⚡ electrical engineering

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

Questo articolo propone un nuovo framework di apprendimento per rinforzo profondo che utilizza un algoritmo soft actor-critic per ottimizzare autonomamente un ciclo Rankine rigenerativo con due riscaldatori di acqua di alimento, raggiungendo elevate efficienze termica ed exergetica pur mantenendo prestazioni robuste in diverse condizioni ambientali e operative.

Autori originali: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Pubblicato 2026-09-07

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Le centrali elettriche che bruciano combustibile per generare elettricità affrontano una lotta costante e silenziosa: come estrarre la massima energia da ogni goccia di calore sprecando il meno possibile. Al cuore di questa lotta c'è una macchina fondamentale nota come ciclo di Rankine, un sistema che trasforma l'acqua calda in vapore, fa ruotare una turbina per creare elettricità e poi raffredda il vapore riportandolo ad acqua per ricominciare. Gli ingegneri hanno cercato a lungo di migliorare questo processo aggiungendo dei "riscaldatori di acqua di alimentazione", che agiscono come dei preriscaldatori. Invece di inviare acqua fredda direttamente nella caldaia, questi riscaldatori utilizzano vapore prelevato dalla turbina per riscaldare prima l'acqua. Questo semplice trucco riduce lo shock al sistema e risparmia combustibile. Tuttavia, trovare le impostazioni perfette per questi riscaldatori è incredibilmente difficile. Il sistema coinvolge molte parti in movimento e condizioni variabili, come la temperatura esterna o la qualità del combustibile, rendendo difficile sapere esattamente come regolare la pressione nelle pompe per ottenere i migliori risultati.

Un team di ricercatori dell'Università di Tecnologia di Hamedan ha affrontato questo problema insegnando a un computer come apprendere autonomamente le migliori impostazioni, invece di affidarsi ai tradizionali e lenti calcoli. Si sono concentrati su una versione specifica del ciclo della centrale elettrica che utilizza due di questi riscaldatori di preriscaldamento. Per risolvere l'incastro complesso di come gestire questo sistema, hanno impiegato un tipo di intelligenza artificiale chiamato apprendimento per rinforzo profondo (deep reinforcement learning). Immaginate uno studente che impara ad andare in bicicletta: prova l'equilibrio, cade, si corregge e riprova finché non trova il ritmo perfetto. Questo programma informatico funziona in modo simile. Agisce come un agente che testa costantemente diverse impostazioni di pressione per le pompe, osserva i risultati e riceve un punteggio in base a quanto bene è stata performata dalla centrale. Con il tempo, il computer impara a prendere decisioni che massimizzano la quantità di elettricità prodotta e l'efficienza dell'uso del calore, tutto senza che un essere umano debba dirgli esattamente cosa fare ad ogni passaggio.

I ricercatori hanno costruito un modello digitale dettagliato della centrale elettrica e lo hanno collegato al loro algoritmo di apprendimento. Hanno impostato l'obiettivo del computer di migliorare tre aspetti specifici contemporaneamente: il lavoro totale che la centrale può compiere, l'efficienza termica (quanto bene trasforma il calore in elettricità) e l'efficienza exergetica (quanto bene utilizza l'energia disponibile senza sprecarla). Il computer è stato lasciato eseguire migliaia di simulazioni, testando diverse combinazioni di pressioni delle pompe mentre la temperatura esterna e le condizioni del combustibile variavano casualmente. L'algoritmo ha utilizzato un metodo noto come soft actor-critic, che è particolarmente efficace nel gestire cambiamenti continui e nel trovare il percorso migliore attraverso un complesso panorama di possibilità. Ha imparato ad adattarsi rapidamente, assicurando che, anche se l'ambiente fosse cambiato, la centrale continuasse a funzionare vicino alle sue prestazioni massime.

