⚡ electrical engineering

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

Cet article propose un nouveau cadre d'apprentissage par renforcement profond utilisant un algorithme soft actor-critic pour optimiser de manière autonome un cycle de Rankine régénératif avec deux réchauffeurs d'eau d'alimentation, atteignant des efficacités thermique et exergétique élevées tout en maintenant une performance robuste à travers diverses conditions environnementales et opérationnelles.

Auteurs originaux : Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Publié 2026-09-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les centrales électriques qui brûlent du combustible pour générer de l'électricité font face à une lutte constante et silencieuse : comment extraire le maximum d'énergie de chaque goutte de chaleur tout en gaspillant le moins possible. Au cœur de cette lutte se trouve une machine fondamentale connue sous le nom de cycle de Rankine, un système qui transforme l'eau chaude en vapeur, fait tourner une turbine pour créer de l'électricité, puis refroidit la vapeur pour la transformer à nouveau en eau afin de recommencer. Les ingénieurs tentent depuis longtemps d'améliorer ce processus en ajoutant des « réchauffeurs d'eau d'alimentation », qui agissent comme des préchauffeurs. Au lieu d'envoyer de l'eau froide directement dans la chaudière, ces réchauffeurs utilisent de la vapeur prélevée sur la turbine pour réchauffer l'eau au préalable. Cette astuce simple réduit le choc pour le système et économise du combustible. Cependant, trouver les réglages parfaits pour ces réchauffeurs est incroyablement difficile. Le système implique de nombreuses pièces mobiles et des conditions changeantes, telles que la température extérieure ou la qualité du combustible, ce qui rend difficile de savoir exactement comment ajuster la pression dans les pompes pour obtenir les meilleurs résultats.

Une équipe de chercheurs de l'Université de technologie de Hamedan a abordé ce problème en apprenant à un ordinateur à trouver les meilleurs réglages par lui-même, plutôt que de s'appuyer sur des calculs traditionnels lents. Ils se sont concentrés sur une version spécifique du cycle de la centrale électrique qui utilise deux de ces réchauffeurs de préchauffage. Pour résoudre ce puzzle complexe sur le fonctionnement de ce système, ils ont employé un type d'intelligence artificielle appelé apprentissage par renforcement profond. Imaginez un étudiant apprenant à faire du vélo ; il essaie de garder l'équilibre, tombe, s'ajuste et réessaie jusqu'à trouver le rythme parfait. Ce programme informatique fonctionne de manière similaire. Il agit comme un agent qui teste constamment différents réglages de pression pour les pompes, observe les résultats et reçoit un score basé sur la performance de la centrale. Au fil du temps, l'ordinateur apprend à prendre des décisions qui maximisent la quantité d'électricité produite et l'efficacité de l'utilisation de la chaleur, le tout sans avoir besoin qu'un humain lui dise exactement quoi faire à chaque étape.

Les chercheurs ont construit un modèle numérique détaillé de la centrale électrique et l'ont connecté à leur algorithme d'apprentissage. Ils ont fixé l'objectif de l'ordinateur pour améliorer trois choses spécifiques à la fois : le travail total que la centrale peut effectuer, l'efficacité thermique (la façon dont elle transforme la chaleur en électricité) et l'efficacité exergétique (la façon dont elle utilise l'énergie disponible sans la gaspiller). L'ordinateur a eu la possibilité d'exécuter des milliers de simulations, testant différentes combinaisons de pressions de pompe pendant que la température extérieure et les conditions du combustible variaient de manière aléatoire. L'algorithme a utilisé une méthode connue sous le nom de « soft actor-critic », qui est particulièrement efficace pour gérer les changements continus et trouver le meilleur chemin à travers un paysage complexe de possibilités. Il a appris à s'adapter rapidement, garantissant que même si l'environnement changeait, la centrale fonctionnerait toujours près de ses performances maximales.

