⚡ electrical engineering

A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters

Este artículo propone un novedoso marco de aprendizaje por refuerzo profundo utilizando un algoritmo de actor-crítico suave para optimizar autónomamente un ciclo Rankine regenerativo con dos calentadores de agua de alimentación, logrando altas eficiencias térmica y exergética al tiempo que mantiene un desempeño robusto a través de diversas condiciones ambientales y operativas.

Autores originales: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Publicado 2026-09-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las centrales eléctricas que queman combustible para generar electricidad se enfrentan a una lucha constante y silenciosa: cómo extraer la mayor cantidad de energía de cada gota de calor desperdiciando lo menos posible. En el corazón de esta lucha se encuentra una máquina fundamental conocida como el ciclo de Rankine, un sistema que convierte el agua caliente en vapor, hace girar una turbina para crear electricidad y luego enfría el vapor para convertirlo nuevamente en agua para comenzar de nuevo. Los ingenieros han intentado durante mucho tiempo mejorar este proceso añadiendo "calentadores de agua de alimentación", que actúan como precalentadores. En lugar de enviar agua fría directamente a la caldera, estos calentadores utilizan vapor extraído de la turbina para calentar el agua primero. Este sencillo truco reduce el choque al sistema y ahorra combustible. Sin embargo, encontrar los ajustes perfectos para estos calentadores es increíblemente difícil. El sistema involucra muchas partes móviles y condiciones cambiantes, como la temperatura exterior o la calidad del combustible, lo que dificulta saber exactamente cómo ajustar la presión en las bombas para obtener los mejores resultados.

Un equipo de investigadores de la Universidad Tecnológica de Hamedan ha abordado este problema enseñando a una computadora a aprender los mejores ajustes por sí misma, en lugar de depender de cálculos tradicionales y lentos. Se centraron en una versión específica del ciclo de la planta de energía que utiliza dos de estos calentadores de precalentamiento. Para resolver el complejo rompecabezas de cómo operar este sistema, emplearon un tipo de inteligencia artificial llamada aprendizaje por refuerzo profundo. Imagine a un estudiante aprendiendo a montar en bicicleta; intenta equilibrarse, se cae, se ajusta y lo intenta de nuevo hasta encontrar el ritmo perfecto. Este programa informático funciona de manera similar. Actúa como un agente que prueba constantemente diferentes ajustes de presión para las bombas, observa los resultados y recibe una puntuación basada en qué tan bien funcionó la planta. Con el tiempo, la computadora aprende a tomar decisiones que maximizan la cantidad de electricidad producida y la eficiencia del uso del calor, todo ello sin necesidad de que un humano le diga exactamente qué hacer en cada paso.

Los investigadores construyeron un modelo digital detallado de la planta de energía y lo conectaron a su algoritmo de aprendizaje. Establecieron el objetivo de la computadora para mejorar tres cosas específicas a la vez: el trabajo total que la planta podría realizar, la eficiencia térmica (qué tan bien convierte el calor en electricidad) y la eficiencia de exergía (qué tan bien utiliza la energía disponible sin desperdiciarla). Se permitió a la computadora ejecutar miles de simulaciones, probando diferentes combinaciones de presiones de bomba mientras la temperatura exterior y las condiciones del combustible variaban aleatoriamente. El algoritmo utilizó un método conocido como actor-crítico suave (soft actor-critic), que es particularmente bueno manejando cambios continuos y encontrando el mejor camino a través de un complejo paisaje de posibilidades. Aprendió a adaptarse rápidamente, asegurando que, incluso si el entorno cambiaba, la planta seguiría funcionando cerca de su máximo rendimiento.

