estrategias de combustión premixed que reducen la formación de NOx reduciendo las temperaturas pico de las llamas, mientras que también evalúa el riesgo de incombustibles de combustión y soplamiento de llamas. La capacidad de predecir comportamientos cercanos a la baja es particularmente valiosa para ampliar el límite de operación del magro.

Hornos y boilers industriales

Las aplicaciones de calefacción industrial consumen grandes cantidades de energía, lo que hace que las mejoras de eficiencia sean muy valiosas. El estudio aborda una brecha clave examinando, a través de un enfoque integrado de la CFD-experimental, el comportamiento dinámico termofluido, la estabilidad de la combustión y la eficiencia térmica de una mezcla residual de aceite-solvente utilizada en un horno metalúrgico IDR bajo condiciones de funcionamiento reales, utilizando la termografía infrarroja de alta resolución, mediciones experimentales detalladas y un modelo de energía integral.

Las simulaciones CFD pueden evaluar el impacto de modificaciones de quemadores, conmutación de combustible, enriquecimiento de oxígeno y estrategias de recuperación de calor en el rendimiento del horno. La capacidad de predecir las distribuciones de temperatura ayuda a identificar puntos calientes que podrían dañar materiales refractarios y puntos fríos donde podría ocurrir una combustión incompleta.

Motores de Combustión Interna

El desarrollo del motor de combustión interna depende cada vez más de la CFD para optimizar el diseño de la cámara de combustión, las estrategias de inyección de combustible y el control de emisiones. La Ignición de Compresión de Carga Homogeneosa (HCCI) logra eficiencias térmicas hasta un 50 %, mientras que el Ignition de Compresión Controlada de Reactividad (RCCI) reduce las emisiones de NOx hasta un 90 % y mejora la eficiencia térmica de la potencia de freno en 43 %.

Las simulaciones de Fluid Dynamics (CFD) computacionales han sido instrumentales para refinar estos parámetros, donde un estudio demostró el uso de CFD para modelar los efectos de diferentes ratios de combustible y tiempos de inyección en la eficiencia y las emisiones de combustión. La capacidad de simular ciclos completos de motor incluyendo la ingesta, compresión, combustión y escape permite una optimización integral del rendimiento del motor.

Sistemas avanzados de propulsión

Los ramjets de combustión supersónico (scramjets) y otros conceptos avanzados de propulsión presentan retos extremos para el modelado de combustión debido a altas velocidades, tiempos de residencia cortos y complejas interacciones de choque-flamatorio. La optimización basada en gradiente ofrece una alternativa sistemática proporcionando información de sensibilidad que vincula directamente el campo de flujo a las métricas de rendimiento como mezcla y eficiencia de combustión, aunque el potencial de los autores

Factores de optimización clave para la eficiencia de la combustión

Para lograr una eficiencia óptima de combustión es necesario equilibrar múltiples objetivos y limitaciones. Las simulaciones de CFD permiten una exploración sistemática del espacio de diseño para identificar puntos de funcionamiento óptimos y configuraciones de diseño.

Calidad de mezcla de combustible de aire

La calidad y uniformidad de la mezcla de combustibles aéreos determina fundamentalmente la eficiencia y las emisiones de la combustión. La mala mezcla conduce a regiones ricas en combustible (producción de CO e hidrocarburos no quemados) y regiones de alérgicos (reducción de la intensidad de la combustión). Las visualizaciones de la CFD de las distribuciones de fraccionadas de mezcla revelan mejoras de calidad y guía.

Entre las estrategias para mejorar la mezcla figuran las siguientes:

  • Optimización del diseño y colocación de los inyectores de combustible
  • Introduciendo el arnés o el agitador para mejorar la mezcla turbulenta
  • Utilizando múltiples puntos de inyección para la combustión escalonada
  • Diseño de geometría de combustión para promover zonas de recirculación
  • Control de tiempo y duración de la inyección

Gestión de la distribución de temperatura

Las distribuciones de temperatura dentro de la cámara de combustión afectan las tasas de reacción, la formación de contaminantes, la durabilidad material y la eficiencia de transferencia de calor. CFD permite la predicción y optimización de los campos de temperatura para lograr las características de rendimiento deseadas.

