CN116933630B - 一种闭式空气布雷顿循环多目标优化和构型筛选方法 - Google Patents

一种闭式空气布雷顿循环多目标优化和构型筛选方法 Download PDF

Info

Publication number
CN116933630B
CN116933630B CN202310880459.4A CN202310880459A CN116933630B CN 116933630 B CN116933630 B CN 116933630B CN 202310880459 A CN202310880459 A CN 202310880459A CN 116933630 B CN116933630 B CN 116933630B
Authority
CN
China
Prior art keywords
closed air
brayton cycle
optimal
configuration
cycle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310880459.4A
Other languages
English (en)
Other versions
CN116933630A (zh
Inventor
韩小渠
王鹤兴
钱奕然
陈伟雄
唐鑫
代晏冰
刘继平
严俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202310880459.4A priority Critical patent/CN116933630B/zh
Publication of CN116933630A publication Critical patent/CN116933630A/zh
Application granted granted Critical
Publication of CN116933630B publication Critical patent/CN116933630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/06Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08Thermal analysis or thermal optimisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种闭式空气布雷顿循环多目标优化和构型筛选方法,兼顾应用于可移动场合下的系统发电效率、功率密度和功率质量比,从可移动布置系统特点和实际应用场景要求出发,考虑到设计过程中循环参数与部件参数的耦合关系,选取发电效率、功率密度和功率质量比三个性能评价指标作为优化目标,对不同系统构型的热力参数进行了多目标优化,同时提出同等、弱、中等、强四个权重优先级及系数,根据具体应用场景为三个性能指标分配不同权重,对比简单回热循环、间冷再热循环、再热回热循环、再热间冷回热循环四种循环构型,得到了兼顾效率、体积和质量的最佳循环构型及参数配置,对于筛选闭式空气布雷顿循环的循环构型和设计循环参数与部件参数具有重要意义。

