Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/4009| Tipo: | Dissertação |
| Título: | Modelagem computacional e diagnóstico termodinâmico de turbina a gás usando redes neurais |
| Autor(es): | GUERRINI, André Belluco |
| Primeiro Orientador: | VENTURI, Osvaldo José |
| metadata.dc.contributor.advisor-co1: | PALACIO, José Carlos Escobar |
| Resumo: | As turbinas a gás aeroderivativas são amplamente utilizadas em plataformas de produção de petróleo e gás do tipo FPSO, isto é, unidades de produção, armazenagem e transferência de petróleo (Floating Production Storage and Offloading), seja para a geração de energia elétrica, quando acopladas a um gerador elétrico, seja para o acionamento mecânico de bombas e compressores, quando acopladas a essas máquinas. A produção de óleo e gás é intermitente e exige das turbinas a gás disponibilidade e flexibilidade para uma operação segura e confiável. Para alcançar tais condições, o seu monitoramento é fator fundamental para garantir a segurança da operação. Outro fator é a realização do diagnóstico de falhas da turbina, ou seja, identificar de forma eficiente e confiável onde essas falhas estão ocorrendo, de forma que o planejamento da manutenção seja eficaz para manter a máquina disponível. Considerando esse cenário, este trabalho tem como objetivo principal a desenvolver um método para auxiliar na realização do diagnóstico de falhas que afetam o desempenho da turbina a gás. Para isso, um modelo de turbina a gás aeroderivativa de composta por gerador de gás de dois spools turbina livre (PT) foi desenvolvido em MATLAB/Simulink com auxílio da biblioteca T-MATS. O modelo desenvolvido é capaz de representar o comportamento da turbina quando operando em regime permanente, uma vez que o objetivo é gerar dados para diferentes condições de operação e diferentes condições ambientes, para posterior utilização dos mesmos em um modelo de rede neural. O modelo da turbina a gás apresentou comportamento satisfatório, apresentando desvios não maiores que 1%, quando comparados com dados reais de operação. Em seguida, condições de falhas foram impostas ao modelo, o que possibilitou levantar informações sobre parâmetros operacionais do turbogerador operando sob degradação de alguns dos seus componentes. Os dados gerados pelo modelo da turbina a gás em MATLAB/Simulink foram utilizados para alimentar um modelo de machine learning para o diagnóstico das falhas. O modelo proposto é composto por duas redes neurais de propagação direta atuando em paralelo, sendo uma de regressão e outra de classificação. A rede de regressão tem o objetivo de atender os valores numéricos e o comportamento da turbina; a rede de classificação tem o objetivo de identificar e classificar as falhas. Ambas as redes apresentaram bons desempenhos para ambos os problemas de falhas isoladas e de falhas combinadas, não gerando erros quadráticos médios maiores que 5x10-6 para a rede de regressão e um erro percentual de 0.37% para a rede de classificação. |
| Abstract: | Aeroderivative gas turbines are widely used on Floating Production Storage and Offloading (FPSO) oil and gas production platforms. These units serve as production, storage, and oil transfer facilities. These turbines are employed either for generating electrical power when connected to an electrical generator or for mechanically driving pumps and compressors when connected to these machines. Oil and gas production is intermittent and demands gas turbines to be available and flexible for safe and reliable operation. To achieve such conditions, monitoring them is a crucial factor to ensure operational safety. Another factor is diagnosing turbine faults, efficiently and reliably identifying where these faults are occurring, so that maintenance planning is effective in keeping the machine operational. In this context, the primary objective of this work is to develop a method to assist in diagnosing faults that affect the performance of aeroderivative gas turbines. To achieve this, a model of an aeroderivative gas turbine, consisting of a two-spool gas generator and a power turbine (PT), was developed using MATLAB/Simulink with the assistance of the T-MATS library. The developed model can represent the behaviour of the gas turbine when operating in a steady-state since the goal is to generate data for different operating conditions and different environmental conditions for subsequent use in a neural network model. The gas turbine model exhibited satisfactory behaviour, with deviations not exceeding 1% when compared to actual operational data. Subsequently, fault conditions were imposed on the model, which provided information about operational parameters of the turbogenerator operating with degradation in some of its components. The data generated by the gas turbine model in MATLAB/Simulink were used to feed a machine learning model for fault diagnosis. The proposed model consists of two parallel feedforward neural networks, one for regression and one for classification. The regression network aims to handle numerical values and the turbine's behaviour, while the classification network aims to identify and classify faults. Both networks performed well for both single and combined fault problems, with mean squared errors not exceeding 5x10-6 for the regression network and a percentage error of 0.37% for the classification network. Key |
| Palavras-chave: | Turbinas a gás Diagnóstico de falhas Machine learning Rede neural |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal de Itajubá |
| Sigla da Instituição: | UNIFEI |
| metadata.dc.publisher.department: | IEM - Instituto de Engenharia Mecânica |
| metadata.dc.publisher.program: | Programa de Pós-Graduação: Mestrado - Engenharia Mecânica |
| Tipo de Acesso: | Acesso Aberto |
| URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/4009 |
| Data do documento: | 20-Nov-2023 |
| Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissertação_2024037.pdf | 5,77 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.