Las temperaturas pico excesivas aceleran la formación de NOx a través de mecanismos térmicos, mientras que las temperaturas insuficientes conducen a la combustión incompleta y la formación de CO. La eficiencia de la combustión depende de utilizar la cantidad adecuada de aire para consumir el combustible, donde en el calentamiento del proceso con el combustible, la fuente de pérdida de energía más grande es la pila de escape, por lo que la gestión del flujo de aire es esencial para la eficiencia de combustión.

La uniformidad de temperatura también afecta la calidad del producto en aplicaciones de calefacción industrial y el estrés térmico en materiales de combustión. Las simulaciones CFD pueden identificar modificaciones de diseño para lograr una distribución de temperatura más uniforme cuando sea necesario.

Optimización del tiempo de residencia

El tiempo de residencia de los reaccionarios dentro de la zona de combustión debe ser suficiente para la combustión completa al minimizar la formación de NOx térmico. Las simulaciones CFD pueden predecir las distribuciones del tiempo de residencia e identificar regiones donde los gases pueden cortocircuito a través del combustor sin una reacción completa.

Entre los factores que afectan al tiempo de residencia figuran los siguientes:

  • Volumen de combustible y geometría
  • Velocidades de flujo y caudales de masa
  • Presencia de zonas de recirculación
  • Localizaciones y estrategias de inyección de combustible

Para aplicaciones de alta velocidad como turbinas de gas y ramjets, lograr un tiempo suficiente de residencia manteniendo dimensiones compactas de combustión presenta un reto significativo que CFD ayuda a abordar.

Estrategias de control de las emisiones

Los sistemas modernos de combustión deben lograr bajas emisiones de NOx, CO, hidrocarburos no quemados, materia particulada y otros contaminantes manteniendo al mismo tiempo una alta eficiencia.

Combustión Premixed de Lean: El funcionamiento con exceso de aire y premixing minucioso reduce las temperaturas de las llamas pico, suprimiendo la formación térmica de NOx. La CFD ayuda a identificar el límite de inclinación más allá de lo cual la combustión se vuelve inestable o incompleta.

Combustión en estadio: Se deben modificar varios parámetros de combustión, como la relación aire-combustible, la geometría de quemadores y las estrategias de estadificación de combustibles. El estadificación de combustible o aire crea zonas primarias ricas en combustible (suppressing NOx) seguidas de zonas de incendio de combustible (zona de combustión completa).

Recirculación de gases de escape: Recirculación de una parte de los gases de escape diluye a los reaccionarios y reduce las temperaturas máximas. El CFD predice el impacto en la estabilidad y eficiencia de la combustión.

Combustión catalítica: Para aplicaciones de emisiones ultra-bajos, la combustión catalítica puede ser modelada usando CFD con mecanismos adecuados de reacción superficial.

Consideraciones y mejores prácticas computacionales

Generación de malla y calidad

La malla computacional discretiza la geometría de la cámara de combustión en pequeños volúmenes de control donde se resuelven las ecuaciones de gobierno. La calidad de la malla afecta profundamente la precisión y convergencia de la solución.

El modelo CAD obtenido se fusiona con elementos hexahedral para aumentar la densidad en regiones con atributos geométricos complejos, donde este proceso desempeña un papel vital en el aumento de la eficiencia de la simulación CFD proporcionando resultados precisos, y esta malla se establece en una buena relevancia, con tasas normales de inflación, y tiene una tasa de crecimiento de 1.1 para lograr una alta calidad de la red al resolver el problema de la dinámica del fluido.

Las mejores prácticas para la combustión de la mezcla de CFD incluyen:

  • Refiriéndose a la malla en regiones con gradientes empinados (frenos inflamados, capas de escamas, cerca de las paredes)
  • Usando mallas hexáedral estructuradas, donde sea posible para una mejor precisión y convergencia
  • Asegurar una resolución adecuada de malla para capturar escalas de longitud turbulentas
  • Realizar estudios de independencia de malla para verificar la precisión de la solución
  • Utilizando el refinamiento de malla adaptable para fenómenos complejos de transito

Selección y validación de modelos

La selección de modelos apropiados para turbulencia, combustión, radiación y otros fenómenos requiere entender la física de la aplicación específica y las capacidades y limitaciones de los modelos disponibles.

