Investigadores de GE Research están desarrollando un marco de diseño inverso habilitado para inteligencia artificial (AI) y aprendizaje automático (machine learning, ML, por sus siglas en inglés) que permite que las métricas de rendimiento creen diseños más optimizados para componentes aerodinámicos de turbinas de gas industriales (IGT)
Con el objetivo de permitir que las nuevas métricas de rendimiento sean el principal impulsor del diseño de sistemas de energía aerodinámica más limpios y eficientes, GE Research, el brazo de desarrollo tecnológico de General Electric, ha recibido la Fase I de un proyecto de dos años y 2,1 millones de dólares a través del programa DIFFERENTIATE (Design Intelligence Fostering Formidable Energy Reduction and Enabling Novel Totally Impactful Advanced Technology Enhancements) de ARPA-E para construir una red neural invertible impulsada por AI (artificial intelligence) que pueda traducir directamente las métricas de rendimiento en diseños más optimizados para componentes aerodinámicos de turbinas de gas industriales (industrial gas turbine, IGT, por sus siglas en inglés).
Hoy en día, los complejos componentes de energía aerodinámica como las aspas de las turbinas de gas tienen ciclos de diseño extremadamente largos, de más de un año, que requieren un compromiso entre el costo, el rendimiento y la fiabilidad.
Los investigadores de GE, junto con la empresa Gas Power de GE y la Universidad de Notre Dame, tienen como objetivo desarrollar y demostrar un nuevo marco de diseño habilitado para la AI y ML, que requiere la mitad del tiempo y está dictado casi en su totalidad por la métrica de rendimiento deseada para llevar el diseño de los componentes de energía aerodinámica a un nivel totalmente nuevo.
En la investigación participará el Prof. Nicholas Zabaras de la universidad de Notre Dame, quien aportará más de 30 años de experiencia en la resolución de grandes problemas de diseño/inversión.
De acuerdo a GE, el trabajo pionero del Prof. Zabaras en el área de técnicas de regularización, métodos inversos bayesianos de alta dimensión, modelos de procesos gausianos para inversión, y más recientemente la integración de tareas de aprendizaje profundo e inversión acelerará aún más los aprendizajes en este proyecto.
Sayan Ghosh, ingeniero jefe de diseño probabilístico y líder del proyecto, explicó por otro lado que el equipo está construyendo un marco de machine learning de diseño inverso probabilístico – Pro-ML IDeAS – que utiliza una red neural invertible impulsada por la AI para superar múltiples iteraciones de diseño y desafíos que típicamente requieren de la experiencia de ingeniería en muchos espacios funcionales complejos para resolver.
“Esto creará esencialmente un cambio de paradigma en el diseño de las turbinas de gas al permitirnos explorar y descubrir nuevas curvas de aprendizaje que antes no eran posibles”, dice Ghosh.
“Creemos que el IDeAS Pro-ML, impulsado por la IA y el ML, nos permitirá liberarnos de las limitaciones de diseño tradicional y nos permitirá lograr diseños más óptimos en un tiempo significativamente menor en comparación con el estado actual de la técnica”.
Figura 1. En la imagen se observa un modelo de dinámica de fluidos computacional (computational fluid dynamics, CFD, por sus siglas en inglés) que predice la trayectoria del flujo y las pérdidas resultantes a través del centro del álabe de una turbina de gas.
Ghosh añadió: “Una de las principales razones por las que GE Gas Power ha establecido récords mundiales en eficiencia de turbinas de gas de ciclo combinado (TGCC), es el diseño de piezas y componentes aerodinámicos más eficientes”.
“Con la integración de nuevas soluciones digitales alimentadas por AI, como nuestra red neural invertible, apoyada por el programa DIFFERENTIATE de ARPA-E, estaremos bien encaminados para lograr una eficiencia del 65% y más”, siguió explicando Ghosh.
Dos récords mundiales gracias a la tecnología de General Electric
La tecnología de turbinas de gas HA de GE, que incluye algunas de las piezas y componentes más avanzados, ha ayudado a conseguir dos récords mundiales: uno por impulsar la central eléctrica de ciclo combinado más eficiente del mundo, basado en el logro de una eficiencia bruta del 63,08% en el Bloque 1 de la Central Eléctrica de Chubu Electric Nishi-Nagoya en Japón y otro por ayudar a la Central Eléctrica de Bouchain de EDF a conseguir una eficiencia neta de ciclo combinado del 62,22% en Francia.
Como conclusión: el objetivo final del proyecto de dos años es crear un proceso de diseño inverso para optimizar el diseño del componente de las aspas de las turbina de gas y reducir el tiempo del ciclo de diseño.
En el futuro, el marco también se ampliará a otras aplicaciones como motores de turbinas de aviación, motores aeroderivados, turbinas de viento y turbinas hidráulicas.
Te puede interesar:
- América Latina: ¿lista para la economía del hidrógeno verde?
- Hidrógeno verde: combustible alternativo para sectores difíciles de descarbonizar
- Principales obstáculos del coche de hidrógeno