Après la fin de l'entraînement, les résultats ont montré que l'ordinateur avait trouvé une manière hautement efficace de faire fonctionner le système. Dans les meilleurs scénarios, la centrale optimisée a atteint une efficacité thermique de 38,99 % et une efficacité exergétique de 82,35 %. Elle a également produit un travail spécifique de 888,2 kilojoules par kilogramme d'eau circulant dans le système. Ces chiffres représentent une amélioration significative par rapport aux opérations standards, démontrant que le système intelligent pouvait trouver le point d'équilibre pour les pressions des pompes que les ingénieurs humains pourraient manquer. Le système s'est avéré remarquablement stable ; même lorsque les chercheurs ont modifié les conditions, la performance n'a fluctué que de moins de 0,58 %. Cette cohérence suggère que la méthode pourrait fonctionner de manière fiable dans des centrales électriques réelles, à travers différentes saisons et localisations, et pas seulement dans une simulation informatique.

L'étude a également révélé comment différents facteurs influencent la performance de la centrale. Par exemple, les chercheurs ont découvert qu'à mesure que la température de l'air extérieur augmentait, les réglages de pression optimaux pour les pompes devaient être légèrement ajustés pour maintenir l'efficacité. De même, l'efficacité des turbines et des pompes elles-mêmes jouait un rôle majeur ; lorsque les turbines étaient plus efficaces, le système pouvait produire nettement plus de puissance. L'ordinateur a appris à naviguer dans ces relations automatiquement, en ajustant la pression dans la première, la deuxième et la troisième pompe pour correspondre aux conditions actuelles. En utilisant cette approche intelligente, les chercheurs ont montré que les centrales électriques pouvaient fonctionner avec un niveau de précision et d'adaptabilité auparavant difficile à atteindre, offrant une voie prometteuse vers une production d'énergie plus efficace et durable.

Résumé Technique : Une nouvelle optimisation multi-objectif du cycle de Clausius-Rankine régénératif avec deux réchauffeurs d'eau alimentaire

Énoncé du problème
L'article traite du défi de l'optimisation des performances opérationnelles des cycles de Clausius-Rankine régénératifs, spécifiquement ceux équipés de deux réchauffeurs d'eau alimentaire. Bien que les analyses thermodynamiques traditionnelles (première et deuxième lois) soient bien établies, les auteurs identifient un besoin pour des stratégies de contrôle autonomes avancées capables de gérer des systèmes complexes et non linéaires sous des conditions environnementales et opérationnelles variables. L'objectif principal est de maximiser simultanément le travail spécifique produit, l'efficacité thermique et l'efficacité exergétique. L'étude se concentre sur la détermination des pressions de sortie optimales pour trois pompes au sein du cycle ( $P_2$ , $P_4$ et $P_6$ ) afin d'atteindre ces objectifs sans intervention manuelle ou sensibilité aux fluctuations des contraintes propres à la centrale.

Méthodologie
La recherche propose un nouveau cadre intelligent utilisant l'apprentissage par renforcement profond (Deep Reinforcement Learning - DRL), plus précisément l'algorithme Soft Actor-Critic (SAC). La méthodologie intègre la modélisation thermodynamique et l'apprentissage automatique de la manière suivante :

Modélisation thermodynamique : Un cycle de Rankine régénératif avec deux réchauffeurs d'eau alimentaire est modélisé à l'aide de l'Engineering Equation Solver (EES). Le système comprend trois pompes, un générateur de vapeur, trois turbines, un condenseur et deux réchauffeurs d'eau alimentaire, utilisant l'eau comme fluide de travail et un gaz industriel (idéalisé comme l'air) comme source de chaleur. L'analyse applique à la fois la première et la deuxième loi de la thermodynamique pour calculer le travail net spécifique, l'efficacité thermique et l'efficacité exergétique.
Formulation du cadre DRL : Le problème d'optimisation est formulé comme un processus de décision de Markov (MDP).
- Environnement : Le cycle de Rankine simulé par EES.
- Espace d'état : Comprend les mesures de performance du cycle (travail net, efficacités thermique/exergétique), les rapports de débit, les efficacités des composants et les variables environnementales (températures ambiante et d'entrée).
- Espace d'action : Les pressions de sortie des trois pompes ( $P_2$ , $P_4$ , $P_6$ ).
- Fonction de récompense : Une fonction pénalisée conçue pour maximiser les trois fonctions objectives tout en respectant les contraintes physiques (par exemple, s'assurer que les efficacités restent inférieures à 100 % et maintenir les gradients de pression corrects).
Implémentation de l'algorithme : L'algorithme SAC, une méthode acteur-critique hors politique (off-policy) et sans modèle basée sur l'apprentissage par renforcement à entropie maximale, est implémenté en Python. Il interagit de manière bidirectionnelle avec le modèle EES. L'agent apprend une politique stochastique pour maximiser le rendement attendu augmenté de l'entropie, permettant une exploration robuste et une adaptation à diverses conditions.
Entraînement et validation : Le modèle est entraîné sur 1 500 étapes de temps. La convergence est vérifiée en surveillant la trajectire du cumul des récompenses. Le modèle thermodynamique est validé par rapport à des données précédemment publiées pour un cycle de Rankine conventionnel (sans réchauffeurs d'eau alimentaire) pour garantir l'exactitude des calculs.

