⚡ electrical engineering

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

Este artigo propõe um novo framework de aprendizado por reforço profundo utilizando um algoritmo soft actor-critic para otimizar autonomamente um ciclo Rankine regenerativo com dois aquecedores de água de alimentação, alcançando altas eficiências térmica e exergética enquanto mantém um desempenho robusto através de diversas condições ambientais e operacionais.

Autores originais: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Publicado 2026-09-07

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Amir Basiriparsa, MohammadJavad Faraji, Alireza Kokabi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As usinas termelétricas que queimam combustível para gerar eletricidade enfrentam uma luta constante e silenciosa: como extrair o máximo de energia de cada gota de calor, desperdiçando o mínimo possível. No coração dessa luta está uma máquina fundamental conhecida como ciclo de Rankine, um sistema que transforma água quente em vapor, gira uma turbina para criar eletricidade e, em seguida, resfria o vapor de volta para água para recomeçar. Engenheiros há muito tentam melhorar esse processo adicionam "aquecedores de água de alimentação", que atuam como pré-aquecedores. Em vez de enviar água fria diretamente para a caldeira, esses aquecedores usam vapor retirado da turbina para aquecer a água primeiro. Esse truque simples reduz o choque ao sistema e economiza combustível. No entanto, encontrar as configurações perfeitas para esses aquecedores é incrivelmente difícil. O sistema envolve muitas partes móveis e condições variáveis, como a temperatura externa ou a qualidade do combustível, tornando difícil saber exatamente como ajustar a pressão nas bombas para obter os melhores resultados.

Uma equipe de pesquisadores da Universidade de Tecnologia de Hamedan abordou esse problema ensinando um computador a aprender as melhores configurações por conta própria, em vez de depender de cálculos tradicionais e lentos. Eles focaram em uma versão específica do ciclo da usina que utiliza dois desses aquecedores de pré-aquecimento. Para resolver o complexo quebra-cabeça de como operar este sistema, eles empregaram um tipo de inteligência artificial chamado aprendizado por reforço profundo. Imagine um estudante aprendendo a andar de bicicleta; ele tenta o equilíbrio, cai, ajusta e tenta novamente até encontrar o ritmo perfeito. Este programa de computador trabalha de forma semelhante. Ele atua como um agente que testa constantemente diferentes configurações de pressão para as bombas, observa os resultados e recebe uma pontuação baseada no desempenho da usina. Com o tempo, o computador aprende a tomar decisões que maximizam a quantidade de eletricidade produzida e a eficiência do uso do calor, tudo isso sem precisar que um humano lhe diga exatamente o que fazer em cada etapa.

Os pesquisadores construíram um modelo digital detalhado da usina e o conectaram ao seu algoritmo de aprendizado. Eles definiram o objetivo do computador para melhorar três coisas específicas ao mesmo tempo: o trabalho total que a usina pode realizar, a eficiência térmica (o quão bem ela transforma calor em eletricidade) e a eficiência de exergia (o quão bem ela utiliza a energia disponível sem desperdiçá-la). O computador teve permissão para executar milhares de simulações, testando diferentes combinações de pressões de bomba enquanto a temperatura externa e as condições do combustível variavam aleatoriamente. O algoritmo utilizou um método conhecido como soft actor-critic, que é particularmente bom em lidar com mudanças contínuas e encontrar o melhor caminho através de um complexo cenário de possibilidades. Ele aprendeu a se adaptar rapidamente, garantindo que, mesmo que o ambiente mudasse, a usina ainda operaria próximo de seu desempenho máximo.

Após a conclusão do treinamento, os resultados mostraram que o computador encontrou uma maneira altamente eficaz de operar o sistema. Nos melhores cenários, a usina otimizada alcançou uma eficiência térmica de 38,99 por cento e uma eficiência de exergia de 82,35 por cento. Também produziu um trabalho específico de 888,2 quilojoules por quilograma de água fluindo pelo sistema. Esses números representam uma melhoria significativa em relação às operações padrão, demonstrando que o sistema inteligente pôde encontrar o ponto ideal para as pressões das bombas que engenheiros humanos poderiam perder. O sistema provou ser notavelmente estável; mesmo quando os pesquisadores alteraram as condições, o desempenho flutuou menos de 0,58 por cento. Essa consistência sugere que o método poderia funcionar de forma confiável em usinas reais em diferentes estações e locais, não apenas em uma simulação de computador.

O estudo também revelou como diferentes fatores influenciam o desempenho da usina. Por exemplo, os pesquisadores descobriram que, à medida que a temperatura do ar externo aumentava, as configurações de pressão ideais para as bombas precisavam ser ajustadas ligeamente para manter a eficiência. Da mesma forma, a eficiência das próprias turbinas e bombas desempenhou um papel importante; quando as turbinas eram mais eficientes, o sistema podia produzir significativamente mais energia. O computador aprendeu a navegar nessas relações automaticamente, ajustando a pressão na primeira, segunda e terceira bombas para corresponder às condições atuais. Ao utilizar essa abordagem inteligente, os pesquisadores mostraram que as usinas podem operar com um nível de precisão e adaptabilidade que era anteriormente difícil de alcançar, oferecendo um caminho promissor para a produção de energia mais eficiente e sustentável.

Resumo Técnico: Uma Nova Otimização Multiobjetivo do Ciclo de Clausius-Rankine Regenerativo com Dois Aquecedores de Água de Alimentação

Definição do Problema
O artigo aborda o desafio de otimizar o desempenho operacional de ciclos de Clausius-Rankine regenerativos, especificamente aqueles equipados com dois aquecedores de água de alimentação. Embora as análises termodinâmicas tradicionais (primeira e segunda leis) estejam bem estabelecidas, os autores identificam a necessidade de estratégias de controle avançadas e autônomas capazes de lidar com sistemas complexos e não lineares sob condições ambientais e operacionais variáveis. O objetivo primário é maximizar simultaneamente o trabalho específico, a eficiência térmica e a eficiência exergética. O estudo foca na determinação das pressões de saída otimizadas para três bombas no ciclo ( $P_2$ , $P_4$ e $P_6$ ) para atingir esses objetivos sem intervenção manual ou sensibilidade a flutuações em restrições específicas da planta.

