Wyniki wyszukiwania - BazTech

1

Efficiency optimisation of blade shape in steam and ORC turbines

Lampart P., Witanowski Ł., Klonowicz P.

Mechanics and Mechanical Engineering

|

2018

|

Vol. 22, nr 2

553--564

EN

This paper is devoted to direct constrained optimisation of blading systems of large power and small power turbines so as to increase their internal efficiency. The optimisation is carried out using hybrid stochastic-deterministic methods such as a combination of a direct search method of Hooke-Jeeves and simulated annealing or a combination of a bat algorithm and simplex method of Nelder-Mead. Among free shape parameters are blade number and stagger angle, stacking blade line parameters and blade section (profile) parameters. One practical example of efficiency optimisation of turbine blading systems is modification of low load profiles PLK-R2 for high pressure (HP) stages of large power steam turbines. Another optimised geometry is that of an ORC radial-axial cogeneration turbine of 50 kWe. Up to 1% efficiency increase can easily be obtained from optimization of HP blade profiles, especially by making the rotor blade more aft-loaded and reducing the intensity of endwall flows. Almost 2% efficiency rise was obtained for the optimized 50 kWe ORC turbine due to flow improvement at the suction side of the blade.

2

Wstępna analiza potencjału zasobników energii typu UWCAES w Zatoce Gdańskiej

Klonowicz P., Witanowski Ł., Jędrzejewski Ł., Suchocki T., Surwiło J., Stępniak D.

Rynek Energii

|

2016

|

Nr 3

100--107

PL

W artykule przedstawiono wstępne oszacowanie potencjału technologii UWCAES (Underwater Compressed Air Energy Storage) w Zatoce Gdańskiej. Magazynowanie energii układach UWCAES polega na umieszczeniu zbiorników sprężonego powietrza na dnie głębokich zbiorników wodnych. Takie podejście pozwala znacznie zmniejszyć strukturalne obciążenie zbiorników sprężonego gazu, co jest podstawowym problemem w instalacjach naziemnych. Zbiorniki dla syste-mów UWCAES mogą mieć postać giętkich powłok (balonów), które zmieniają swoją objętość w zależności od poziomu napełnienia. W konsekwencji ciśnienie w balonach utrzymywane jest na stałym poziomie, a to jest korzystne z punktu widzenia urządzeń sprężających i rozprężających, ponieważ mogą pracować w swoich punktach projektowych. Głównymi wyzwaniami technologicznymi w układach UWCAES są: zakotwienie zbiorników (które są obciążone znaczną siłą wyporu) do dna oraz doprowadzenie i odbieranie z nich powietrza, co musi być zrealizowane za pomocą rurociągu. Niniejsza praca skupia się przede wszystkim na analizie energetycznej zasobników, natomiast szczegóły technologiczne pozostawia otwarte do dyskusji. Okazuje się, że stosując sprężanie adiabatyczne połączone z zasobnikami ciepła w postaci oleju termalnego, można uzyskać wysoką ogólną sprawność zasobników równą około 70%. W zaprezentowanym przykładzie rozważono zbiorniki zamieszczone na głębokości 70 m na dnie Zatoki Gdańskiej w odległości 7 km od brzegu, które byłyby w stanie zmagazynować około 460 kWh energii. Gęstość magazynowania energii dla tego przypadku wynosi 0,46 kilowatogodziny na metr sześcienny sprężonego powietrza. Gęstość ta jest ściśle powiązana z głębokością, a jej maksimum w Zatoce Gdańskiej wynosi około 1,3 kWh/m3. W przypadku głębszych zbiorników wodnych ta wartość mogłaby przekraczać nawet 10 kWh/m3.

