Прогнозирование эффективности охлаждения башен на электростанциях с помощью Cfd в Ansys Fluent

Охлаждающие башни являются жизненно важными компонентами тепловых электростанций, ответственными за рассеивание огромного количества отработанного тепла, генерируемого при производстве электроэнергии. Их производительность напрямую влияет на эффективность установки, потребление воды и соблюдение экологических норм. Точное прогнозирование эффективности охлаждающей башни исторически опиралось на эмпирические корреляции и упрощенные модели, но эти подходы часто не дотягивают при работе со сложными геометриями, переменными условиями эксплуатации и строгими нормативными требованиями. Вычислительная динамика жидкостей (CFD) моделирование, особенно с использованием ANSYS Fluent, появилось в качестве мощного инструмента для моделирования сложных многофазных процессов потока, теплоты и передачи массы внутри охлаждающих башен. Моделируя модели потоков воздуха, траектории капель воды и скорости испарения с высокой точностью, инженеры теперь могут оптимизировать конструкцию башни, диагностировать проблемы производительности и прогнозировать поведение в широком диапазоне сценариев без дорогостоящего физического прототипирования.

Роль охлаждающих башен в тепловых электростанциях

В типичной тепловой электростанции, будь то заправка углем, природным газом, ядерной энергией или концентрированной солнечной энергией, термодинамический цикл требует теплоотвода для конденсации пара, выходящего из турбины. Охлаждающие башни служат в качестве этого теплоотвода, передавая тепло от конденсатора охлаждающей воды в атмосферу. Производительность охлаждающей башни напрямую влияет на общее тепловое давление конденсатора, что в свою очередь влияет на общую тепловую эффективность установки. Снижение температуры охлаждающей воды на 1°C может повысить эффективность установки до 0,5-1%, переводя в значительную экономию топлива и снижение выбросов.

Охлаждающие башни широко классифицируются на два типа: естественный сквозняк и механический сквозняк. Природные сквозные башни, как правило, гиперболической формы, полагаются на поток воздуха, приводимый в движение плавучестью, и распространены на больших заводах с базовой нагрузкой. Механические сквозные башни используют вентиляторы для форсирования или индуцирования воздушного потока и более распространены на небольших заводах или там, где пространство ограничено. В каждой категории конструкции могут быть встречным потоком (воздух движется вверх, а вода падает вниз) или перекрестным потоком (воздух движется горизонтально по падающей воде). Каждая конфигурация представляет уникальные проблемы для моделирования CFD, включая необходимость захвата зон рециркуляции, эффектов ветра и неравномерного распределения воды.

Помимо геометрии, тепловые характеристики градирни зависят от тепло- и массопередачи между каплями воды и воздухом. Горячая вода из конденсатора распределяется через распылительные насадки или брызги, создавая большую площадь поверхности для испарения. По мере прохождения воздуха через среду заполнения или поле капель, он поглощает тепло и влагу, охлаждая воду. Эффективность этого процесса регулируется психометрическими принципами, распределением размеров капель, соотношением воды к воздуху и погодными условиями окружающей среды. Моделирование CFD должно учитывать все эти факторы для обеспечения надежных прогнозов.

Основы CFD моделирования для охлаждения башен с использованием ANSYS Fluent

ANSYS Fluent — это универсальное CFD-программное обеспечение общего назначения, широко используемое для промышленных применений, включающее поток жидкости, теплообмен и многофазные взаимодействия. Для моделирования градирни Fluent предлагает полный набор моделей, которые могут представлять сложную физику. Типичный подход моделирования включает в себя решение уравнений Рейнольдса — Усредненного Навье — Стокса (RANS) для непрерывной воздушной фазы в сочетании с дискретной фазовой моделью (DPM) для капель воды. DPM отслеживает отдельные капли или посылки через вычислительную область, учёт сопротивления, теплопередачи и испарения с использованием соответствующих подмодел.

Управляющие уравнения и моделирование турбулентности

Воздушный поток внутри градирни почти всегда турбулентный, особенно в механических тяговых башнях, где скорости, вызванные вентилятором, могут превышать 5 м/с. Выбор правильной модели турбулентности имеет решающее значение для прогнозирования профилей скорости, перепадов давления и смешивания. Стандартные k-эпсилон, реализуемый k-эпсилон и SST k-омега являются общим выбором. Для естественных тяговых башен, где доминируют потоки, управляемые плавучестью, необходимо включение уравнения гравитации и энергии с соответствующими условиями источника плавучести. ANSYS Fluent позволяет пользователю активировать эффекты полной плавучести с использованием приближения Boussinesq или закона идеального газа в зависимости от диапазона температур.