Tras completar el entrenamiento, los resultados mostraron que la computadora había encontrado una forma altamente efectiva de operar el sistema. En los mejores escenarios, la planta optimizada alcanzó una eficiencia térmica del 38.99 por ciento y una eficiencia de exergía del 82.35 por ciento. También produjo un trabajo específico de 888.2 kilojulios por kilogramo de agua que fluye a través del sistema. Estas cifras representan una mejora significativa sobre las operaciones estándar, demostrando que el sistema inteligente podía encontrar el punto ideal para las presiones de las bombas que los ingenieros humanos podrían pasar por alto. El sistema demostró ser notablemente estable; incluso cuando los investigadores cambiaron las condiciones, el rendimiento fluctuó menos del 0.58 por ciento. Esta consistencia sugiere que el método podría funcionar de manera confiable en plantas de energía del mundo real a través de diferentes estaciones y ubicaciones, no solo en una simulación informática.

El estudio también reveló cómo diferentes factores influyen en el rendimiento de la planta. Por ejemplo, los investigadores descubrieron que a medida que aumentaba la temperatura del aire exterior, los ajustes de presión óptimos para las bombas debían ajustarse ligeramente para mantener la eficiencia. Del mismo modo, la eficiencia de las turbinas y las bombas en sí mismas desempeñó un papel importante; cuando las turbinas eran más eficientes, el sistema podía producir significativamente más energía. La computadora aprendió a navegar estas relaciones automáticamente, ajustando la presión en la primera, segunda y tercera bomba para coincidir con las condiciones actuales. Al utilizar este enfoque inteligente, los investigadores demostraron que las plantas de energía podrían operar con un nivel de precisión y adaptabilidad que anteriormente era difícil de lograr, ofreciendo un camino prometedor hacia una producción de energía más eficiente y sostenible.

Resumen Técnico: Una Nueva Optimización Multiobjetivo de un Ciclo de Rankine-Clausius Regenerativo con Dos Calentadores de Agua de Alimentación

Planteamiento del Problema
El artículo aborda el desafío de optimizar el rendimiento operativo de los ciclos de Rankine-Clausius regenerativos, específicamente aquellos equipados con dos calentadores de agua de alimentación. Si bien los análisis termodinámicos tradicionales (primera y segunda ley) están bien establecidos, los autores identifican la necesidad de estrategias de control avanzadas y autónomas capaces de gestionar sistemas complejos y no lineales bajo condiciones ambientales y operativas variables. El objetivo principal es maximizar simultáneamente el trabajo específico producido, la eficiencia térmica y la eficiencia exergética. El estudio se centra en determinar las presiones de salida óptimas para tres bombas dentro del ciclo ( $P_2$ , $P_4$ y $P_6$ ) para alcanzar estos objetivos sin intervención manual o sensibilidad a las fluctuaciones de las restricciones específicas de la planta.

Metodología
La investigación propone un nuevo marco inteligente que utiliza Aprendizaje por Refuerzo Profundo (DRL, por sus siglas en inglés), específicamente el algoritmo Soft Actor-Critic (SAC). La metodología integra el modelado termodinámico con el aprendizaje automático de la siguiente manera:

Modelado Termodinámico: Se modela un ciclo de Rankine regenerativo con dos calentadores de agua de alimentación utilizando el Engineering Equation Solver (EES). El sistema incluye tres bombas, un generador de vapor, tres turbinas, un condensador y dos calentadores de agua de alimentación, utilizando agua como fluido de trabajo y gas industrial (idealizado como aire) como fuente de calor. El análisis aplica tanto la primera como la segunda ley de la termodinámica para calcular el trabajo neto específico, la eficiencia térmica y la eficiencia exergética.
Formulación del Marco de DRL: El problema de optimización se formula como un Proceso de Decisión de Markov (MDP).
- Entorno: El ciclo de Rankine simulado en EES.
- Espacio de Estados: Incluye métricas de rendimiento del ciclo (trabajo neto, eficiencias térmica/exergética), relaciones de flujo, eficiencias de los componentes y variables ambientales (temperaturas ambiente y de entrada).
- Espacio de Acciones: Las presiones de salida de las tres bombas ( $P_2$ , $P_4$ , $P_6$ ).
- Función de Recompensa: Una función penalizada diseñada para maximizar los tres objetivos de función mientras se enforces las restricciones físicas (por ejemplo, asegurar que las eficiencias se mantengan por debajo del 100% y mantener los gradientes de presión correctos).
Implementación del Algoritmo: El algoritmo SAC, un método actor-crítico libre de modelo (model-free) y fuera de política (off-policy) basado en el aprendizaje de máxima entropía, se implementa en Python. Este interactúa bidireccionalmente con el modelo EES. El agente aprende una política estocástica para maximizar el retorno esperado aumentado por la entropía, lo que permite una exploración robusta y la adaptación a diversas condiciones.
Entrenamiento y Validación: El modelo se entrena durante 1,500 pasos de tiempo. La convergencia se verifica monitoreando la trayectoria de la recompensa acumulada. El modelo termodinámico se valida contra datos publicados previamente para un ciclo de Rankine convencional (sin calentadores de agua de alimentación) para asegurar la precisión de los cálculos.

