【概要】德國斯圖加特大學的科研人員利用超級計算機和機器學習開發出一套工具，可幫助火電廠、核電廠、地熱電廠等改善運營效率。
高性能計算資源和數據驅動的機器學習幫助德國斯圖加特大學（University of Stuttgart）的科研人員建模，指導火電廠、核電廠、地熱電廠運營升級，變得更清潔、安全、高效。
傳統火力發電廠的殘餘水必須與發電產生的蒸汽分開。這一流程限制了效率，而且在早幾代發電廠中，它還不穩定，可能導致爆炸。上世紀二十年代，英國人馬克·本森(Mark Benson)意識到，如果水和蒸汽可以共存，就能降低這種風險，提高發電廠效率。讓水處於超臨界狀態，即，水的液態和氣態同時存在，成為一種新的液體，這時就能實現水和蒸汽的共存。要實現這種超臨界狀態所需的溫度和壓力條件的成本很高，使得本森的專利產品“本森鍋爐”沒有在發電廠中廣泛應用，但他的理論讓世界首次認識了超臨界發電技術。
大約過了一個世紀，德國斯圖加特大學的核技術與能源系統研究所（Institute of Nuclear Technology and Energy Systems, IKE）及航天熱力學研究所（Institute of Aerospace Thermodynamics, ITLR）重新研究本森的理論，探索其如何提高現代發電廠的安全性和效率。科研人員利用高性能計算技術(HPC)開發工具，讓超臨界熱傳遞更可行。研究人員指出，“與亞臨界發電廠相比，超臨界發電廠的熱效率更高，不用配備多種類型設備，例如各類蒸汽乾燥器，佈局更緊湊。”
航天熱力學研究所的研究人員牽頭該研究的計算部分，他們與新加坡理工大學（Singapore Institute of Technology, SIT）的計算機科學研究人員合作，在超級計算機上開發基於高保真仿真的機器學習技術，同時也開發商業電腦能輕鬆應用的工具。
為了構建出可商業應用的準確工具，研究團隊需要運行計算密集型直接數值模擬（direct numerical simulation, DNS），這隻能利用高性能計算資源才能實現。斯圖加特高性能計算中心（High-Performance Computing Center Stuttgart’s, HLRS’s）的Hazel Hen超級計算機完成了研究團隊所需的高分辨率流體力學模擬。
發電機及其他工業流程通過多種材料來產生蒸汽或者進行熱傳遞，但利用水是一種行之有效的方法——水可輕易獲得，其化學性質已充分掌握，可預測其在各種溫度及壓力條件下的表現。具體而言，水預計在374攝氏度達到臨界點，這一性質讓超臨界狀態蒸汽的產生可順利進行。水也需要處於高壓狀態——22.4兆帕斯卡，實際上超過了廚房水槽處壓力的200倍。而且，當材料進入超臨界狀態時，它會表現出獨特的性質，溫度或壓力的微小改變都會帶來極大的影響。例如，超臨界狀態的水不如純液態水傳熱那麼有效，達到超臨界狀態所需的極大熱量可能導致管道破壞，從而造成災難性事故。
考慮到利用水的種種困難，研究人員正在研究使用二氧化碳。這種常見分子具有多種優勢，主要特點是在31攝氏度即達到超臨界狀態，比水要高效得多。利用二氧化碳來讓發電廠變得更清潔，聽上去可能顯得自相矛盾，但研究人員解釋說超臨界狀態的二氧化碳是一種更清潔的選擇。
“與含氯氟烴的製冷劑、氨等其他常見的可用流體相比，超臨界狀態的二氧化碳絕不會破壞臭氧，對全球變暖幾乎沒有影響。”此外，這種狀態的二氧化碳所需空間要小得多，壓縮所需的工作也比超臨界狀態的水要少得多。這就意味著，使用二氧化碳所需的發電廠規模更小——超臨界狀態二氧化碳發電廠的發電循環硬件規模比傳統的超臨界狀態發電循環系統要小十倍。但要用二氧化碳替代水，工程師還需要充分理解其根本性質，包括流體的湍流（即不均勻非穩定流動）如何傳遞熱量、與機器相互作用。