Уравнение энергии решается для воздушно-водяной паровой смеси, учитывающей скрытый теплообмен из-за испарения. Уравнения переноса видов для водяного пара часто используются для отслеживания изменений влажности. Передача тепла и массы между дискретными каплями воды и непрерывной воздушной фазой моделируется с использованием связанных терминов источника. Встроенная модель испарения флюента может быть откалибрована с эмпирическими корреляциями для испарения капель, например модель Дюковича, которая предполагает, что испарение обусловлено разницей в концентрации пара между поверхностью капли и объемным газом.

Многофазное моделирование: дискретная фаза против эвлерианно-эвлерианного

Для градирней с распылительными насадками или брызговыми наполнителями дискретная фазовая модель (ДПМ) является наиболее практичным подходом. Она рассматривает капли воды как отдельные частицы, которые обмениваются массой, импульсом и энергией с непрерывной воздушной фазой. ДПМ является вычислительно эффективным, поскольку решает уравнения траектории частиц только в лагранжевом кадре, в то время как воздушная фаза решается в эйлеровском кадре. Однако ДПМ предполагает, что объемная фракция капель низкая (обычно ниже 10-12%), что в целом верно в зоне распыления, но может быть пограничным в области наполнителя. Для плотных распылений или потока пленки над листами наполнителя может быть более подходящей, хотя она более вычислительно дорогая.

На практике многие коммерческие исследования CFD для больших градирней охлаждения используют DPM с большим количеством посылок (сотни тысяч) для достижения статистической конвергенции. Распределение размера капель обычно определяется на основе данных производителя сопла или может быть смоделировано с использованием распределения Розин-Раммлера. Более продвинутые подходы включают моделирование вторичного распада (например, модель TAB или WAVE) для учета деформации капель и фрагментации во время процесса распыления, что может значительно повлиять на площадь поверхности, доступную для испарения.

Проверка и проверка

Для холодильных вышек валидация часто включает сравнение прогнозируемой температуры розетки воды, профилей температуры воздуха и влажности и падения давления с измерениями с физических башен или масштабированных испытательных установок. Многие исследования показали, что моделирование Fluent может предсказать характеристику охлаждающей башни (KaV / L) и число Меркель с приемлемой точностью (в пределах 5-10%), когда используются надлежащие граничные условия и разрешение сетки. Общие наборы данных валидации включают кривые производительности охлаждающей башни EPRI и опубликованные исследования из Института охлаждающей башни (CTI).

Исследования сетчатой независимости необходимы; типичная сетка для большой естественной тяговой башни может состоять из 2-10 миллионов ячеек, с уточнением вблизи распылительных сопел, области заполнения и стенок башни. Неструктурированные тетраэдрические сетки часто используются для сложных геометрий, в то время как шестиядерные сетки могут повысить точность в области объемного потока. ANSYS Fluent предоставляет инструменты адаптации сетки для уточнения областей с высокими градиентами, такими как зона впрыска капель и пограничные слои околостены.

Ключевые параметры в CFD-симуляции для эффективности охлаждающей башни

Для прогнозирования эффективности требуется тщательное задание нескольких параметров. Эффективность определяется как отношение фактического отбрасывания тепла к максимально возможному отбрасыванию тепла, или эквивалентно, температуре приближения (разница между температурой выхода холодной воды и температурой влажной балки). Для точного моделирования эффективности необходимо смоделировать следующие параметры.

Геометрия и ячеистые соображения

Геометрия охлаждающей башни включает в себя оболочку башни (высота, диаметр, форма), систему распределения воды (трубопровод, сопла), среду заполнения (тип, высота, плотность упаковки), элиминаторы дрейфа и стек вентилятора (для механического стяга). В естественных тяговых башнях гиперболическая форма имеет решающее значение для индуцирования естественной конвекции; кривизна влияет на распределение скорости и падение давления. Для CFD обычно упрощают область заполнения в качестве пористой среды с определенным термином источника тепла и массы, а не моделирование каждого отдельного листа заполнения. Этот подход к пористой среде требует калибровочных коэффициентов (например, коэффициент инерционного сопротивления, площадь поверхности на объем), которые могут быть получены из данных производителя или из отдельных, подробных симуляций ячеек заполнителя.

Вычислительная сетка должна разрешать пограничный слой на стенках башни и вокруг элементов заполнения. Значение y + около 30-100 типично для функций стенки при использовании модели k-эпсилон, в то время как для моделей турбулентности с низким числом y + (около 1) необходимо для моделей турбулентности с низким числом Рейнольдса, таких как SST k-omega. Область вокруг распылительных сопл требует тонкой сетки для захвата капельного впрыска и первоначального разрушения. Для механических тяговых башен область вентилятора требует скользящей сетки или движущейся опорной рамы (MRF) для точной модели вращающихся лопастей вентилятора.

