Modelowanie naprężeń w elementach turbin za pomocą sztucznych sieci neuronowych

• Autorzy: Nowak G. , Rusin A.

Warianty tytułu

EN

Stress modelling in turbine components by means of artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W pracy poddano analizie i przedyskutowano problem wyznaczania naprężeń metodą natychmiastowej oceny sygnałów diagnostycznych w elementach turbin biorąc pod uwagę potrzebę ich bieżącego monitorowania w rozpatrywanych urządzeniach. W takich przypadkach naprężenia powinny być wyznaczane w czasie rzeczywistym na podstawie danych uzyskiwanych z pomiarów. Jedną z możliwości szybkiej oceny naprężeń jest zastosowanie metody sztucznych sieci neuronowych. Taka sieć, jeśli jest odpowiednio nauczona, przy zastosowaniu wcześniejszych wyników badań symulacyjnych przy użyciu metody elementów skończonych, może być efektywnie wykorzystywana do monitorowania stanu naprężenia.

EN

The paper discusses the problem of on-line stress determination within the main turbine components for the needs of monitoring systems. In such a case the stress must be computed in real time on the basis of on-line acquired operational data. One of the possibilities for rapid stress evaluation is the use of Artificial Neural Network. This tool, if properly trained on the basis of former Finite Element simulations, can successfully be used in the stress monitoring systems.

Słowa kluczowe

PL

turbiny parowe; modelowanie naprężeń; sieci neuronowe

EN

steam turbines; tension modeling; neural networks

• Wydawca: Oficyna Wydawnicza Energia [Stowarzyszenie Elektryków Polskich - COSiW]
• Czasopismo: Energetyka
• Rocznik: 2014
• Tom: nr 11
• Strony: 683--685
• Opis fizyczny: Bibliogr. 7 poz., rys.

Twórcy

autor

Nowak G.

• Politechnika Śląska, Instytut Maszyn i Urządzeń Energetycznych

autor

Rusin A.

• Politechnika Śląska, Instytut Maszyn i Urządzeń Energetycznych

Bibliografia

• [1] Karayiannis N.B., Venetsanopoulos A.N., Artificial Neural Networks - Learning Algorithms, Performance Evaluation, and Application, Kluwer 1993.
• [2] Liu S.W., Huang J.H., Sung J.C., Lee C.C., Detection of cracks using neural networks and computational mechanics, Comput. Methods Appl. Mech. Eng. 191 (2002), p. 2831-2845.
• [3] Kuo R.J., Intelligent diagnosis tor turbine blade faults using artificial neural network and fuzzy logic, Eng. Appl. Artif. Intell., 8 (1995), p. 25-34.
• [4] Oberholster A.J., Heyns P.S., On-line fan blade damage detection using neural networks, Mech. Syst. Signal Process., 20 (2006), p. 78-93.
• [5] Fast M., Assadi M., De S. Development and multi-utility of an ANN model for an industrial gas turbine, Applied Energy, Vol. 86, Issue 1 (2009), p. 9-17.
• [6] Nikpey H., Assadi M., Breuhaus P., Mørkved P.T., Experimental evaluation and ANN modeling of a recuperative micro gas turbine burning mixtures of natural gas and biogas, Applied Energy, Vol. 117 (2014), p. 30-41.
• [7] Rodriguez J.A., Hamzaoui Y.El., Hernández J.A., Garcia J.C., Flores J.E., Tejeda A.L., The use of artificial neural network (ANN) for modeling the useful life of the failure assessment in blades of steam turbines, Engineering Failure Analysis, Vol. 35 (2013), p. 562-575.