Description

一种闭式空气布雷顿循环多目标优化和构型筛选方法
技术领域
本发明属于核能综合利用和布雷顿循环发电系统技术领域,具体涉及一种闭式空气布雷顿循环多目标优化和构型筛选方法。
背景技术
微小型反应堆,输出电功率一般在15兆瓦以下,具有环境适应性强、可移动部署和离网运行等优点,可用于发电、供热、蒸汽生产或海水淡化等,适用于偏远地区、孤立海岛、海上平台和沙漠地区等能源需求,因此降低反应堆及热电转换系统的质量和体积对满足微小型反应堆的机动性至关重要,使用热管堆和闭式空气布雷顿循环热电转换系统可以在保证系统安全、高效的前提下兼顾系统体积和质量,然而目前的优化方法大多针对发电效率这一目标,而忽略了对于提高系统灵活性至关重要的功率密度和质量比功率,因此亟需一种兼顾考虑系统效率、体积和质量的多目标优化方法,为微小型反应堆的优化评估提供支撑。
发明内容
本发明的目的在于克服现有技术的不足,提供一种闭式空气布雷顿循环多目标优化和构型筛选方法,综合考虑系统发电效率、功率密度、功率质量比三个性能评价指标,以解决现有优化方法中无法兼顾系统效率、体积和质量的问题。
为了达到上述目的,本发明采用的技术方案如下:
一种闭式空气布雷顿循环多目标优化和构型筛选方法,其特征在于,包括以下步骤:
(1)建立简单回热、再热回热、间冷回热、间冷再热四种闭式空气布雷顿循环构型的系统仿真模型,获得各系统仿真模型主要部件:压缩机、透平、主换热器、再热器、级间冷却器和回热器的进出口温度、压力和流量参数,作为各部件初始设计的边界参数;
(2)根据各部件初始设计结果建立四种循环构型的热力学模型,获得各模型的发电效率、功率密度、功率质量比作为闭式空气布雷顿循环系统三个待优化性能评价指标;
(3)采用非支配解排序遗传算法(NSGA-Ⅱ)对四种循环构型的热力学模型的循环关键变量:压缩机总压比πC,第一级压比πC1,压缩机进口温度Tin,级间冷却后温度TIC,再热压力PRH,冷却空气出口温度TC,out,间冷空气出口温度TIC,out分别进行以发电效率最大、功率密度最大、功率质量比最大为目标对循环关键变量进行单目标优化,获得各构型热力学模型的最优发电效率、最优功率密度、最优功率质量比;
(4)采用非支配解排序遗传算法(NSGA-Ⅱ)分别得到四种闭式空气布雷顿循环构型多目标优化的Pareto前沿最优解集,多目标优化的具体表达式为:
式中:是循环关键变量,η是发电效率,DP是功率密度,MP是功率质量比;
(5)采用LINMAP决策方法从Pareto前沿最优解集中获取最优解,具体步骤如下:
(5.1)结合闭式空气布雷顿循环系统的实际应用场景确定闭式空气布雷顿循环三个待优化性能评价指标的权重等级及权重系数;
(5.2)分别将最优发电效率ηmax、最优功率密度DPmax、最优功率质量比MPmax乘以对应的权重系数,得到多目标优化理想点坐标,并计算Pareto前沿最优解集每个点与理想点的距离,选择距离最小的点作为最优解,确定循环关键变量最优值;
(6)对比各构型最优解得到闭式空气布雷顿循环最优构型,将循环关键变量最优值带入闭式空气布雷顿循环最优构型中,得到各点压力、温度和流量作为部件设计边界条件再次进行设计,得到压缩机、透平、主换热器、再热器、级间冷却器和回热器的详细结构参数。
在步骤(2)中,所涉及的各构型的压缩机、透平、主换热器、再热器、级间冷却器和回热器开展初步设计,需要基于系统仿真模型,读取各部件边界参数,初步设计各部件的结构参数及换热器压损并代入热力学模型计算输出三个性能评价指标:发电效率η、功率密度Dp和功率质量比Mp
在步骤(3)中,对循环关键变量进行单目标优化,具体表达式为:
max,DP,max,MP,max)=f(πCC1,Tin,TIC,PRH,TC,out,TIC,out)
在步骤(5.1)中,当闭式空气布雷顿循环系统用于极地科考时可适当提高发电效率权重等级,用于远洋航行时可适当提高功率密度权重等级,用于空间探测时可适当提高发电质量比权重等级。
