Dinamİk enerji sistemi analizleri için çoklu kesirli ve yapay sinir ağı teknikleriyle buhar türbini modelinin karşılaştırmalı davranışı

Günlük enerji kullanımı için neden önemli

Birçok enerji santralinden elde edilen elektrik hâlâ yüksek basınçlı buharın metal kanatların yanından hızla akmasıyla dönen buhar türbinlerinden geliyor. Bu türbinleri ne kadar iyi anladığımız ve kontrol ettiğimiz, yakıt kullanımı, elektrik fiyatları ve tesislerin ne sıklıkla bakım için kapanması gerektiğini etkiler. Bu çalışma basit ama önemli bir soruyu soruyor: türbinlerin gerçek davranışını daha sadık biçimde yakalayan daha akıllı matematiksel ve bilgisayar tabanlı modeller oluşturabilir miyiz, böylece santraller daha verimli ve güvenilir çalışabilir mi?

Kaynayan sudan dönen millere

Bir buhar türbini, buhardan gelen ısıyı jeneratörü döndüren dönme hareketine çevirir. Birçok mühendislik çalışmasında türbinler, ne kadar buharın girip çıktığı, basıncın nasıl değiştiği ve ne kadar güç üretildiği gibi ilişkileri veren oldukça basit denklemlerle temsil edilir. Bu geleneksel modeller, türbinin değişikliklere anında tepki verdiğini, geçmişine çok az "hafıza" bıraktığını varsayar. Yazarlar, türbin içindeki buhar kütlesindeki değişiklikleri giriş ve çıkış akışları ile basınç arasındaki standart bir denklemi yeniden ele alarak başlıyor. Bu temel ilişki daha sonra türbinin zaman içinde nasıl tepki verdiğine dair daha gelişmiş tanımlamaların omurgası olarak kullanılıyor.

Makinanın matematiğine hafıza eklemek

Gerçek malzemeler ve akışlar genellikle sadece anlık koşullara değil, aynı zamanda kısa süre önce olanlara da bağlı şekilde tepki verir—tıpkı uzun süre ısıtılmış bir tavayı daha yavaş soğuması gibi. Bu tür geçmişe bağlılığı yakalamak için araştırmacılar kesirli kalkülüs adı verilen bir araç ailesine başvuruyor. Sıradan türevlerin yerine, türbin denklemine geçmiş durumların şimdiyi nasıl etkileyebileceğini farklı biçimlerde temsil eden dört farklı kesirli türev türüyle yeniden formülasyon yapıyorlar. Her durum için, zaman tabanlı denklemleri daha yönetilebilir cebirsel formlara dönüştüren iki güçlü dönüşüm yöntemi kullanılarak türbin çıktısının girişteki bir değişikliğe nasıl yanıt verdiğini tanımlayan sözde transfer fonksiyonları türetiliyor.

Türbinin taklit edilmesi için bir sinir ağı eğitmek

Sadece denklemler tüm hikâyeyi anlatmaz, özellikle gerçek bir türbinden gelen veriler mevcutsa. Bu nedenle ekip, türbin çıktısının birden çok ana büyüklüğe nasıl bağlı olduğunu öğrenmesi için beynin nöron bağlantılarından esinlenmiş bilgisayar tabanlı bir model olan yapay bir sinir ağı kuruyor. Bunlar arasında buhar basıncı, debi, işletme süresi ve yeni modellerde hafıza etkilerinin gücünü kontrol eden kesirli ve "fraktal" parametreler bulunuyor. Standart bir eğitim yöntemi ve yaygın bir aktivasyon kuralı kullanılarak ağa, sentezlenmiş çok sayıda işletme koşulu ve sonuç veriliyor. Ağ daha sonra dinamik performansın bir ölçüsü olan türbin çıkışı ile girişi arasındaki oranı ne kadar iyi tahmin ettiğini görmek için eğitiliyor, doğrulanıyor ve test ediliyor.

Karşılaştırmaların ortaya koydukları

Kesirli denklemler ve sinir ağı birlikte ele alındığında yazarlar, farklı modelleme seçimlerinin basınç, debi ve işletme süreleri aralığında nasıl davrandığını karşılaştırıyor. Hafıza gücü (kesirli parametre) düşük olduğunda, türbin tepkisinin güçlü salınımlar gösterme eğiliminde olduğunu—daha kararsız davranış işaretleri—buluyorlar. Bu parametre arttıkça tepki daha düzgün ve daha kararlı hale geliyor. "Fraktal" parametrenin yakaladığı ekstra geometrik karmaşıklık, daha yüksek basınçlarda düzensiz salınımlar ortaya çıkarabilir; bu da türbinin kontrol edilmesinin zorlaşabileceği koşullara işaret ediyor. Genel olarak, belirli kesirli operatör ve dönüşüm tekniği kombinasyonları geleneksel, hafızasız modele kıyasla daha elverişli, daha kararlı tepkiler sunuyor.

Daha keskin tahminler ve birleştirici bir bakış

Sinir ağının performansı matematiğe karşı bir gerçeklik kontrolü görevi görüyor. Tahmin edilen ile hedef değerler arasındaki hata ölçüleri çok küçük kalıyor ve tahmin edilen çıktılar eğitim, doğrulama ve test veri setleri boyunca hedeflerle yakın şekilde örtüşüyor. Bu, kesirli artı sinir ağı çerçevesinin birçok işletme senaryosu altında türbin davranışını yüksek doğrulukla izleyebileceğini gösteriyor. Kesirli dereceler sıradan değerlere geri ayarlandığında tüm gelişmiş modeller klasik türbin tanımına indirgeniyor; bu da yeni yaklaşımın yerini almak yerine gerçek bir genişleme olduğunu gösteriyor. Açıkça söylemek gerekirse, türbin modeline "hafıza" kazandırmak ve veri odaklı bir ağın bunu ince ayar yapmasına izin vermek, santral işletmecilerine mevcut makinelerden ekstra verim ve kararlılık elde etmek için daha güvenilir araçlar sunabilir.

Atıf: Abro, K.A., Souayeh, B. & Flah, A. Comparative behavior of steam turbine model for dynamical power system analyses by means of multiple fractional and artificial neural network techniques. Sci Rep 16, 10882 (2026). https://doi.org/10.1038/s41598-026-45449-6

Anahtar kelimeler: buhar türbini modellenmesi, kesirli kalkülüs, sinir ağları, santral dinamikleri, enerji verimliliği