在進行湍流相關的計算流體力學模擬時，計算科學家大部分採用這三種方法：雷諾平均（Reynolds-Averaged Navier-Stokes, RANS）模擬、大渦模擬（large eddy simulations, LES）、直接數值模擬。雷諾平均和大渦模擬都需要研究人員納入來自實驗或者其他模擬的一些假設，直接數值模擬無需預想概念或輸入數據，使得這種方法更準確，但需要更多的計算資源。“雷諾平均和大渦模擬模型常用於更簡單的流體。”研究人員說，“複雜流體需要高保真的方法，所以我們決定使用直接數值模擬，這讓我們需要高性能計算資源。”
研究團隊與新加坡理工大學的科研人員合作，利用從高保真直接數值模擬得到壓力和熱傳遞數據來訓練深度神經網絡(DNN)。這種機器學習算法仿生物學神經網絡建模，即模仿識別和響應外部刺激的神經元網絡。
傳統上，研究人員利用實驗數據來訓練機器學習算法，以便其預測不同條件下流體和管道之間的熱傳遞。但是，如果採用這種方法，研究人員必須小心翼翼，不“過度擬合”模型；換言之，不讓算法對特定數據集過於準確，而不能為其他數據集提供準確結果。
利用Hazel Hen超級計算機，該研究團隊運行了35個直接數值模擬，每一種聚焦於一種具體的運行條件，然後利用得到的數據集來訓練深度神經網絡。該研究團隊輸入了進氣溫度和壓力、熱流、管徑和流體的熱能，輸出管壁溫度和剪切應力。直接數值模擬產生的數據中，隨機選擇80%來訓練深度神經網絡，同時研究人員利用剩下的20%來單獨驗證。
這種“原位”驗證很重要，避免過度擬合算法，因為如果算法一開始表現出訓練與數據集的差異，就會重啟模擬。研究人員表示，“我們的盲法測試結果顯示，直接數值模擬成功避免了過度擬合，在數據庫中覆蓋的各種運行條件下都實現了普遍的接受性。”
研究團隊對結果有信心之後，他們利用數據開始構建更商業化用途的工具。利用近期工作的輸出作為指導，該團隊可用直接數值模擬在標準筆記本電腦上對新數據模擬運行條件的熱能，耗時僅5.4毫秒。
到目前為止，研究團隊都使用社區代碼OpenFOAM進行直接數值模擬。對多種流體力學模擬而言，OpenFOAM都是公認的代碼，但是研究人員表示，希望利用高保真代碼進行模擬。研究人員正與德國斯圖加特大學空氣力學與氣體力學研究所（Institute of Aerodynamics and Gas Dynamics, IAG）合作，使用後者的FLEX代碼。這種代碼的準確性更高，適用的條件範圍更廣。
研究人員還提到，除了直接數值模擬之外，他們還使用了名為隱式大渦模擬的方法。雖然隱式大渦模擬不如該研究團隊直接數值模擬得到高分辨率，但這種方法讓研究人員以更高的雷諾數值進行模擬，這意味著它能適用的湍流條件更廣。
研究團隊希望繼續增強它的數據庫，以便進一步提升深度神經網絡工具。而且，研究團隊還與該大學的核技術與能源系統研究所實驗家合作，進行初步實驗，建立模型超臨界發電廠，以便測試實驗與理論的一致性。如果研究團隊能提供準確、易用且計算高效的工具，幫助工程師和發電廠管理者更安全、更高效地發電，這就是最終勝利。
“核技術與能源系統研究所的研究人員既進行實驗也進行數值模擬。”研究人員表示，“作為數值團隊，我們希望找到熱傳遞不高的原因。我們研究了流體流動和湍流相關的物理學，但是我們的最終目標是構建出更簡單的模型。傳統發電廠通過抵消間歇式發電，促進可再生能源的使用，但是目前這些發電廠的設計都不如可再生能源發電廠那樣靈活。如果我們可以利用超臨界狀態二氧化碳為基礎的工作流體，我們就能通過更緊湊的設計、更快的開機和停機次數來提高發電廠的靈活性。”以超臨界狀態二氧化碳為基礎的技術有可能提供靈活的運行，這是可再生能源中翹首以盼的。但是，水暖水力模型和熱傳遞知識有限，本研究將縮小這一技術差距，幫助工程師構建發電循環迴路。
該大學核技術與能源系統研究所和航天熱力學研究所的科研人員正在研究超臨界狀態二氧化碳取代超臨界狀態水作為發電廠的工作流體。這一模擬顯示了冷卻過程中流體的高速（紅）和低速（藍）條帶及結構。研究人員觀察到了超臨界狀態二氧化碳下行流（左）和上行流（右）湍流之間的重要區別。
閱讀更多 人工智能快報 的文章