Условия границы и эксплуатационные параметры

Условия на входе для воздуха включают температуру окружающей среды, относительную влажность и скорость/направление ветра, если учитывать естественные эффекты ветра. Состояние на входе воды определяет скорость потока на сопло, температуру горячей воды и распределение размера капель. Граница выхода обычно представляет собой выход давления в верхней части башни (для естественного сквозняка) или на выходе вентилятора (для принудительного сквозняка). Стены башни рассматриваются как адиабатические или с заданным коэффициентом потери тепла. Если башня подвержена перекрестному ветру, который может сильно ухудшить производительность, вычислительная область должна простираться достаточно далеко за пределы башни, чтобы захватить поле потока ветра, часто требуя большой области со скоростью на входе и плоскостью симметрии.

ANSYS Fluent позволяет пользователю определять эти граничные условия с помощью пользовательских функций (UDF) для пространственных вариаций, таких как неравномерное распределение воды по радиусу башни. Многие электростанции работают с градирнями параллельно; CFD может моделировать один модуль или реплицировать несколько ячеек с использованием периодических граничных условий для снижения вычислительной стоимости.

Физические модели и субмодели

Помимо базовой структуры Эйлера-Лагранжа, для точного прогнозирования эффективности критически важны несколько подмоделий:

Преимущества использования CFD для анализа и оптимизации охлаждающей башни

Принятие CFD в конструкции и модернизации градирни значительно выросло благодаря его способности предоставлять подробные, пространственно разрешенные данные, которые не могут легко сопоставить физические испытания. Инженеры могут оценивать изменения дизайна в виртуальной среде без затрат и времени на создание прототипов.

Экономия времени и затрат

Физические испытания градирней стоят дорого, особенно для больших естественных тяговых башен, которые требуют месяцев строительства и специализированного приборостроения. Моделирование CFD может быть завершено за несколько дней до недель на высокопроизводительном вычислительном кластере, что позволяет параллельно оценивать несколько итераций проектирования. Например, утилита питания может захотеть оценить влияние модернизации распылительных сопел для получения более тонких капель. CFD может быстро количественно оценить улучшение эффективности (обычно 0,5-2 ° C более низкая температура подхода) и связанные с этим компромиссы в потере дрейфа и потреблении энергии вентилятором.

Оптимизация и устранение неполадок

CFD позволяет параметрические исследования, которые непрактичны экспериментально. Инженеры могут изменять высоту заполнения, загрузку воды, размер капель, скорость вентилятора и условия окружающей среды, чтобы найти оптимальную комбинацию для данного участка. Встроенные инструменты оптимизации ANSYS Fluent (например, DesignXplorer) могут автоматизировать этот процесс с помощью методов поверхности отклика или генетических алгоритмов. При устранении неполадок CFD может идентифицировать неправильное распределение потока воды, рециркуляции горячего воздуха на входе или влияние близлежащих структур на поток воздуха - проблемы, которые трудно диагностировать с помощью обычных измерений.

Тематическое исследование: улучшение производительности Natural Draft Tower

Общая задача модернизации заключается в улучшении производительности стареющих естественных башен. В одном из опубликованных исследований (см. ссылку ниже) инженеры использовали ANSYS Fluent для моделирования гиперболической охлаждающей башни высотой 120 метров и обнаружили, что неравномерное распределение воды из забитых сопл снижает эффективность более чем на 15%. Перераспределяя поток воды и заменяя элиминаторы дрейфа, моделирование предсказало снижение температуры холодной воды на 3 ° C, что привело к увеличению общей тепловой эффективности установки на 1,5%. Моделирование также показало, что перекрестный ветер, поступающий в башню с одной стороны, вызвал зону рециркуляции, которая уменьшила поток воздуха через залив; добавление стены ветровой ветры вдоль преобладающего направления ветра смягчило эту проблему.

Прочитайте тематический обзор ANSYS по оптимизации градирни (PDF) .

Проблемы и ограничения CFD для прогнозирования охлаждающей башни

Несмотря на свою мощь, CFD-моделирование градирней сталкивается с рядом проблем, которые должны признать специалисты, чтобы избежать чрезмерной уверенности в результатах моделирования.

Требования к вычислительным ресурсам

Разрешение полной мультифизики большой охлаждающей башни — включая турбулентный поток воздуха, сотни тысяч траекторий капель, теплообмен и испарение — требует значительных вычислительных ресурсов. Одно моделирование с постоянным состоянием с DPM может занять 24-72 часа на 64-ядерном кластере. Переходное моделирование для захвата динамического поведения (например, запуск, порывы ветра) еще дороже. В результате многие исследования полагаются на приближения с устойчивым состоянием и упрощенную геометрию, которая может пропустить зависящие от времени эффекты, такие как коалесценция капель, дрейф и прерывистые модели потока.