Dopo che l'addestramento è stato completato, i risultati hanno mostrato che il computer aveva trovato un modo altamente efficace per gestire il sistema. Nei migliori scenari, la centrale ottimizzata ha raggiunto un'efficienza termica del 38,99 percento e un'efficienza exergetica dell'82,35 percento. Ha inoltre prodotto un lavoro specifico di 888,2 kilojoule per chilogrammo d'acqua che scorre attraverso il sistema. Questi numeri rappresentano un miglioramento significativo rispetto alle operazioni standard, dimostrando che il sistema intelligente poteva trovare il punto di equilibrio ideale per le pressioni delle pompe che gli ingegneri umani potrebbero mancare. Il sistema si è dimostrato notevolmente stabile; anche quando i ricercatori hanno cambiato le condizioni, le prestazioni sono fluttuata meno dello 0,58 percento. Questa costanza suggerisce che il metodo potrebbe funzionare in modo affidabile nelle centrali elettriche reali in diverse stagioni e località, non solo in una simulazione al computer.

Lo studio ha anche rivelato come diversi fattori influenzino le prestazioni della centrale. Ad esempio, i ricercatori hanno scoperto che all'aumentare della temperatura dell'aria esterna, le impostazioni di pressione ottimali per le pompe dovevano essere regolate leggermente per mantenere l'efficienza. Allo stesso modo, l'efficienza delle turbine e delle pompe stesse giocava un ruolo fondamentale; quando le turbine erano più efficienti, il sistema poteva produrre molta più energia. Il computer ha imparato a navigare queste relazioni automaticamente, regolando la pressione nella prima, seconda e terza pompa per adattarsi alle condizioni attuali. Utilizzando questo approccio intelligente, i ricercatori hanno dimostrato che le centrali elettriche possono operare con un livello di precisione e adattabilità precedentemente difficile da raggiungere, offrendo una strada promettente verso una produzione di energia più efficiente e sostenibile.

Sintesi Tecnica: Una Nuova Ottimizzazione Multi-Obiettivo del Ciclo di Clausius-Rankine Rigenerativo con Due Preriscaldatori dell'Acqua di Alimentazione

Problematica
Il documento affronta la sfida di ottimizzare le prestazioni operative dei cicli di Clausius-Rankine rigenerativi, specificamente quelli dotati di due preriscaldatori dell'acqua di alimentazione (feedwater heaters). Sebbene le analisi termodinamiche tradizionali (prima e seconda legge) siano ben consolidate, gli autori identificano la necessità di strategie di controllo avanzate e autonome capaci di gestire sistemi complessi e non lineari sotto condizioni ambientali e operative variabili. L'obiettivo primario è massimizzare simultaneamente il lavoro specifico, l'efficienza termica e l'efficienza exergetica. Lo studio si concentra sulla determinazione delle pressioni di uscita ottimali per tre pompe all'interno del ciclo ( $P_2$ , $P_4$ e $P_6$ ) per raggiungere tali obiettivi senza l'intervento manuale e senza sensibilità alle fluttuazioni dei vincoli specifici dell'impianto.

Metodologia
La ricerca propone un nuovo framework intelligente che utilizza l'Apprendimento per Rinforzo Profondo (Deep Reinforcement Learning - DRL), nello specifico l'algoritmo Soft Actor-Critic (SAC). La metodologia integra la modellazione termodinamica con il machine learning nel seguente modo:

Modellazione Termodinamica: Un ciclo di Rankine rigenerativo con due preriscaldatori dell'acqua di alimentazione è modellato utilizzando l'Engineering Equation Solver (EES). Il sistema include tre pompe, un generatore di vapore, tre turbine, un condensatore e due preriscaldatori dell'acqua di alimentazione, utilizzando l'acqua come fluido di lavoro e un gas industriale (idealizzato come aria) come sorgente di calore. L'analisi applica sia la prima che la seconda legge della termodinamica per calcolare il lavoro netto specifico, l'efficienza termica e l'efficienza exergetica.
Formulazione del Framework DRL: Il problema di ottimizzazione è formulato come un Processo Decisionale di Markov (MDP).
- Ambiente: Il ciclo di Rankine simulato tramite EES.
- Spazio degli Stati: Include le metriche di prestazione del ciclo (lavoro netto, efficienze termica/exergetica), i rapporti di flusso, le efficienze dei componenti e le variabili ambientali (temperature ambiente e di ingresso).
- Spazio delle Azioni: Le pressioni di uscita delle tre pompe ( $P_2$ , $P_4$ , $P_6$ ).
- Funzione di Ricompensa: Una funzione penalizzata progettata per massimizzare le tre funzioni obiettivo imponendo al contempo i vincoli fisici (ad esempio, garantire che le efficienze rimangano inferiori al 100% e mantenere i corretti gradienti di pressione).
Implementazione dell'Algoritmo: L'algoritmo SAC, un metodo actor-critic off-policy model-free basato sul maximum entropy reinforcement learning, è implementato in Python. Esso interagisce bidirezionalmente con il modello EES. L'agente apprende una politica stocastica per massimizzare il rendimento atteso aumentato dall'entropia, permettendo una robusta esplorazione e adattamento a condizioni variabili.
Addestramento e Validazione: Il modello viene addestrato su 1.500 passi temporali. La convergenza è verificata monitorando la traiettoria della ricompensa cumulativa. Il modello termodinamico è validato rispetto a dati precedentemente pubblicati per un ciclo di Rankine convenzionale (senza preriscaldatori dell'acqua di alimentazione) per garantirne l'accuratezza di calcolo.