根据具体应用场景确定三个待优化性能评价指标的权重等级及权重系数,如表1:
表1权重等级及权重系数
在步骤(5.2)中,理想点坐标为:
ideal,DP,ideal,MP,ideal)=(ηmax*w1,DP,max*w2,MP,max*w3)
Pareto前沿最优解集每个点距理想点的距离为:
式中:i代表Pareto前沿最优解集中的第i个点;
将Pareto前沿最优解集各点与理想点距离进行排序,选择距离最小的点作为多目标优化最优解。
本发明综合考虑了闭式空气布雷顿循环系统的发电效率、功率密度和功率质量比,以闭式空气布雷顿循环系统的简单回热、再热回热、间冷回热、间冷再热四种构型为对象建立系统仿真模型及热力学模型,选取发电效率、功率密度和功率质量比三个性能评价指标作为目标函数进行多目标优化及循环构型对比,同时考虑到闭式空气布雷顿循环系统的复杂应用场景需求,提出优先级评价方法可根据实际需要进行权重不等分配,得到兼顾效率、体积和质量的最佳循环构型及参数配置。
附图说明
图1为闭式空气布雷顿循环多目标优化和构型筛选方法流程图;
图2为微型堆布雷顿循环系统构型示意图;
图3为非支配解排序遗传算法(NSGA-Ⅱ)多目标寻优流程图;
图4为以SRC构型为例的Pareto前沿最优解。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细描述。
本发明综合考虑了闭式空气布雷顿循环系统的发电效率、功率密度和功率质量比,以闭式空气布雷顿循环系统的简单回热、再热回热、间冷回热、间冷再热四种构型为对象建立系统仿真模型及热力学模型,选取发电效率、功率密度和功率质量比三个性能评价指标作为目标函数进行多目标优化及循环构型对比,同时考虑到闭式空气布雷顿循环系统的复杂应用场景需求,提出优先级评价方法可根据实际需要进行权重不等分配,得到兼顾效率、体积和质量的最佳循环构型及参数配置。
如图1所示,一种闭式空气布雷顿循环多目标优化和构型筛选方法包括以下步骤:
(1)在Ebsilon软件中建立简单回热、再热回热、间冷回热、间冷再热四种闭式空气布雷顿循环构型的系统仿真模型,获得各系统仿真模型主要部件:压缩机、透平、主换热器、再热器、级间冷却器和回热器的进出口温度、压力和流量参数,作为各部件初始设计的边界参数;
(2)根据各部件初始设计结果在Matlab中建立四种循环构型的热力学模型,获得各模型的发电效率、功率密度、功率质量比作为闭式空气布雷顿循环系统三个待优化性能评价指标;
如图3所示,非支配解排序遗传算法(NSGA-Ⅱ)多目标寻优方法如下:
(3)采用非支配解排序遗传算法(NSGA-Ⅱ)对四种循环构型的热力学模型的循环关键变量:压缩机压比πC,第一级压比πC1,压缩机进口温度Tin,级间冷却后温度TIC,再热压力PRH,冷却空气出口温度TC,out,间冷空气出口温度TIC,out分别进行以发电效率最大、功率密度最大、功率质量比最大为目标对循环关键变量进行单目标优化,获得各构型热力学模型的最优发电效率、最优功率密度、最优功率质量比;
(4)采用非支配解排序遗传算法(NSGA-Ⅱ)分别得到四种闭式空气布雷顿循环构型多目标优化的Pareto前沿最优解集,多目标优化的具体表达式为:
式中:是循环关键变量,η是发电效率,DP是功率密度,MP是功率质量比;
(5)采用LINMAP决策方法从Pareto前沿最优解集中获取最优解,具体步骤如下:
(5.1)结合闭式空气布雷顿循环系统的实际应用场景确定闭式空气布雷顿循环三个待优化性能评价指标的权重等级及权重系数;
(5.2)分别将最优发电效率ηmax、最优功率密度DPmax、最优功率质量比MPmax乘以对应的权重系数,得到多目标优化理想点坐标,并计算Pareto前沿最优解集每个点与理想点的距离,选择距离最小的点作为最优解,确定循环关键变量最优值;