La complejidad de los procesos de combustión reales ha sido insuficientemente representada en varias investigaciones debido al uso de simulaciones excesivamente simplificadas, donde predicciones inexactas de emisiones de NOx y rendimiento de combustión debido al uso de estos modelos simplificados pueden hacer inútiles técnicas de optimización. Los ingenieros deben equilibrar la fidelidad modelo con los datos de cálculo y validación disponibles.

La validación contra mediciones experimentales establece confianza en las predicciones de CFD e identifica las limitaciones de los modelos. Las métricas de validación clave incluyen distribución de temperatura, concentraciones de especies, caídas de presión, tasas de transferencia de calor y niveles de emisiones.

Recursos y eficiencia computacionales

Las simulaciones CFD de combustión pueden ser intensivas computacionalmente, especialmente para las simulaciones de LES transitorios con química detallada.

  • Utilizando modelos RANS para la exploración inicial del diseño, reservando LES para la optimización final
  • Empleando mecanismos químicos reducidos que capturan especies esenciales al reducir el conteo de ecuación
  • Aprovechamiento de los recursos de computación paralelos y de alto rendimiento
  • Utilizando modelos de aprendizaje automático para la exploración rápida de espacios de diseño
  • Aplicar las condiciones de límites de simetría cuando sea apropiado para reducir el tamaño de dominio

La resolución de malla fue seleccionada sobre la base de prácticas establecidas en la literatura CFD de flujo reaccionario, que demuestran que las mallas bien refinadas pueden capturar características clave de combustión media con sensibilidad limitada a la refinamiento posterior, donde estudios anteriores han demostrado que, para las LL de reaccionamiento de flujos en combustores complejos, cantidades como temperatura media, tasas de reacción y campos de velocidad son relativamente insensibles al tamaño de la red, y la malla se ha utilizado ampliamente en las simulaciones.

Tendencias futuras y tecnologías emergentes

Inteligencia Artificial y modelado de datos

La integración de la inteligencia artificial y el aprendizaje automático con CFD representa un área de rápido crecimiento. Los avances recientes de aprendizaje automático demuestran el potencial transformador mediante el desarrollo de surrogas ML para estudiar combustión turbulenta de combustibles alternativos, que se alinea con exámenes más amplios de ML y optimización en sistemas energéticos de próxima generación, fortaleciendo el poder de la sinergia ML-CFD para desafíos multiobjetivos como eficiencia y emisiones.

Las redes neuronales pueden aprender relaciones complejas entre parámetros de diseño y métricas de rendimiento de datos CFD, permitiendo la optimización y el control en tiempo real. Las redes neuronales informadas por Física que incorporan leyes de conservación y limitaciones físicas muestran una promesa particular para aplicaciones de combustión.

Combustibles alternativos y sostenibles

La transición a fuentes de energía sostenible requiere sistemas de combustión capaces de quemar eficientemente hidrógeno, amoníaco, biocombustibles y otros combustibles alternativos. El CDF desempeña un papel crucial en el desarrollo y optimización de los combustores para estos combustibles, que a menudo tienen características de combustión significativamente diferentes que los combustibles fósiles convencionales.

La combustión de hidrógeno, por ejemplo, presenta velocidades de llama mucho más altas y límites de inflamabilidad más amplios que los combustibles hidrocarburos, lo que requiere diferentes diseños de combustión para prevenir flashback y mantener la estabilidad.

Gemelos digitales y optimización en tiempo real

Tecnología digital twin combina modelos CFD con datos de sensores en tiempo real para crear réplicas virtuales de sistemas de combustión física. Estos gemelos digitales permiten el monitoreo de condiciones, mantenimiento predictivo y optimización en tiempo real de parámetros operativos para mantener la máxima eficiencia a medida que cambian las edades de equipo o las condiciones de funcionamiento.

Los modelos de aprendizaje automático formados en datos CFD pueden proporcionar las predicciones rápidas necesarias para el control en tiempo real, mientras que las simulaciones periódicas de alta fidelidad CFD actualizan y refinan los modelos a medida que el sistema evoluciona.

Conceptos de combustión avanzada

La Combustión de Ganancia de Presión (PGC) logra mejoras de eficiencia termodinámica con ratios de presión alcanzando el 2.0, mientras que Plasma-Assisted Combustion (PAC) acorta el retraso de ignición en un 35 %, permitiendo un funcionamiento estable en condiciones de magro. La CFD es esencial para desarrollar estos conceptos avanzados de combustión que prometen mejoras de paso en eficiencia y emisiones.