Risultati Chiave
Lo studio presenta i risultati delle simulazioni che dimostrano l'efficacia del controllore basato su SAC nell'ottimizzare il ciclo:

Prestazioni di Ottimizzazione: L'algoritmo SAC ha identificato con successo i punti operativi ottimali attraverso varie condizioni stocastiche e deterministiche. Il sistema ha raggiunto valori ottimizzati di 38,99% per l'efficienza termica, 82,35% per l'efficienza exergetica e 888,2 kJ/kg per il lavoro specifico in condizioni stocastiche.
Robustezza: Il framework ha dimostrato un'alta robustezza, con margini di fluttuazione dei parametri target che rimangono inferiori allo 0,58% nonostante le variazioni della temperatura ambientale, della temperatura di ingresso e delle efficienze dei componenti.
Sensibilità Parametrica:
- Pressioni delle Pompe: L'aumento della pressione di uscita della prima pompa ( $P_6$ ) ha generalmente aumentato sia il lavoro specifico che l'efficienza termica, mentre l'aumento di $P_2$ e $P_4$ ha tendenzialmente diminuito il lavoro specifico.
- Efficienze dei Componenti: L'efficienza della turbina ha mostrato una forte correlazione positiva con tutte e tre le funzioni obiettivo (ad esempio, un aumento del 30% dell'efficienza della turbina ha prodotto un incremento di circa il 10% nell'efficienza termica e del ~20% nell'efficienza exergetica). Al contrario, gli aumenti dell'efficienza delle pompe hanno portato a una leggera diminuzione dell'efficienza termica ma a un aumento dell'efficienza exergetica.
- Fattori Ambientali: L'aumento della temperatura ambiente ha leggermente diminuito l'efficienza termica ma ha aumentato l'efficienza exergetica.
Velocità: Il modello addestrato può raccomandare i punti operativi ottimali in meno di un secondo, eliminando i processi iterativi tipici degli algoritmi di ottimizzazione tradizionali.

Significatività e Rivendicazioni
Il documento sostiene che il framework proposto basato su SAC offre un approccio superiore per il processo decisionale in tempo reale nelle centrali termoelettriche rispetto ai metodi di controllo tradizionali (come il PID) o alle standard tecniche di ottimizzazione. La significatività primaria risiede nella capacità del sistema di:

Adattarsi Autonomamente: Operare costantemente in diverse località geografiche, configurazioni di apparecchiature e condizioni stagionali senza intervento manuale.
Gestire la Complessità: Gestire le non linearità e le incertezze intrinseche nei sistemi termodinamici attraverso un approccio di apprendimento model-free.
Ottimizzazione Simultanea: Bilanciare efficacemente molteplici obiettivi, spesso in competizione (lavoro prodotto, efficienza termica ed efficienza exergetica), per trovare gli ottimi globali.

Gli autori concludono che questo lavoro stabilisce una base per l'integrazione dell'ottimizzazione guidata dall'IA nei sistemi energetici sostenibili, evidenziando il potenziale delle strategie di controllo intelligente per migliorare i processi di conversione dell'energia e la resilienza operativa. Lo studio non propone futuri impieghi sperimentali, ma posiziona i risultati delle attuali simulazioni come una prova di concetto della fattibilità del DRL in questo dominio.

Articoli simili