Оптимизация материалов с фазовым переходом может снизить потребление воды на электростанции
Связь продуктов питания, воды и энергии диктует, что существует прямая связь между этими тремя потребностями, и подчеркивание одной из них напрямую влияет на снабжение двух других. По мере роста населения потребность человека в энергии и продуктах питания приводит к медленному истощению запасов пресной воды. Электростанции являются одними из основных виновников этой проблемы, поскольку они ежегодно используют триллионы галлонов пресной воды для предотвращения перегрева.
Исследовательская группа под руководством Дебджиоти Банерджи, профессора факультета машиностроения Дж. Майка Уокера ’66 Техасского университета A&M, показала, что специальные материалы с фазовым переходом (PCM) могут охлаждать паровые турбины, используемые на электростанциях, предотвращая использование пресной воды. Одновременно группа использовала методы машинного обучения для повышения надежности и емкости различных охлаждающих платформ на базе PCM для разработки мощных «холодных батарей», которые отправляются по запросу.
Публикация исследователей «Использование машинного обучения (искусственные нейронные сети) для повышения производительности и надежности платформ хранения тепловой энергии с использованием материалов с фазовым переходом» была опубликована в Американском обществе инженеров-механиков. Журнал технологий энергоресурсов.
На электростанциях и в обрабатывающей промышленности пресная вода используется в градирнях для снижения затрат и повышения надежности. Вода проходит через градирню, поглощая тепло и превращаясь в пар, который затем используется для конденсации пара из выхлопных газов турбины.
В связи с высокими требованиями к пресной воде альтернативные методы, такие как использование PCM, которые могут трансформироваться из твердого состояния в жидкое за счет поглощения тепловой энергии, привлекают все большее внимание для охлаждающих электростанций и обрабатывающих производств.
Первым материалом, который исследовала команда, были восковые биологические материалы (похожие на сало): натуральные продукты с низким углеродным следом, которые относительно дешевы. Несмотря на свою эффективность, исследователи показали, что воски (парафины) не могут накапливать столько энергии и не обеспечивать охлаждающую способность, о которой они первоначально предполагали, поэтому не обеспечивают достаточного охлаждения для экстремальных климатических условий или обеспечения безопасности в условиях экстремальных погодных явлений.
Это привело к тестированию другого PCM, называемого солевыми гидратами, которые также являются недорогими и безопасными для окружающей среды. Солевые гидраты обладают большей эффективностью, чем воск и сало, и содержат примерно в два-три раза больше энергии при более быстром плавлении. Однако у этих материалов есть известный недостаток – они слишком долго застывают (так как их нужно «переохлаждать»). Без надежного метода плавления и замораживания солевые гидраты неэффективны.
«Думайте об этом как об аккумуляторе электромобиля – вы хотите, чтобы он заряжался очень быстро, но он должен работать долго», – сказал Банерджи. «Та же концепция может быть применена к PCM. Нам нужен PCM, чтобы быстро перезаряжаться (замораживаться), но при этом плавиться в течение длительного времени ».
Чтобы повысить надежность и ускорить замораживание этих PCM, исследователи обратились к машинному обучению. Используя показания всего трех миниатюрных датчиков температуры, которые действуют как термометры, они записали историю плавления. Затем они внедрили машинное обучение, чтобы предсказать, когда и сколько PCM расплавится и когда начнется замораживание, максимально увеличив как охлаждающую способность, так и мощность.
«Используя этот метод, мы обнаружили, что если вы расплавите только 90% гидрата соли и оставите 10% затвердевшими, то в момент запуска цикла охлаждения он сразу же начнет замерзать», – сказал Банерджи. «Прелесть этого метода в том, что с помощью простого устройства из трех датчиков и простой компьютерной программы мы создали систему, которая является рентабельной, надежной и устойчивой».
В настоящее время другим алгоритмам машинного обучения требуются годы данных для достижения такой точности для электростанций, тогда как новому методу Банерджи требуется всего несколько дней. Алгоритм может сообщить оператору в течение одного часа (и целых трех часов), прежде чем система достигнет пикового процента плавления с точностью прогноза от 5 до 10 минут. Техника может быть модернизирована на любой существующей охлаждающей установке в любой обрабатывающей промышленности или на электростанции.
В нашем Telegram‑канале вы найдёте новости о непознанном, НЛО, мистике, научных открытиях, неизвестных исторических фактах. Подписывайтесь, чтобы ничего не пропустить.