Otros conceptos emergentes incluyen combustión sin llama (combustión MILD), oxidación de agua supercritica y combustión de bobinado químico. Cada uno presenta desafíos y oportunidades de modelado únicos para la optimización guiada por CFD.

Directrices de aplicación para los ingenieros

Para los ingenieros que buscan aplicar el CFD a la predicción y optimización de la eficiencia de combustión, un enfoque sistemático produce los mejores resultados:

Definir los objetivos claros

Establecer métricas y limitaciones específicas de rendimiento al principio. ¿Está principalmente preocupado por maximizar la eficiencia térmica, minimizar las emisiones de NOx, garantizar la estabilidad de la llama o lograr un equilibrio entre múltiples objetivos?

Comience Simple y Agregue Complejidad

Comience con modelos simplificados y geometrías para desarrollar comprensión y establecer el rendimiento de base. Agregue progresivamente la química detallada, efectos transitorios, radiación, fenómenos multifase, según sea necesario para capturar física esencial. Este enfoque aumenta la confianza en los resultados y ayuda a identificar qué fenómenos más influyen fuertemente en el rendimiento.

Validar contra datos experimentales

Siempre que sea posible, validar las predicciones de CFD contra mediciones experimentales. Incluso datos de validación limitados (como las temperaturas y emisiones de gases de escape) ayuda a establecer la credibilidad del modelo.

Leverage Parametric Studies

Utilizar CFD para realizar estudios paramétricos que exploran cómo los parámetros de diseño y las condiciones de funcionamiento afectan el rendimiento. Estos estudios revelan sensibilidades y compensaciones que guían la optimización. Herramientas de estudio paramétrico automatizadas y diseño de experimentos se acercan al máximo la información obtenida de campañas de simulación.

Asignaciones y limitaciones del documento

documenta cuidadosamente todas las hipótesis de modelado, las condiciones de límites y las limitaciones conocidas. Esta documentación garantiza una interpretación adecuada de los resultados y facilita la futura refinamiento de modelos. Entender lo que el modelo no captura es tan importante como entender lo que captura.

Conclusión

La dinámica de fluidos computacional se ha convertido en una herramienta indispensable para predecir y optimizar la eficiencia de la combustión en diversas aplicaciones. Al proporcionar información detallada sobre los fenómenos complejos y combinados que rigen los procesos de combustión, CFD permite a los ingenieros evaluar alternativas de diseño, predecir métricas de rendimiento e identificar oportunidades de optimización con detalles y precisión sin precedentes.

Los cálculos y consideraciones de diseño discutidos en este artículo, desde la optimización de la relación entre los combustibles aéreos y la integración avanzada del aprendizaje automático, demuestran la amplitud y profundidad de las capacidades de CFD para el análisis de combustión. A medida que la potencia computacional sigue aumentando y avanzan las técnicas de modelado, CFD desempeñará un papel cada vez más central en el desarrollo de los sistemas de combustión de alta eficiencia y baja emisión necesarios para la producción de energía sostenible.

El éxito con la combustión CFD requiere no sólo conocimientos técnicos en métodos numéricos y física de combustión, sino también una atención cuidadosa a la validación, cuantificación de incertidumbre y selección de modelos apropiada. Los ingenieros que dominan estas habilidades obtienen capacidades poderosas para acelerar la innovación, reducir los costos de desarrollo y alcanzar niveles de rendimiento que serían difíciles o imposibles de alcanzar por medio de enfoques experimentales.

[LT] [FLT] [FC]] [FLT]] [FLT]] [FLT]]] [FLT+]]] [FLT]]]] [FV]]] [FLT]]] [FX]]] [FT]]] [FT]]]

A medida que el paisaje energético evoluciona hacia tecnologías más limpias y eficientes, el papel de la CDF en el desarrollo del sistema de combustión sólo aumentará en importancia. Los ingenieros equipados con estas poderosas capacidades de simulación estarán bien posicionados para contribuir a la próxima generación de tecnologías de combustión que equilibran la eficiencia, las emisiones y la sostenibilidad.