Modelagem computacional e diagnóstico termodinâmico de turbina a gás usando redes neurais

• Ano de defesa: 2023
• Autor(a) principal: GUERRINI, André Belluco
• Orientador(a): VENTURI, Osvaldo José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Mecânica
• Departamento: IEM - Instituto de Engenharia Mecânica
• País: Brasil
• Palavras-chave em Português: Turbinas a gás; Diagnóstico de falhas; Machine learning; Rede neural
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/4009

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.