(6)对比各构型最优解得到闭式空气布雷顿循环最优构型,将循环关键变量最优值带入闭式空气布雷顿循环最优构型中,得到各点压力、温度和流量作为部件设计边界条件再次进行设计,得到压缩机、透平、主换热器、再热器、级间冷却器和回热器的详细结构参数。
在步骤(2)中,所涉及的各构型的压缩机、透平、主换热器、再热器、级间冷却器和回热器开展初步设计,需要基于系统仿真模型,读取各部件边界参数,初步设计各部件的结构参数及换热器压损并代入热力学模型计算输出三个性能评价指标:发电效率η、功率密度Dp和功率质量比Mp
在步骤(3)中,对循环关键变量进行单目标优化,具体表达式为:
max,DP,max,MP,max)=f(πCC1,Tin,TIC,PRH,TC,out,TIC,out)
在步骤(5.1)中,当闭式空气布雷顿循环系统用于极地科考时可适当提高发电效率权重等级,用于远洋航行时可适当提高功率密度权重等级,用于空间探测时可适当提高发电质量比权重等级。
根据具体应用场景确定三个待优化性能评价指标的权重等级及权重系数,如表1:
表1权重等级及权重系数
在步骤(5.2)中,理想点坐标为:
ideal,DP,ideal,MP,ideal)=(ηmax*w1,DP,max*w2,MP,max*w3)
Pareto前沿最优解集每个点距理想点的距离为:
式中:i代表Pareto前沿最优解集中的第i个点;
将Pareto前沿最优解集各点与理想点距离进行排序,选择距离最小的点作为多目标优化最优解。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为验证本发明方法的优越性,下面给出多目标优化方法的计算实例。
微型堆简单回热(SRC)、再热回热(RRC)、间冷回热(IRC)、间冷再热(IRRC)四种闭式空气布雷顿循环构型示意图分别如图2中a)、b)、c)、d)所示,本实例所用的微型堆参考了INL设计的5MWt级热管反应堆,采用20℃环境空气作为冷却介质,由冷端压缩机驱动流过冷却器。在Ebsilon Professional 14.0平台上建立了闭式空气布雷顿循环系统热力学模型,并在Matlab编写了主控制程序和部件设计函数程序。采用Matlab自带的遗传优化算法工具,遗传算法的参数范围如表2所示。选取压缩机总压比、压缩机第一级压比、压缩机进口温度、级间冷却后温度、再热压力、冷却空气出口温度、间冷空气出口温度作为循环关键优化变量,以系统效率、功率密度、功率质量比作为多目标优化的目标函数来优化设计参数。
表2空气多目标优化变量选择及优化范围
表3不同构型单目标优化结果
表4不同构型多目标优化结果
图4为以SRC构型为例的多目标优化后的Pareto最优解集,不同构型单目标优化结果如表3所示,SRC构型理想点坐标为(0.311,179.5,54.84),IRC构型理想点坐标为(0.334,169.9,55.27),RRC构型理想点坐标为(0.351,179.6,57.54),IRRC构型理想点坐标为(0.354,177.8,59.13),采用LINMAP决策方法后的多目标优化结果如表4所示,实际应用中还应根据应用场景选择各性能指标的权重优先级及权重系数,本发明中考虑结果通用性而采用同等优先级,从最佳工况的发电效率、功率密度和功率质量比三种评价指标来看,再热间冷回热(IRRC)构型的综合性能较优,因此选择IRRC构型多目标优化后的最优工况作为系统的最佳设计工况,再热间冷回热IRRC构型为系统的最佳构型选择其最优工况对应发电效率35.4%,功率密度177.8kW·m-3,功率质量比59.13kW·t-1,系统总体积9.97m3,系统总质量29.97t。本实例优化结果证明本发明提出的空气布雷顿系统多目标优化方法得到的最佳构型及参数配置能够获得兼顾系统高效性和紧凑性。
本发明选取发电效率、功率密度和功率质量比三个指标作为闭式空气布雷顿循环系统评价指标进行多目标优化及循环构型对比,同时考虑到可移动布置系统的复杂应用场景需求,提出优先级评价方法,可根据实际需要进行权重不等分配,得到兼顾效率、体积和质量的最佳循环构型及参数配置。