Resultos Clave
El estudio presenta resultados de simulación que demuestran la eficacia del controlador basado en SAC para optimizar el ciclo:

Desempeño de la Optimización: El algoritmo SAC identificó con éxito puntos operativos óptimos bajo diversas condiciones estocásticas y deterministas. El sistema alcanzó valores optimizados de 38.99% para la eficiencia térmica, 82.35% para la eficiencia exergética y 888.2 kJ/kg para el trabajo específico bajo condiciones estocásticas.
Robustez: El marco demostró una alta robustez, con márgenes de fluctuación en los parámetros objetivo inferiores al 0.58% a pesar de las variaciones en la temperatura ambiental, la temperatura de entrada y las eficiencias de los componentes.
Sensibilidad Paramétrica:
- Presiones de las Bombas: El aumento de la presión de salida de la primera bomba ( $P_6$ ) generalmente incrementó tanto el trabajo específico como la eficiencia térmica, mientras que el aumento de $P_2$ y $P_4$ tendió a disminuir el trabajo específico.
- Eficiencias de los Componentes: La eficiencia de la turbina mostró una fuerte correlación positiva con los tres objetivos de función (por ejemplo, un aumento del 30% en la eficiencia de la turbina produjo un incremento de aproximadamente el 10% en la eficiencia térmica y de un ~20% en la eficiencia exergética). Por el contrario, los aumentos en la eficiencia de las bombas provocaron una ligera disminución en la eficiencia térmica pero un aumento en la eficiencia exergética.
- Factores Ambientales: El aumento de la temperatura ambiente disminuyó ligeramente la eficiencia térmica pero aumentó la eficiencia exergética.
Velocidad: El modelo entrenado puede recomendar puntos operativos óptimos en menos de un segundo, eliminando los procesos iterativos típicos de los algoritmos de optimización tradicionales.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto basado en SAC ofrece un enfoque superior para la toma de decisiones en tiempo real en plantas de energía térmica en comparación con los métodos de control tradicionales (como el PID) o las técnicas de optimización estándar. La principal significancia radica en la capacidad del sistema para:

Adaptarse Autónomamente: Operar de manera consistente en diversas ubicaciones geográficas, configuraciones de equipos y condiciones estacionales sin intervención manual.
Gestionar la Complejidad: Manejar las no linealidades e incertidumbres inherentes a los sistemas termodinámicos mediante un enfoque de aprendizaje libre de modelo.
Optimización Simultánea: Equilibrar eficazmente múltiples objetivos, a menudo contrapuestos (producción de trabajo, eficiencia térmica y eficiencia exergética), para encontrar óptimos globales.

Los autores concluyen que este trabajo establece una base para la integración de la optimización impulsada por IA en los sistemas de energía sostenible, destacando el potencial de las estrategias de control inteligente para mejorar los procesos de conversión de energía y la resiliencia operativa. El estudio no propone despliegues experimentales futuros, sino que posiciona los resultados actuales de la simulación como una prueba de concepto de la viabilidad del DRL en este dominio.

Más como este