EN

The paper presents preliminary estimations of UWCAES systems potential at the Gulf of Gdansk. The energy storage in UWCAES (Underwater Compressed Air Energy Storage) is based on placing compressed air tanks at the bottom of deep water reservoirs. Such approach allows one to reduce structural load of the compressed air tanks which is a funda-mental problem in the aboveground installations. The tanks for UWCAES systems can be made of flexible fabric (balloons) and can change their volume with respect to the filling level. As a consequence, the pressure in the balloons is kept constant which is favorable from the point of view of compression and expansion devices as they can operate at their design points. The main technological challenges of UWCAES are anchoring the tanks (which are subjected to a significant buoyancy) to the bottom as well as delivery and collection of the air which must be done through a pipeline. The presented work is fo-cused mainly on the energetic analysis of the storage leaving the technological details as open for further discussions. It turns out that by applying adiabatic compression process connected with heat storage in thermal oil it is possible to achieve a high round trip efficiency of up to 70%. In the presented case the tanks placed at the depth of 70 m and 7 km from the coast at the Gulf of Gdansk are considered. The tanks could store about 460 kWh of energy. The storage density for this case is 0.46 kilowatt-hours per cubic meter of compressed air. This density is strictly connected with the depth and its maximum for the Gulf of Gdansk could be about 1.3 kWh/m3. For deeper water reservoirs this density could even exceed 10 kWh/m3.

3

Optymalizacja turbiny promieniowo-osiowej pracującej w systemie UWCAES

Witanowski Ł., Klonowicz P., Lampart P.

Mechanik

|

2016

|

R. 89, nr 7

870--871

PL

W pracy przedstawiono metodę optymalizacji geometrii wirnika turbiny powietrznej pracującej w układzie UWCAES. Opisano obiekt poddany modyfikacjom, budowę funkcji celu oraz użyte algorytmy. Na końcu porównano otrzymane wyniki z geometrią wzorcową. Przedstawiony sposób zwiększania sprawności jest możliwy do zastosowania w innych turbinach cieplnych.

EN

The work presents an optimization method of rotor blade geometry of an air turbine working in an UWCAES system. The modified object, the objective function and the used algorithms have been described. Finally, the results of the optimization process have been compared with the original case. The presented method of the efficiency improvement can be used in other thermal turbines.

4

Design and numerical study of turbines operating with MDM as working fluid

Klonowicz P., Surwiło J., Witanowski Ł., Suchocki T. K., Kozanecki Z., Lampart P.

Zeszyty Naukowe. Cieplne Maszyny Przepływowe - Turbomachinery / Politechnika Łódzka

|

2014

|

nr 145

65--68

EN

Design processes and numerical simulations have been presented for a few cases of turbines designated to work in ORC systems. The chosen working fluid is MDM. The considered design configurations include single stage centripetal reaction and centrifugal impulse turbines as well as multistage axial turbines. The power outputs vary from about 75 kW to 1 MW. The flow in single stage turbines is supersonic and requires special design of blades. The internal efficiencies of these configurations exceed 80% which is considered high for these type of machines. The efficiency of axial turbines exceed 90%. Possible turbine optimization directions have been also outlined in the work.

5

Przestrzenne kształtowanie łopatki turbiny parowej z wykorzystaniem algorytmu hybrydowego i sieci neuronowej

Witanowski Ł., Lampart P.

Symulacja w Badaniach i Rozwoju

|

2014

|

Vol. 5, nr 3

209--216

PL

W artykule przedstawiono metodę oraz wyniki optymalizacji sprawnościowej ołopatkowania przestrzennego dwóch ostatnich stopni mikroturbiny ORC9000 lOOkW z wykorzystatniem pakietu OPT_TURB oraz Matlab Toolbox - Neural Network. Wyznaczono funkcję celu z post-processingu obliczeń 3D części przepływowej przy użyciu programu FlowER - solwera modelu RANS. Funkcje celu zdefiniowano, jako sumę strat energii kinetycznej oraz energii wylotowej. Zaproponowano model sztucznej sieci neuronowej wytrenowanej przy użyciu algorytmu Lavenberga-Marquardta.

EN

The paper presents the methods and results of optimization of two last stages of a microturbine ORC9000 lOOkW using a software package OPTI_TURB and Matlab Toolbox - Neural Network. Values of the minimised objective function, that is losses of kinetic energy and exit velocity are found in the first step from 3D RANS computation (from a FlowER code) of geometries changed during the direct process optimization. In the second step an indirect method is used. The applied neural network is trained over flow data with the help of Lavenberg - Marquardt backpropagation.