Claims (3)

1.一种闭式空气布雷顿循环多目标优化和构型筛选方法,其特征在于,包括以下步骤:
(1)建立简单回热、再热回热、间冷回热、间冷再热四种闭式空气布雷顿循环构型的系统仿真模型,获得各系统仿真模型主要部件:压缩机、透平、主换热器、再热器、级间冷却器和回热器的进出口温度、压力和流量参数,作为各部件初始设计的边界参数;
(2)根据各部件初始设计结果建立四种循环构型的热力学模型,获得各模型的发电效率、功率密度、功率质量比作为闭式空气布雷顿循环系统三个待优化性能评价指标;
(3)采用非支配解排序遗传算法对四种循环构型的热力学模型的循环关键变量:压缩机总压比πC,第一级压比πC1,压缩机进口温度Tin,级间冷却后温度TIC,再热压力PRH,冷却空气出口温度TC,out,间冷空气出口温度TIC,out分别进行以发电效率最大、功率密度最大、功率质量比最大为目标对循环关键变量进行单目标优化,获得各构型热力学模型的最优发电效率、最优功率密度、最优功率质量比;
(4)采用非支配解排序遗传算法分别得到四种闭式空气布雷顿循环构型多目标优化的Pareto前沿最优解集,多目标优化的具体表达式为:
式中:是循环关键变量,η是发电效率,DP是功率密度,MP是功率质量比;
(5)采用LINMAP决策方法从Pareto前沿最优解集中获取最优解,具体步骤如下:
(5.1)结合闭式空气布雷顿循环系统的实际应用场景确定闭式空气布雷顿循环三个待优化性能评价指标的权重等级及权重系数;
(5.2)分别将最优发电效率ηmax、最优功率密度DPmax、最优功率质量比MPmax乘以对应的权重系数,得到多目标优化理想点坐标,并计算Pareto前沿最优解集每个点与理想点的距离,选择距离最小的点作为最优解,确定循环关键变量最优值;
(6)对比各构型最优解得到闭式空气布雷顿循环最优构型,将循环关键变量最优值带入闭式空气布雷顿循环最优构型中,得到各点压力、温度和流量作为部件设计边界条件再次进行设计,得到压缩机、透平、主换热器、再热器、级间冷却器和回热器的详细结构参数;
在步骤(2)中,所涉及的各构型的压缩机、透平、主换热器、再热器、级间冷却器和回热器开展初步设计,需要基于系统仿真模型,读取各部件边界参数,初步设计各部件的结构参数及换热器压损并代入热力学模型计算输出三个性能评价指标:发电效率η、功率密度Dp和功率质量比Mp
在步骤(5.1)中,当闭式空气布雷顿循环系统用于极地科考时能提高发电效率权重等级,用于远洋航行时能提高功率密度权重等级,用于空间探测时能提高发电质量比权重等级;
根据具体应用场景确定三个待优化性能评价指标的权重等级及权重系数:
当权重等级为同等优先级时,权重系数取1.0;当权重等级为弱优先级时,权重系数取1.1;当权重等级为中等优先级时,权重系数取1.3;当权重等级为相当强优先级时,权重系数取1.5。
2.如权利要求1所述的一种闭式空气布雷顿循环多目标优化和构型筛选方法,其特征在于:
在步骤(3)中,对循环关键变量进行单目标优化,具体表达式为:
max,DP,max,MP,max)=f(πCC1,Tin,TIC,PRH,TC,out,TIC,out)。
3.如权利要求1所述的一种闭式空气布雷顿循环多目标优化和构型筛选方法,其特征在于:
在步骤(5.2)中,理想点坐标为:
ideal,DP,ideal,MP,ideal)=(ηmax*w1,DP,max*w2,MP,max*w3)
Pareto前沿最优解集每个点距理想点的距离为:
式中:i代表Pareto前沿最优解集中的第i个点;
将Pareto前沿最优解集各点与理想点距离进行排序,选择距离最小的点作为多目标优化最优解。
CN202310880459.4A 2023-07-18 2023-07-18 一种闭式空气布雷顿循环多目标优化和构型筛选方法 Active CN116933630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310880459.4A CN116933630B (zh) 2023-07-18 2023-07-18 一种闭式空气布雷顿循环多目标优化和构型筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310880459.4A CN116933630B (zh) 2023-07-18 2023-07-18 一种闭式空气布雷顿循环多目标优化和构型筛选方法

Publications (2)

Publication Number Publication Date
CN116933630A CN116933630A (zh) 2023-10-24
CN116933630B true CN116933630B (zh) 2024-03-26

Family

ID=88382126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310880459.4A Active CN116933630B (zh) 2023-07-18 2023-07-18 一种闭式空气布雷顿循环多目标优化和构型筛选方法

Country Status (1)