Résultats clés
L'étude présente des résultats de simulation démontrant l'efficacité du contrôleur basé sur SAC pour optimiser le cycle :

Performance d'optimisation : L'algorithme SAC a identifié avec succès les points de fonctionnement optimaux à travers diverses conditions stochastiques et déterministes. Le système a atteint des valeurs optimisées de 38,99 % pour l'efficacité thermique, 82,35 % pour l'efficacité exergétique et 888,2 kJ/kg pour le travail spécifique dans des conditions stochastiques.
Robustesse : Le cadre a démontré une grande robustesse, les marges de fluctuation des paramètres cibles restant inférieures à 0,58 % malgré les variations de la température environnementale, de la température d'entrée et des efficacités des composants.
Sensibilité paramétrique :
- Pressions des pompes : L'augmentation de la pression de sortie de la première pompe ( $P_6$ ) a généralement augmenté le travail spécifique et l'efficacité thermique, tandis que l'augmentation de $P_2$ et $P_4$ tendait à diminuer le travail spécifique.
- Efficacités des composants : L'efficacité de la turbine montre une forte corrélation positive avec les trois fonctions objectives (par exemple, une augmentation de 30 % de l'efficacité de la turbine a entraîné une augmentation d'environ 10 % de l'efficacité thermique et d'environ 20 % de l'efficacité exergétique). Inversement, les augmentations de l'efficacité des pompes ont entraîné une légère diminution de l'efficacité thermique mais une augmentation de l'efficacité exergétique.
- Facteurs environnementaux : L'augmentation de la température ambiante a légèrement diminué l'efficacité thermique mais a augmenté l'efficacité exergétique.
Vitesse : Le modèle entraîné peut recommander des points de fonctionnement optimaux en moins d'une seconde, éliminant les processus itératifs typiques des algorithmes d'optimisation traditionnels.

Signification et revendications
L'article affirme que le cadre proposé basé sur SAC offre une approche supérieure pour la prise de décision en temps réel dans les centrales thermiques par rapport aux méthodes de contrôle traditionnelles (telles que le PID) ou aux techniques d'optimisation standard. La principale signification réside dans la capacité du système à :

S'adapter de manière autonome : Fonctionner de manière cohérente à travers diverses localisations géographiques, configurations d'équipement et conditions saisonnières sans intervention manuelle.
Gérer la complexité : Gérer les non-linéarités et les incertitudes inhérentes aux systèmes thermodynamiques grâce à une approche d'apprentissage sans modèle.
Optimisation simultanée : Équilibrer efficacement plusieurs objectifs, souvent concurrents (production de travail, efficacité thermique et efficacité exergétique), pour trouver des optima globaux.

Les auteurs concluent que ce travail établit une base pour l'intégration de l'optimisation pilotée par l'IA dans les systèmes énergétiques durables, soulignant le potentiel des stratégies de contrôle intelligent pour améliorer les processus de conversion d'énergie et la résilience opérationnelle. L'étude ne propose pas de futurs déploiements expérimentaux mais positionne les résultats de simulation actuels comme une preuve de concept de la viabilité du DRL dans ce domaine.

Articles similaires