Типовые упрощения и допущения

Дискретная фазовая модель предполагает, что капли не взаимодействуют друг с другом (без коалесценции или разрыва после первоначального впрыска). В действительности капли сталкиваются и коалесцируются, особенно в области заполнения, где загрузка воды высока. Более продвинутые модели Эйлера-Эулера (например, многофазная модель Эйлера с отслеживанием интерфейса) могут захватывать эти взаимодействия, но редко используются из-за высокой вычислительной стоимости. Аналогично, пористое представление среды заполнения является грубым приближением; оно не может захватывать локализованные наводнения или сухие пятна, которые происходят, когда соотношение воды к воздуху слишком велико. Эти упрощения могут привести к ошибкам в прогнозировании эффективности, особенно вблизи эксплуатационных пределов башни.

Требования к данным и их проверка

Точные CFD требуют подробных входных данных: распределение размеров капель, свойства материала для заполнения (область переноса тепла, коэффициенты падения давления) и условия окружающей среды. Эти данные часто являются запатентованными или их трудно измерить in situ. Фактические характеристики башни могут отклоняться от проектирования из-за загрязнения, старения или масштабирования. Без регулярной калибровки и проверки на полевые измерения прогнозы CFD могут дрейфовать. Многие утилиты теперь используют комбинацию данных мониторинга CFD и реального времени для создания «цифрового двойника» своих градирней, что позволяет постоянно обновлять модели и более надежные прогнозы.

Будущие тенденции и инновации в CFD Cooling Tower

Будущее моделирования градирни заключается в интеграции CFD с новыми технологиями для повышения точности, скорости и удобства использования.

Интеграция машинного обучения

Суррогатные модели машинного обучения могут быть обучены на результатах CFD для обеспечения почти мгновенных прогнозов производительности охлаждающей вышки в различных условиях. Например, нейронную сеть можно обучить с сотнями CFD-запусков, охватывающих ожидаемый диапазон температур окружающей среды, влажности и загрузки воды. Суррогатная модель затем может быть встроена в системы управления заводом для оптимизации скорости вентилятора и потока воды в режиме реального времени. ANSYS разработала инструменты, такие как AI App Builder, которые облегчают эту интеграцию. Исследователи из Национальной лаборатории возобновляемых источников энергии использовали аналогичные подходы для прогнозирования производительности естественных тяговых башен в концентрирующих солнечных электростанциях.

NREL отчет о машинном обучении для моделирования градирни (PDF).

Моделирование в реальном времени и цифровые близнецы

Цифровой двойник — это виртуальное представление физического актива, который непрерывно обновляется данными датчиков. Для градирней цифровой двойник на основе моделей пониженного порядка, полученных из CFD, может прогнозировать ухудшение, предлагать интервалы обслуживания и предупреждать о надвигающемся сбое. ANSYS Twin Builder позволяет инженерам создавать модели системного уровня, которые включают модели компонентов CFD. Этот подход набирает обороты в электроэнергетике, особенно для стареющих установок, которым необходимо продлить срок эксплуатации при сохранении соответствия правилам теплового разряда.

Высокопроизводительные вычисления и облачное моделирование

Стоимость и время моделирования CFD снижаются с доступностью облачных сервисов HPC. ANSYS Cloud предлагает масштабируемые ресурсы, позволяющие инженерам запускать более точные симуляции с большим количеством ячеек сетки и большим количеством частиц. Это позволяет более детально моделировать капельную микрофизику, включая неидеальные формы капель и многокомпонентную воду (при использовании обработанной воды с добавками). По мере увеличения вычислительной мощности станет возможным запускать полные неустойчивые симуляции с сопряженными многофазными моделями Эйлера-Эулера для рутинной проектной работы.

Заключение

Вычислительная динамика жидкости с использованием ANSYS Fluent произвела революцию в способе, которым инженеры предсказывают и оптимизируют эффективность охлаждающих вышек на электростанциях. Предоставляя подробное, основанное на физике понимание сложных взаимодействий между воздухом и водой, CFD позволяет более точные прогнозы производительности, чем традиционные эмпирические методы. Ключевые факторы, такие как моделирование турбулентности, испарение капель и заполнение представления, требуют тщательного внимания, но при правильной проверке CFD может обеспечить надежные результаты, которые приводят к значительному повышению эффективности установки и экономии затрат.

Заглядывая в будущее, интеграция CFD с машинным обучением, мониторингом в реальном времени и цифровыми двойниками еще больше повысит его полезность, сделав его незаменимым инструментом как для новых конструкций, так и для модернизации существующих установок. По мере ужесточения экологических норм и роста спроса на более высокую эффективность способность точно прогнозировать производительность градирни посредством моделирования будет критическим конкурентным преимуществом для производителей электроэнергии. Инженерам и исследователям рекомендуется продолжать изучение возможностей ANSYS Fluent, сохраняя при этом свои ограничения, гарантируя, что результаты моделирования всегда основаны на физической реальности.

Узнайте больше об ANSYS Fluent для управления температурой .