Metodologia
A pesquisa propõe um novo framework inteligente utilizando Aprendizado por Reforço Profundo (DRL - Deep Reinforcement Learning), especificamente o algoritmo Soft Actor-Critic (SAC). A metodologia integra a modelagem termodinâmica com o aprendizado de máquina da seguinte forma:

Modelagem Termodinâmica: Um ciclo Rankine regenerativo com dois aquecedores de água de alimentação é modelado usando o Engineering Equation Solver (EES). O sistema inclui três bombas, um gerador de vapor, três turbinas, um condensador e dois aquecedores de água de alimentação, utilizando água como fluido de trabalho e gás industrial (idealizado como ar) como fonte de calor. A análise aplica tanto a primeira quanto a segunda lei da termodinâmica para calcular o trabalho líquido específico, a eficiência térmica e a eficiência exergética.
Formulação do Framework de DRL: O problema de otimização é formulado como um Processo de Decisão de Markov (MDP).
- Ambiente: O ciclo Rankine simulado no EES.
- Espaço de Estados: Inclui métricas de desempenho do ciclo (trabalho líquido, eficiências térmica/exergética), razões de fluxo, eficiências de componentes e variáveis ambientais (temperaturas ambiente e de entrada).
- Espaço de Ações: As pressões de saída das três bombas ( $P_2$ , $P_4$ , $P_6$ ).
- Função de Recompensa: Uma função penalizada projetada para maximizar as três funções objetivo enquanto impõe restrições físicas (por exemplo, garantir que as eficiências permaneçam abaixo de 100% e manter os gradientes de pressão corretos).
Implementação do Algoritmo: O algoritmo SAC, um método actor-critic off-policy e model-free baseado em aprendizado por reforço de entropia máxima, é implementado em Python. Ele interage bidirecionalmente com o modelo EES. O agente aprende uma política estocástica para maximizar o retorno esperado aumentado pela entropia, permitindo uma exploração robusta e adaptação a diversas condições.
Treinamento e Validação: O modelo é treinado ao longo de 1.500 passos de tempo. A convergência é verificada monitorando a trajetória da recompensa cumulativa. O modelo termodinâmico é validado contra dados publicados anteriormente para um ciclo Rankine convencional (sem aquecedores de água de alimentação) para garantir a precisão dos cálculos.

Principais Resultados
O estudo apresenta resultados de simulação demonstrando a eficácia do controlador baseado em SAC na otimização do ciclo:

Desempenho de Otimização: O algoritmo SAC identificou com sucesso pontos operacionais otimizados através de várias condições estocásticas e determinísticas. O sistema alcançou valores otimizados de 38,99% para eficiência térmica, 82,35% para eficiência exergética e 888,2 kJ/kg para trabalho específico sob condições estocásticas.
Robustez: O framework demonstrou alta robustez, com margens de flutuação nos parâmetros alvo permanecendo abaixo de 0,58%, apesar das variações na temperatura ambiental, temperatura de entrada e eficiências dos componentes.
Sensibilidade Paramétrica:
- Pressões das Bombas: O aumento da pressão de saída da primeira bomba ( $P_6$ ) geralmente aumentou tanto o trabalho específico quanto a eficiência térmica, enquanto o aumento de $P_2$ e $P_4$ tendeu a diminuir o trabalho específico.
- Eficiências dos Componentes: A eficiência da turbina mostrou uma forte correlação positiva com as três funções objetivo (por exemplo, um aumento de 30% na eficiência da turbina resultou em um aumento de ~10% na eficiência térmica e ~20% na eficiência exergética). Inversamente, aumentos na eficiência das bombas levaram a uma leve diminuição na eficiência térmica, mas a um aumento na eficiência exergética.
- Fatores Ambientais: O aumento da temperatura ambiente diminuiu ligeiramente a eficiência térmica, mas aumentou a eficiência exergética.
Velocidade: O modelo treinado pode recomendar pontos operacionais otimizados em menos de um segundo, eliminando os processos iterativos típicos de algoritmos de otimização tradicionais.

Significância e Alegações
O artigo afirma que o framework proposto baseado em SAC oferece uma abordagem superior para a tomada de decisão em tempo real em usinas termoelétricas em comparação com métodos de controle tradicionais (como PID) ou técnicas de otimização padrão. A principal significância reside na capacidade do sistema de:

Adaptar-se Autonomamente: Operar consistentemente através de diversas localizações geográficas, configurações de equipamentos e condições sazonais sem intervenção manual.
Lidar com a Complexidade: Gerenciar as não linearidades e incertezas inerentes aos sistemas termodinâmicos através de uma abordagem de aprendizado model-free.
Otimização Simultânea: Equilibrar efetivamente múltiplos objetivos, muitas vezes conflitantes (saída de trabalho, eficiência térmica e eficiência exergética) para encontrar ótimos globais.

Os autores concluem que este trabalho estabelece uma base para a integração da otimização impulsionada por IA em sistemas de energia sustentáveis, destacando o potencial de estratégias de controle inteligente para melhorar os processos de conversão de energia e a resiliência operacional. O estudo não propõe implementações experimentais futuras, mas posiciona seus resultados de simulação atuais como uma prova de conceito para a viabilidade do DRL neste domínio.

Mais como este