Country Link
CN (1) CN116933630B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371239B (zh) * 2023-11-01 2024-05-17 北京理工大学 一种动力系统性能与体积耦合的快速优化方法
CN118583457A (zh) * 2024-08-01 2024-09-03 莱森光学(深圳)有限公司 用于远场激光的光束质量测试装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221786A (zh) * 2022-07-21 2022-10-21 上海交通大学 匹配移动式固体核反应堆的布雷顿循环系统设计优化方法
CN115544869A (zh) * 2022-09-26 2022-12-30 西安交通大学 一种高功率微波源多目标优化方法、系统、设备及介质
CN115730420A (zh) * 2022-08-29 2023-03-03 西安交通大学 一种微型堆布雷顿循环系统综合设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9745899B2 (en) * 2011-08-05 2017-08-29 National Technology & Engineering Solutions Of Sandia, Llc Enhancing power cycle efficiency for a supercritical Brayton cycle power system using tunable supercritical gas mixtures

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221786A (zh) * 2022-07-21 2022-10-21 上海交通大学 匹配移动式固体核反应堆的布雷顿循环系统设计优化方法
CN115730420A (zh) * 2022-08-29 2023-03-03 西安交通大学 一种微型堆布雷顿循环系统综合设计方法
CN115544869A (zh) * 2022-09-26 2022-12-30 西安交通大学 一种高功率微波源多目标优化方法、系统、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
System-component combined design and comprehensive evaluation of closed-air Brayton cycle;Weixiong Chen等;Energy;全文 *
基于简单开式布雷顿循环的热管反应堆系统功率 质量比影响因素初步探索;王金雨等;《核动力工程》;20210430;第第42卷卷(第第2期期);全文 *
空气布雷顿循环系统不同构型参数分析及优化;唐鑫等;中国电机工程学报;第2-11页第1-3节 *

Also Published As

Publication number Publication date
CN116933630A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN116933630B (zh) 一种闭式空气布雷顿循环多目标优化和构型筛选方法
CN112883509A (zh) 一种绝热式压缩空气储能系统的设计方法及设计系统
Reyes-Belmonte et al. Performance comparison of different thermodynamic cycles for an innovative central receiver solar power plant
CN110488610B (zh) 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法
CN107368680A (zh) 一种汽轮机最佳真空实时计算方法
Du et al. Integrated design and off-design hybrid control strategy of supercritical CO2 recompression cycle for nuclear power
CN115730420A (zh) 一种微型堆布雷顿循环系统综合设计方法
CN111596546B (zh) 一种微型燃气轮机热电联供系统抗扰预测控制方法
Alfani et al. Techno-economic analysis of CSP incorporating sCO2 Brayton power cycles: Trade-off between cost and performance
Liu et al. Multiparameter optimization and configuration comparison of supercritical CO2 Brayton cycles based on efficiency and cost tradeoff
CN115685752A (zh) 一种基于模块化仿真平台的间冷燃气轮机模型建模方法
CN110795857A (zh) 一种浮动核电站二回路主要设备体积优化方法
CN111927724B (zh) 一种分区域的槽式太阳能热发电系统集热场设计方法
CN117791739A (zh) 基于新型源储设备的综合能源微网可靠性控制方法及装置
Shamoushaki et al. Optimization of gas turbine power plant by evoloutionary algorithm; considering exergy, economic and environmental aspects
CN116882137A (zh) 一种核动力热力系统多工况多目标优化方法
CN115859831A (zh) 一种热管理型组合动力装置的环控模式多目标优化方法
CN109241676B (zh) 综合能源系统中热网及建筑物时间分辨率的选择方法
CN113420397B (zh) 储能电站动态运行调控方法
CN104914798A (zh) 一种热力系统参数优化方法
Adibi et al. Evaluation of the optimum pressure of the intercooler and the regenerator in the Bryton cycle based on exergy and energy analysis
Ranjan et al. THERMODYNAMIC PERFORMANCE ANALYSIS OF A 500MWE SUPERCRITICAL POWER PLANT BASED ON PARAMETRIC AND NEURO-GENETIC OPTIMIZATION TECHNIQUES
CN111736464B (zh) 一种基于广义扩增状态观测器的热工过程h无穷控制方法
Bonk et al. First-Generation Circulating Pressurized Fluidized Bed (CPFB) Combustor Power System with Industrial Components
Polansky Thermodynamics Cycle of Gas-Cooled Fast Reactor.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant