KR102383334B1 - 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법 - Google Patents

머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법 Download PDF

Info

Publication number
KR102383334B1
KR102383334B1 KR1020200160947A KR20200160947A KR102383334B1 KR 102383334 B1 KR102383334 B1 KR 102383334B1 KR 1020200160947 A KR1020200160947 A KR 1020200160947A KR 20200160947 A KR20200160947 A KR 20200160947A KR 102383334 B1 KR102383334 B1 KR 102383334B1
Authority
KR
South Korea
Prior art keywords
runner
design
turbine
beta1
beta2
Prior art date
Application number
KR1020200160947A
Other languages
English (en)
Other versions
KR102383334B9 (ko
Inventor
김진혁
마상범
김성
차동안
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200160947A priority Critical patent/KR102383334B1/ko
Application granted granted Critical
Publication of KR102383334B1 publication Critical patent/KR102383334B1/ko
Publication of KR102383334B9 publication Critical patent/KR102383334B9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Hydraulic Turbines (AREA)

Abstract

본 발명은 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법에 관한 것이다.
본 발명의 일 실시예에 따른 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈은 내부에 유체가 통과하는 유로가 형성되고 관으로 마련되는 케이싱; 상기 케이싱의 내부에 배치되는 샤프트; 상기 케이싱의 내부에 고정되고 상기 유체의 유동 각도를 변경시키는 인렛 가이드 베인; 및 상기 인렛 가이드 베인으로부터 소정의 간격 이격되어 상기 샤프트에 연결되고 상기 유체에 의해 상기 샤프트와 함께 회전되는 러너를 포함할 수 있다.

Description

머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법{Micro turbine designed by design method using machine learning and its design method}
본 발명은 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법에 관한 것이다.
터빈은 유체의 흐름을 이용하여 충동력 또는 반동력으로 회전력을 얻는 기계장치이다. 그리고, 터빈은 수증기를 이용하는 증기터빈(steam turbine), 연소가스를 이용하는 가스터빈(gas turbine) 등 작동원리, 구조에 따라 여러 종류로 나뉜다.
이 중, 수력 터빈은 수력발전에서 물의 위치에너지를 기계적 에너지로 바꾸어주는 것으로, 크게 대수력과 소수력으로 나눌 수 있다. 대수력 터빈은 용량이 10MW이상으로 대당 가격은 수십억에서 수백억 내외이며, 소수력 터빈도 수억에서 수십억의 고가 설비이다.
이러한 고가 터빈임에도 불구하고 최초 구입 시에 터빈의 성능인 효율을 시험할 수 있는 전문 인력 및 전용 장비의 부재로 제대로 된 제품 성능 검증을 수행하지 못하는 경향이 있다.
터빈은 다른 유체기계나 산업기계와 달리 유량계법, 압력시간법, 상대유량법, 열역학적방법 등 시험방법이 여러 가지가 있고 각 방법별 특성이 달라 전문가가 아니면 성능 측정 수행이 어려우며, 국내 전문 인력, 전용 장비, 시험기술 등의 부족으로 해외 제조사들의 기술 의존도가 심한 편이다. 따라서, 제조사가 제시하는 성능을 검증 없이 그대로 사용하여야 하였다.
이에 선진국과의 터빈 기술 격차를 줄이기 위해 성능시험분석 전문가가 아니더라도 터빈을 운영하고 관리하는 준전문가 수준의 인력도 수력터빈 효율시험을 진행할 수 있는 수력터빈 효율 측정 전용 장비의 개발이 요구되고 있는 실정이다.
지금까지 터빈은 제조사가 초기 설계 시 설정한 러너를 그대로 적용하여 제작, 설치 후 추가적인 최적화 작업 없이 사용자는 터빈을 운영하였다.
하지만 실제 터빈을 제작하고 현장에 설치하면, 관로나 수로 형상 또는 높이에 의한 손실 등 설계 시 가정한 값들과 차이가 많이 나기 때문에 초기설정한 러너 조합에 오차가 발생하는 문제점이 있다. 이에 따라 효율과 발전능력이 하락하여 연간 발전량이 감소하는 문제점이 있다.
상기와 같은 기술적 배경을 바탕으로 안출된 것으로, 본 발명의 일실시예는 전체 유량범위에서 터빈의 효율을 향상시킬 수 있는 마이크로 터빈 및 이의 설계 방법을 제공하고자 한다.
상기와 같은 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈은 내부에 유체가 통과하는 유로가 형성되고 관으로 마련되는 케이싱; 상기 케이싱의 내부에 배치되는 샤프트; 상기 케이싱의 내부에 고정되고 상기 유체의 유동 각도를 변경시키는 인렛 가이드 베인; 및 상기 인렛 가이드 베인으로부터 소정의 간격 이격되어 상기 샤프트에 연결되고 상기 유체에 의해 상기 샤프트와 함께 회전되는 러너를 포함할 수 있다.
또한, 상기 러너의 입구 각도(Beta1)는 상기 러너의 입구 Hub-Span 각도(Beta1_h), 상기 러너의 입구 Mid-Span 각도(Beta1_m) 및 상기 러너의 입구 Tip-Span 각도(Beta1_s)를 포함하고, 상기 러너의 출구 각도(Beta2)는 상기 러너의 출구 Hub-Span 각도(Beta2_h), 상기 러너의 출구 Mid-Span 각도(Beta2_m) 및 상기 러너의 출구 Tip-Span 각도(Beta2_s)를 포함할 수 있다.
상기 인렛 가이드 베인과 상기 러너 사이의 거리는 5 mm이고, 상기 Beta1_s는 76도이고, 상기 Beta2_h는 68.184도 일 때, 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)이 최적화되는 상기 Beta1_h, Beta1_m, Beta2_m, Beta2_s는 하기 표를 만족할 수 있다.
Figure 112020127554730-pat00001
Figure 112020127554730-pat00002
Figure 112020127554730-pat00003
Figure 112020127554730-pat00004
Figure 112020127554730-pat00005
Figure 112020127554730-pat00006
Figure 112020127554730-pat00007
또한, 상기 인렛 가이드 베인의 출구 Hub-Span 각도는 상기 인렛 가이드 베인의 출구 Tip-span 각도와 같거나 보다 클 수 있다. 한편, 상기와 같은 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법은 제1 항 내지 제4 항 중 어느 한 항에 따른 마이크로 터빈의 설계 방법으로, 상기 마이크로 터빈의 형상을 고려하여 목적함수 및 설계변수 결정 단계; 상기 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계; 상기 선정된 설계 영역에서 상기 설계변수를 조합하는 단계; 상기 조합된 설계변수 중에서 2k 요인실험법에 의해 상기 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계; 상기 설계변수의 영역 내에서의 상기 설계변수 값으로 이루어진 복수의 실험점을 도출하는 실험점 도출 단계; 도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계; 상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계; 및 구축된 상기 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 최적 설계안 도출단계를 포함할 수 있다.
또한, 상기 목적함수는 전체 유량범위에서 터빈의 효율(Eff)이고, 상기 설계변수는 상기 목적함수에 영향을 미칠 수 있는 상기 인렛 가이드 베인과 상기 러너 사이의 거리(L), 상기 러너의 입구 각도(Beta1) 및 상기 러너의 출구 각도(Beta2)일 수 있다.
또한, 상기 러너의 입구 각도(Beta1)는 상기 러너의 입구 Hub-Span 각도(Beta1_h), 상기 러너의 입구 Mid-Span 각도(Beta1_m) 및 상기 러너의 입구 Tip-Span 각도(Beta1_s)를 포함하고, 상기 러너의 출구 각도(Beta2)는 상기 러너의 출구 Hub-Span 각도(Beta2_h), 상기 러너의 출구 Mid-Span 각도(Beta2_m) 및 상기 러너의 출구 Tip-Span 각도(Beta2_s)를 포함할 수 있다.
또한, 상기 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계에서 상기 거리(L)는 4 mm 이상 6 mm 이하이고, 상기 러너의 입구 Hub-Span 각도(Beta1_h)는 38도 이상 52도 이하이며, 상기 러너의 입구 Mid-Span 각도(Beta1_m)는 61도 이상 71도 이하이고, 상기 러너의 입구 Tip-Span 각도(Beta1_s)는 71도 이상 81도 이하이며, 상기 러너의 출구 Hub-Span 각도(Beta2_h)는 63.184도 이상 73.184도 이하이고, 상기 러너의 출구 Mid-Span 각도(Beta2_m)는 66.685도 이상 76.685도 이하이며, 상기 러너의 출구 Tip-Span 각도(Beta2_s)는 68.64도 이상 78.64도 이하일 수 있다.
또한, 상기 조합된 설계변수 중에서 2k 요인실험법에 의해 상기 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계에서는 상기 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 조합하여 상기 목적함수의 민감도를 파악할 수 있다.
또한, 상기 설계 영역 선정단계는 상기 설계변수에 대한 목적함수를 결정하기 위해 경계 조건을 고정하는 경계 조건 고정단계를 더 포함할 수 있다.
또한, 작동유체는 25도의 물로 고정될 수 있다.
또한, 상기 실험점 도출 단계에서, 상기 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출될 수 있다.
또한, 상기 입력값 생성 단계에서, 상기 입력값은 상기 실험점을 이루는 상기 설계변수의 값 및 상기 설계변수의 값에 대한 수치해석을 통해 계산된 상기 목적함수의 값으로 이루어질 수 있다.
또한, 상기 대리모델 구축단계에서, 상기 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어질 수 있다.
또한, 상기 대리모델 구축단계는, 상기 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수값을 도출하는 변수값 도출단계; 및 도출된 상기 변수값을 이용하여 상기 대리모델을 구축하는 모델구축단계를 포함할 수 있다.
또한, 상기 변수값 도출단계는, 상기 입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계; 분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제2단계; 각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제3단계; 각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제4단계; K 개의 상기 부분 집합에서 도출된 상기 상대오차를 합산하여 상대오차 합을 도출하는 제5단계; 및 상기 상대오차 합이 최소가 되는 상기 변수값이 도출되도록 상기 제1단계 내지 상기 제5단계를 반복 수행하는 제6단계를 포함할 수 있다.
상기 변수값 도출단계에서, 상기 변수값은 상기 Beta1_h, Beta1_m, Beta2_m, Beta2_s을 포함할 수 있다.
상기 최적 설계안 도출단계는, 상기 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘에 대입하여 목적함수값을 예측하는 목적함수값 예측단계; 예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면을 도출하는 파레토 최적해 면 도출단계; 및 도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 마이크로 터빈의 최적 설계안을 도출하는 설계안도출단계를 포함할 수 있다.
한편, 상기와 같은 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법의 설계시스템은 제5 항에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법의 설계시스템 있어서, 상기 목적함수, 상기 설계변수 및 각각의 상기 설계변수의 범위가 입력되는 저장부; 상기 저장부에 입력된 상기 설계변수의 범위 내에서 실험점을 도출하도록 마련된 도출부; 상기 도출부에서 도출된 상기 실험점에 대한 수치해석을 수행하여 상기 입력값을 생성하는 생성부; 상기 생성부에 생성된 상기 입력값에 대한 머신 러닝을 수행하여 상기 대리모델을 구축하도록 마련된 구축부; 및 상기 구축부로부터 상기 마이크로 터빈의 최적 설계안을 도출하도록 마련된 설계부를 포함할 수 있다.
본 발명의 일 실시예에 따른 마이크로 터빈은 효율을 향상시켜 발전량을 증가시킬 수 있다.
본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계 방법은 전체 유량범위에서 터빈의 효율을 향상시킬 수 있는 마이크로 터빈의 형상을 도출시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 마이크로 터빈을 나타낸 것이다.
도 2는 본 발명의 일 실시예에 따른 마이크로 터빈의 인렛 가이드 베인 및 러너의 단면 일부를 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계 방법을 나타낸 순서도이다.
도 4는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 효율 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 마이크로 터빈의 효율을 최대화하기 위한 것을 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 효율에 미치는 정도를 나타낸 그래프이다.
도 7는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 출력 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 8은 본 발명의 일 실시예에 따른 마이크로 터빈의 출력을 최대화하기 위한 것을 나타낸 것이다.
도 9는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 출력에 미치는 정도를 나타낸 것이다.
도 10은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 증기량 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 11은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 증기량에 미치는 정도를 나타낸 그래프이다.
도 12는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 높은 낙하 조건에서의 효율 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 13은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 높은 낙하 조건에서의 효율에 미치는 정도를 나타낸 그래프이다.
도 14은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계방법의 RBNN 모델을 나타낸 것이다.
도 15는 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법의 입력값에 대한 머신러닝을 통해 대리모델을 구축하기 위한 변수값을 도출하는 단계를 나타낸 것이다.
도 16은 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 파레토 최적해 면을 도출한 것을 나타낸 것이다.
도 17은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계시스템을 나타낸 것이다.
도 18은 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 단계를 나타낸 것이다.
도 19는 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 입력값에 대한 머신러닝을 통해 대리모델을 구축하기 위한 변수값을 도출하는 단계를 나타낸 것이다.
도 20은 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 단계를 나타낸 것이다.
도 21은 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 목적함수에 대한 교차 검증 오류에 따른 확산 상수의 값을 나타낸 그래프이다.
도 22는 본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계방법에 따른 유전자 알고리즘에 따라 예측된 목적함수 값들을 나타낸 그래프이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 마이크로 터빈을 나타낸 것이다.
도 1을 참고하면, 본 발명의 일 실시예에 따른 마이크로 터빈(100)는 케이싱(110), 샤프트(120), 인렛 가이드 베인(130), 러너(140)를 포함할 수 있다.
케이싱(110)은 내부에 유체가 통과하는 유로가 형성되고, 관으로 마련될 수 있다. 여기서, 유체는 A 측으로 유입되고 B 측으로 배출될 수 있다. 즉, A측이 Inlet이고, B 측이 Outlet으로 마련될 수 있다.
샤프트(120)는 케이싱(110)의 내부에 배치되고 러너(140)에 의해 회전되어 유체의 에너지를 기계적 에너지로 변환시킬 수 있다. 인렛 가이드 베인(130)은 케이싱(110)의 내부에 고정되고 유체의 유동 각도를 보정할 수 있다. 또한, 인렛 가이드 베인의 출구 Hub-Span 각도(130B_h)는 인렛 가이드 베인의 출구 Tip-span 각도(130B_s)와 같거나 보다 클 수 있다. 여기서, Hub는 샤프트(120)측을 의미하고, Tip은 케이싱(110)측을 의미할 수 있다. 다시 말해, 인렛 가이드 베인의 출구 Hub는 인렛 가이드 베인(130) 중 샤프트(120)에 가까운 곳을 의미할 수 있다. 그리고, 인렛 가이드 베인의 출구 Tip은 인렛 가이드 베인(130) 중 케이싱(110)에 가까운 곳을 의미할 수 있다.
러너(140)는 인렛 가이드 베인(130)으로부터 소정의 간격 이격되어 샤프트(120)에 연결될 수 있다. 그리고, 러너(140)는 유체에 의해 이동되어 샤프트(120)를 회전시킬 수 있다.
그리고, 러너의 입구 각도(Beta1) 및 러너의 출구 각도(Beta2)는 Hub, mid, Tip-span에서 각각 동일 또는 다르게 설정될 수 있다.
여기서, 러너(140)의 Hub는 샤프트(120)측을 의미하고, Tip은 케이싱(110)측을 의미할 수 있다. 또한, 러너(140)의 Mid-Span은 Hub와 Tip의 중간지점일 수 있다. 다시 말해, 러너(140)의 Hub는 러너(140) 중 샤프트(120)에 가까운 곳을 의미할 수 있다. 그리고, 러너(140)의 Tip은 러너(140) 중 케이싱(110)에 가까운 곳을 의미할 수 있다. 또한, 러너(140)의 Mid-Span은 러너(140)의 중간지점일 수 있다.
그리고, 러너의 입구 각도(Beta1)는 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m) 및 러너의 입구 Tip-Span 각도(Beta1_s)를 포함할 수 있다. 또한, 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m) 및 러너의 입구 Tip-Span 각도(Beta1_s)는 동일 또는 다르게 설정될 수 있다.
그리고, 러너의 출구 각도(Beta2)는 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 포함할 수 있다. 또한, 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)는 동일 또는 다르게 설정될 수 있다.
또한, 인렛 가이드 베인(130)과 러너(140)의 배치 및 러너(140)의 형상에 의해 마이크로 터빈(100)의 효율(Eff)이 변경될 수 있다. 그리고, 본 발명의 일 실시예에 따른 마이크로 터빈의 설계 방법(S100)은 인렛 가이드 베인(130)과 러너(140) 사이의 거리(L), 러너의 입구 각도(Beta1) 및 러너의 출구 각도(Beta2)를 변경시켜 터빈의 효율(Eff)을 향상시킬 수 있는 마이크로 터빈(100)를 설계할 수 있다.
그리고, 인렛 가이드 베인과 러너 사이의 거리는 5 mm이고, Beta1_s는 76도이고, Beta2_h는 68.184도 일 때, Beta1_h, Beta1_m, Beta2_m, Beta2_s는 하기 표 1을 만족함으로써, 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)을 최적화시킬 수 있다.
　 Beta1_h Beta1_m Beta2_m Beta2_s Eff P Off_Eff
1 30.00031 59.02128 78.68498 80.63999 -85.7141 -2.51222 -80.3016
2 31.98547 59.46864 78.45881 80.55951 -85.7009 -2.51411 -79.9684
3 32.69916 59.03095 77.89448 80.62353 -85.6891 -2.52198 -79.6965
4 41.18984 59.06212 78.68391 80.63979 -85.6883 -2.50811 -80.844
5 38.71566 59.09403 78.47964 80.50291 -85.6851 -2.51257 -80.4191
6 42.31089 59.06212 78.68391 80.62214 -85.6842 -2.50771 -80.8925
7 40.22725 59.06545 78.55766 80.46563 -85.6808 -2.51111 -80.5581
8 42.73091 59.03764 78.49023 80.60695 -85.6792 -2.51043 -80.7244
9 42.00063 59.06137 78.34524 80.61302 -85.6789 -2.51268 -80.5409
10 36.87463 59.46007 78.33338 80.32449 -85.6775 -2.51523 -79.9399
11 44.93984 59.06212 78.68391 80.63979 -85.6771 -2.50645 -81.047
12 42.66602 59.05915 78.43944 80.57006 -85.6768 -2.51129 -80.6398
13 44.05301 59.06212 78.68391 80.57015 -85.6765 -2.50718 -80.9533
14 42.57918 59.03832 78.26505 80.56995 -85.6738 -2.51377 -80.4747
15 43.0191 59.05849 78.30646 80.56588 -85.6731 -2.51299 -80.5272
16 44.65012 59.06267 78.48352 80.60016 -85.673 -2.50965 -80.8066
17 30.86145 63.31078 78.6614 80.621 -85.6711 -2.50082 -78.6091
18 41.45752 59.14283 78.0748 80.53262 -85.6709 -2.51671 -80.174
19 43.97725 59.06545 78.55766 80.46563 -85.6697 -2.5095 -80.7557
20 44.52945 59.08121 78.28415 80.56833 -85.6684 -2.51258 -80.5778
21 42.55379 59.06614 78.67533 80.3121 -85.6682 -2.50914 -80.6971
22 31.80686 59.99891 77.53115 80.38773 -85.6674 -2.5256 -78.8299
23 39.4103 59.20158 77.98269 80.29885 -85.6629 -2.51957 -79.8172
24 44.72355 59.22554 77.97975 80.50167 -85.6582 -2.51651 -80.1984
25 40.39211 62.0081 78.31625 80.38708 -85.6538 -2.50731 -79.1343
26 31.80741 62.20013 78.46627 80.01456 -85.6534 -2.50956 -78.5562
27 42.42173 59.43752 78.31298 80.15026 -85.6532 -2.51407 -80.0946
28 41.31625 59.34937 77.57162 80.42517 -85.6532 -2.52308 -79.5564
29 39.264 59.22459 77.79336 80.08073 -85.6477 -2.5228 -79.4906
30 39.15893 59.35432 77.76665 80.06787 -85.6464 -2.52294 -79.4046
31 43.54463 59.18133 77.30296 80.51509 -85.644 -2.52534 -79.54
32 32.43244 59.37269 78.36785 79.41768 -85.6433 -2.52019 -79.2412
33 44.22279 59.37044 77.78061 80.24244 -85.6417 -2.52 -79.7643
34 39.81573 59.90633 77.63559 80.09469 -85.641 -2.52298 -79.123
35 42.31089 60.37462 76.93391 80.62214 -85.6384 -2.52711 -78.7703
36 36.18244 59.37269 78.36785 79.41768 -85.6325 -2.51885 -79.4123
37 44.99051 59.06212 76.93391 80.57015 -85.6306 -2.52888 -79.3594
38 43.86679 59.09184 77.19168 80.28701 -85.6286 -2.52749 -79.3425
39 42.55379 59.06614 76.92533 80.3121 -85.624 -2.53085 -79.0741
40 38.40788 61.29023 77.9265 79.73026 -85.6229 -2.51803 -78.5534
41 40.70732 59.26743 78.01723 79.60764 -85.6229 -2.52109 -79.4544
42 38.25605 60.67281 76.55973 80.42848 -85.6223 -2.53262 -78.0428
43 38.30476 60.85648 76.37019 80.56571 -85.62 -2.53362 -77.9056
44 39.24435 59.23776 76.33051 80.51985 -85.6159 -2.53688 -78.5039
45 33.86643 61.1292 76.54781 80.19665 -85.6156 -2.53399 -77.5385
46 43.62241 59.08752 76.86052 80.24002 -85.6155 -2.53131 -79.0112
47 34.73869 59.32627 78.23637 79.08336 -85.6143 -2.52231 -79.041
48 44.40033 59.06451 76.40014 80.56509 -85.611 -2.53452 -78.8692
49 44.66677 59.05397 76.12848 80.60048 -85.6 -2.53683 -78.6811
50 37.41579 61.15768 77.78821 79.31697 -85.5989 -2.52192 -78.1828
51 43.13163 59.22652 78.28931 79.20092 -85.5942 -2.51804 -79.5962
52 35.53266 59.64352 77.88032 78.81502 -85.585 -2.52646 -78.4726
53 44.46444 59.08685 75.73616 80.59747 -85.5814 -2.5402 -78.3405
54 43.94096 59.19652 76.0507 80.20367 -85.5798 -2.53876 -78.2782
55 39.52126 59.79265 76.43097 79.58339 -85.5739 -2.5377 -77.798
56 43.69636 59.23525 75.67549 80.4022 -85.5716 -2.5413 -78.0802
57 40.0712 59.63981 75.72007 80.068 -85.5655 -2.54248 -77.6129
58 35.87113 59.44492 77.67139 78.55988 -85.5624 -2.52979 -78.2254
59 44.49462 59.04521 75.35061 80.50146 -85.5565 -2.54346 -77.9927
60 35.99627 60.2703 77.28351 78.59821 -85.5494 -2.53215 -77.5978
61 37.94954 61.25275 78.33475 78.42824 -85.5435 -2.51726 -78.1415
62 35.46933 59.82243 77.7929 78.26366 -85.5433 -2.52851 -78.0004
63 40.84255 60.71261 76.90784 78.89643 -85.5412 -2.53256 -77.4742
64 44.45728 59.05755 74.93884 80.60215 -85.537 -2.54597 -77.7405
65 44.43652 59.27951 74.79299 80.58173 -85.5285 -2.54663 -77.5355
66 35.46539 63.31626 77.69416 78.54604 -85.5226 -2.52066 -76.6687
67 38.80936 59.24628 75.98038 78.88084 -85.5141 -2.54412 -77.189
68 38.43405 60.28791 78.21339 77.97196 -85.5137 -2.52204 -78.1645
69 41.44252 59.2634 75.09858 79.75886 -85.5128 -2.54762 -77.1389
70 41.64655 60.22366 76.77299 78.49889 -85.5085 -2.53534 -77.3439
71 44.45989 59.07688 74.29509 80.5764 -85.4943 -2.5496 -77.2524
72 37.08561 60.97204 77.93694 77.79844 -85.4935 -2.52471 -77.4818
73 42.71945 59.20302 74.18496 80.54975 -85.4882 -2.55059 -77.0567
74 44.07725 59.05389 74.18555 80.57214 -85.4868 -2.55028 -77.1699
75 43.57885 59.08336 74.13423 80.58343 -85.4843 -2.55062 -77.1153
76 36.1569 59.16433 75.8329 78.34556 -85.4785 -2.54695 -76.6992
77 34.86652 59.56643 74.08288 80.27309 -85.4769 -2.55326 -76.455
78 41.54478 59.8808 76.85136 78.02738 -85.4766 -2.53607 -77.2614
79 35.84265 63.56185 77.53297 78.04871 -85.4753 -2.52299 -76.1473
80 35.61556 63.60574 75.61204 78.60852 -85.4592 -2.54047 -74.8902
81 44.49425 59.07883 73.81763 80.55596 -85.4592 -2.55171 -76.9134
82 36.38593 60.73486 78.06241 77.29789 -85.4576 -2.52498 -77.3783
83 37.69919 59.07128 75.01966 78.7327 -85.4561 -2.55105 -76.4084
84 38.33368 60.56554 75.34209 78.4706 -85.4544 -2.54723 -75.9345
85 44.1037 59.05027 73.73883 80.58127 -85.4544 -2.55211 -76.8766
86 43.28748 59.22622 73.81897 80.37819 -85.4542 -2.55225 -76.7082
87 35.45447 59.93533 76.45167 77.61627 -85.451 -2.54222 -76.4486
88 34.9513 61.11344 76.44689 77.62465 -85.445 -2.54033 -75.9718
89 37.21474 60.03385 76.20954 77.62345 -85.4355 -2.5433 -76.2801
90 44.45728 59.05755 73.48448 80.60215 -85.4353 -2.55281 -76.7319
91 35.61514 60.86979 75.24783 78.19437 -85.4351 -2.54848 -75.5038
92 32.96296 59.0768 73.4384 80.63589 -85.4349 -2.5556 -76.4303
93 37.72892 59.28548 74.92161 78.45693 -85.4326 -2.55154 -76.0954
94 41.23214 59.07329 76.10698 77.68153 -85.4246 -2.54399 -76.7348
95 38.25327 60.82539 76.02782 77.62347 -85.4202 -2.54295 -75.8613
96 41.37339 61.35899 78.68391 77.12214 -85.4157 -2.51383 -77.8433
97 32.06547 62.16769 76.61344 77.21224 -85.4137 -2.53823 -75.3552
98 33.97009 64.48013 77.16847 77.51751 -85.4116 -2.52636 -75.0645
99 44.57304 59.02643 73.16593 80.59939 -85.409 -2.55368 -76.5431
100 38.63575 59.94632 75.30125 77.87068 -85.4088 -2.54875 -75.803
101 36.34228 61.47949 77.71297 76.90896 -85.4066 -2.52776 -76.5475
102 30.48856 59.56692 74.67765 78.03681 -85.4041 -2.55449 -75.3942
103 35.52623 62.15879 77.73097 76.90558 -85.4005 -2.52633 -76.2535
104 37.24478 60.17431 74.80285 78.03042 -85.3966 -2.5514 -75.4092
105 35.13653 59.73043 77.56845 76.47856 -85.3864 -2.53371 -76.8269
106 43.28706 59.65085 76.77331 77.01834 -85.3795 -2.53738 -76.7715
107 33.10092 64.79458 74.59688 78.30487 -85.3759 -2.54587 -73.4153
108 37.66499 64.22786 75.04002 77.92087 -85.3684 -2.54328 -73.8594
109 43.62241 59.08752 76.86052 76.74002 -85.3562 -2.53752 -76.9186
110 35.82089 59.35744 74.63443 77.53354 -85.3528 -2.55354 -75.284
111 30.43176 59.85002 73.79595 78.17103 -85.3513 -2.55694 -74.8097
112 36.82384 62.6849 73.69116 78.44296 -85.3468 -2.55233 -73.8987
113 35.16158 61.34053 76.10664 76.56946 -85.3351 -2.54296 -75.0343
114 34.35604 62.85487 75.62295 76.69506 -85.3131 -2.54374 -74.0912
115 38.49448 62.20079 77.23077 76.26223 -85.3119 -2.53062 -75.5565
116 30.13064 59.05462 72.71758 78.88158 -85.2992 -2.55876 -74.9157
117 36.54861 59.20032 75.34145 76.42253 -85.2946 -2.54997 -75.2477
118 39.34791 59.16043 78.65747 75.60528 -85.2923 -2.52177 -77.7613
119 34.27625 62.42045 74.86724 76.72053 -85.2853 -2.54869 -73.743
120 38.27325 59.6859 75.55696 76.27565 -85.2823 -2.54758 -75.1925
121 34.54038 60.5879 77.26635 75.59345 -85.2809 -2.53522 -75.7444
122 37.05988 61.81073 77.81234 75.68753 -85.2716 -2.52639 -75.8745
123 36.53408 63.44039 76.30894 76.20013 -85.271 -2.5368 -74.1667
124 36.62398 59.63489 76.77436 75.60751 -85.2677 -2.54005 -75.7755
125 34.67926 60.07263 73.89942 77.03656 -85.2666 -2.55498 -74.2269
126 37.94816 62.30727 76.59856 75.95047 -85.264 -2.53622 -74.7893
127 34.01134 61.3724 73.90991 76.91171 -85.2543 -2.55367 -73.6405
128 38.52915 61.87422 78.02629 75.52501 -85.2461 -2.52331 -76.0166
129 40.04852 61.76772 78.6559 75.52527 -85.2424 -2.51553 -76.7233
130 39.49349 62.00664 75.8919 75.97636 -85.2411 -2.54133 -74.4051
131 37.0502 59.07845 75.57567 75.73378 -85.2353 -2.54811 -75.1145
132 35.42925 61.17961 76.04574 75.52547 -85.225 -2.54294 -74.5054
133 34.17009 62.83788 76.3773 75.55138 -85.222 -2.53815 -74.064
134 38.02762 63.39126 78.39277 75.40868 -85.2076 -2.51555 -75.6456
135 35.38875 60.93557 76.28203 75.26137 -85.2065 -2.54155 -74.6511
136 32.5172 59.47467 77.7253 74.50987 -85.1877 -2.53325 -75.9606
137 34.27063 59.10782 78.17099 74.42832 -85.1782 -2.52897 -76.5216
138 36.28969 60.4443 78.19814 74.6409 -85.1754 -2.52539 -76.2126
139 33.58293 60.50596 73.41642 76.33452 -85.1719 -2.55454 -73.3634
140 33.50286 62.98209 75.65402 75.28602 -85.1673 -2.54259 -73.2945
141 38.88235 60.81804 75.73912 74.94742 -85.1332 -2.54307 -74.2098
142 34.3201 62.14425 74.94593 75.13433 -85.127 -2.54679 -73.0748
143 34.38325 59.41635 76.21871 74.41773 -85.1234 -2.54319 -74.7416
144 34.95403 59.55944 77.79265 74.05594 -85.1147 -2.5309 -75.8514
145 34.05765 59.52071 75.92882 74.43019 -85.1145 -2.5447 -74.4749
146 35.05849 61.92643 77.30633 74.32653 -85.1062 -2.53096 -74.621
147 44.02098 60.89283 78.59385 74.36851 -85.0814 -2.51598 -76.597
148 32.37009 62.54304 76.1932 74.24135 -85.0715 -2.53887 -73.3385
149 32.91386 63.72612 77.12234 74.25721 -85.0699 -2.52945 -73.6088
150 32.4712 64.5725 74.60654 74.90518 -85.0532 -2.54429 -71.6596
151 37.03885 62.96667 74.8089 74.74283 -85.0511 -2.54425 -72.4945
152 36.14664 60.46054 78.12222 73.67092 -85.0459 -2.52506 -75.6601
153 33.54162 64.67363 74.79599 74.71587 -85.033 -2.54262 -71.6669
154 34.06758 61.21349 75.22079 74.14854 -85.0323 -2.54484 -73.1516
155 32.54274 60.25603 75.60938 73.66274 -85.0047 -2.54375 -73.548
156 35.82089 59.35744 74.63443 74.03354 -84.994 -2.54742 -73.4448
157 36.34907 65.00666 76.27238 74.17428 -84.9927 -2.53158 -72.4079
158 36.67665 61.63242 75.60418 73.86959 -84.9927 -2.54094 -73.1875
159 37.35098 61.41942 76.55 73.47098 -84.967 -2.53481 -73.8477
160 33.24581 63.32939 77.43775 73.38252 -84.9604 -2.52602 -73.6412
161 35.70412 62.3687 75.05022 73.82978 -84.9593 -2.54232 -72.4376
162 32.05098 61.69096 77.31684 73.06824 -84.9552 -2.53022 -74.0411
163 36.30467 62.84175 78.31946 73.36017 -84.954 -2.51724 -74.7327
164 40.58877 61.12693 77.90803 73.21214 -84.934 -2.52266 -75.1412
165 37.30019 63.19073 78.01373 73.22139 -84.9172 -2.51878 -74.2709
166 31.28462 65.18946 74.28348 73.98845 -84.914 -2.54219 -70.7066
167 35.14198 64.39462 76.76553 73.35866 -84.9092 -2.52816 -72.6555
168 37.90211 63.0947 78.41757 72.89314 -84.8649 -2.51393 -74.5601
169 35.55096 61.83418 77.24212 72.52493 -84.8451 -2.52748 -73.7745
170 35.44045 61.02853 76.51769 72.36358 -84.8201 -2.53302 -73.4192
171 33.89115 64.76231 78.01475 72.70048 -84.8185 -2.51542 -73.2357
172 35.91165 64.15458 77.23225 72.617 -84.8037 -2.5228 -72.8351
173 36.85803 63.7349 78.21223 72.51722 -84.7967 -2.51418 -73.8835
174 33.00471 65.13763 75.07229 72.90149 -84.7884 -2.53559 -70.7739
175 33.28179 65.14662 77.19246 72.48972 -84.7734 -2.52164 -72.2313
176 36.28494 63.55053 74.67084 72.79294 -84.7716 -2.53774 -71.195
177 35.04211 61.40085 74.56089 72.394 -84.7475 -2.53937 -71.8159
178 30.97821 63.18495 75.10212 72.23562 -84.7427 -2.53684 -71.316
179 35.44067 62.78295 77.11802 71.97586 -84.7357 -2.5248 -73.0278
180 35.53663 63.17433 75.4033 72.25627 -84.7296 -2.53423 -71.6232
181 34.97872 60.64173 76.13497 71.49355 -84.6787 -2.53198 -72.879
182 31.11217 62.24595 75.34728 71.51267 -84.6545 -2.53412 -71.5744
183 32.28088 62.14671 75.99576 71.31484 -84.6376 -2.53073 -72.0311
184 34.95064 61.79735 75.49156 71.3628 -84.6166 -2.53204 -71.8656
185 34.4857 62.99206 77.97772 71.10009 -84.5947 -2.51495 -73.2976
186 36.84174 65.14657 77.02214 71.53079 -84.5857 -2.51806 -71.762
187 32.90145 64.31355 77.34374 70.95769 -84.542 -2.51724 -72.0651
188 35.22359 61.38483 76.74261 70.68188 -84.5382 -2.52415 -72.7407
189 37.2982 64.74206 77.97772 71.10009 -84.5201 -2.50935 -72.6226
190 36.28141 60.79862 77.33961 70.37409 -84.494 -2.51968 -73.3887
191 34.55339 63.05744 76.42657 70.57888 -84.4815 -2.52276 -71.731
192 34.53061 62.21337 74.06383 70.95009 -84.4794 -2.53113 -70.5269
193 31.57528 65.05258 75.50936 70.71184 -84.4529 -2.52495 -70.1588
194 31.49642 63.04865 77.94273 70.15815 -84.4456 -2.51264 -72.781
195 36.01417 63.78769 74.65416 70.79887 -84.4394 -2.52755 -70.2075
196 35.10189 63.51447 74.3345 70.77806 -84.4343 -2.52843 -70.0892
197 35.09009 63.48392 76.87953 70.25851 -84.4139 -2.5177 -71.8042
198 31.9642 63.73213 74.65939 70.46795 -84.41 -2.52729 -70.053
199 31.18888 64.10855 74.30016 70.17765 -84.3381 -2.52544 -69.5317
200 33.62199 64.64105 74.8265 70.19007 -84.3313 -2.5234 -69.6767
201 32.52906 63.39182 75.22839 69.89288 -84.3293 -2.52315 -70.3744
202 33.88205 63.90569 78.59141 69.80669 -84.327 -2.50229 -72.9419
203 33.88205 63.90569 76.84141 69.80669 -84.3252 -2.51528 -71.3865
204 35.58291 62.29539 76.15464 69.66507 -84.3126 -2.51947 -71.4966
205 33.43841 63.48778 76.21323 69.63277 -84.2964 -2.51819 -70.9853
206 33.65527 62.3751 74.85725 69.71572 -84.2958 -2.52323 -70.4892
207 34.16455 62.43819 76.88234 69.45013 -84.2929 -2.51555 -71.9181
208 34.43807 63.55125 75.13518 69.76227 -84.2823 -2.52142 -70.2137
209 35.45149 61.98099 76.52946 69.40262 -84.2772 -2.51696 -71.8264
210 33.08483 65.46576 76.69945 69.66503 -84.2539 -2.51246 -70.5056
211 33.22705 64.18819 76.88234 69.45013 -84.2526 -2.51281 -71.1478
212 35.11895 63.52338 77.10066 69.36093 -84.2393 -2.51142 -71.6288
213 31.41949 63.82713 73.65714 69.6796 -84.2185 -2.52168 -69.0632
214 33.002 63.99613 76.09193 69.22658 -84.203 -2.51545 -70.5105
215 34.61585 65.33077 78.38946 69.44614 -84.2 -2.49845 -72.0036
216 33.72073 65.09014 74.46601 69.62388 -84.1967 -2.51931 -69.0121
217 36.37795 61.02853 78.26769 68.86358 -84.1951 -2.50487 -73.5669
218 33.09167 62.35598 74.81242 69.16604 -84.1923 -2.51963 -70.2534
219 33.3025 63.19296 75.64041 69.02959 -84.1716 -2.51654 -70.4462
220 32.67857 64.46574 75.59102 69.18021 -84.1713 -2.51602 -69.9031
221 32.81598 65.20453 75.46403 69.13887 -84.1364 -2.51475 -69.4666
222 34.67474 64.95084 78.27902 68.94227 -84.1093 -2.49777 -71.8867
223 31.8947 65.76637 75.87585 68.99742 -84.1064 -2.512 -69.4534
224 32.92483 65.37853 75.09911 69.07081 -84.1062 -2.51467 -69.1017
225 31.08286 64.54451 76.03042 68.75322 -84.1054 -2.51246 -70.021
226 35.34317 64.10981 75.52118 68.82634 -84.0843 -2.51305 -69.9146
227 34.39682 64.17427 77.336 68.6534 -84.0807 -2.50485 -71.2722
228 32.44022 64.89476 74.22916 68.7134 -84.0201 -2.51336 -68.5967
229 34.63653 62.12483 75.1378 68.2762 -84.0141 -2.51229 -70.2753
230 34.10842 65.77277 75.64961 68.62354 -84.0045 -2.50906 -69.175
231 31.62669 65.02558 74.92505 68.40672 -83.9846 -2.5111 -68.8883
232 33.56635 65.63416 75.82321 68.4379 -83.9777 -2.50776 -69.296
233 31.87054 63.98674 74.43588 68.28851 -83.9695 -2.51144 -68.979
234 35.27225 64.15579 75.73497 68.24834 -83.9663 -2.5083 -69.8479
235 31.29927 65.53775 74.89178 68.31675 -83.9512 -2.50979 -68.6001
236 31.18536 65.38643 75.14167 68.23636 -83.9474 -2.50921 -68.8133
237 31.87054 65.73674 74.43588 68.28851 -83.9187 -2.50914 -68.1971
238 33.09174 65.14657 75.27214 68.03079 -83.8975 -2.50695 -68.9613
239 36.65387 63.32893 78.33465 67.80419 -83.8945 -2.49314 -72.3064
240 35.16817 60.94624 75.40044 67.52579 -83.8809 -2.50689 -70.6992
241 32.55869 65.71099 75.64073 67.96439 -83.8777 -2.50506 -68.9464
242 35.51078 64.56291 76.50031 67.85607 -83.8775 -2.50219 -70.1402
243 32.37717 62.85287 75.47644 67.53919 -83.8685 -2.50628 -69.94
244 32.23342 65.77277 74.88398 67.96729 -83.86 -2.50623 -68.3738
245 33.09077 64.77605 74.80242 67.82448 -83.85 -2.50617 -68.7258
246 34.99336 65.03448 77.69182 67.74197 -83.8437 -2.49447 -70.8997
247 35.76755 64.974 78.5126 67.75798 -83.8327 -2.48813 -71.711
248 32.33717 65.82238 74.51215 67.84512 -83.8187 -2.50517 -68.058
249 35.18737 63.87507 75.20518 67.54165 -83.8063 -2.50387 -69.3323
250 32.32757 65.49821 74.81776 67.69124 -83.8053 -2.50436 -68.3606
251 31.26377 63.61617 74.94132 67.35892 -83.8018 -2.5045 -69.1639
252 37.17802 64.42727 77.15145 67.45354 -83.777 -2.49561 -70.6457
253 30.97798 65.99999 74.69442 67.51765 -83.758 -2.50275 -67.9816
254 33.83046 65.1508 75.1433 67.44527 -83.7569 -2.50194 -68.6759
255 31.7971 65.80171 74.05158 67.60633 -83.7542 -2.50299 -67.6862
256 32.46243 64.7937 74.36375 67.38643 -83.7425 -2.50241 -68.2726
257 31.77434 65.39149 74.25996 67.40644 -83.7309 -2.50202 -67.94
258 33.58385 64.79326 75.63525 67.18129 -83.7222 -2.49979 -69.108
259 31.26377 65.36617 74.06632 67.35892 -83.7179 -2.50156 -67.811
260 33.2859 65.00776 74.77165 67.26469 -83.7149 -2.50094 -68.4156
261 31.88783 65.72063 74.42666 67.15361 -83.6679 -2.49942 -67.8168
262 32.27191 64.5901 76.17188 66.79716 -83.662 -2.49642 -69.4709
263 36.25649 64.61695 78.44506 66.96245 -83.655 -2.48387 -71.5579
264 31.28462 65.18946 74.28348 66.98845 -83.6476 -2.49869 -67.91
265 31.43712 65.60819 73.93663 66.97329 -83.6158 -2.49736 -67.4954
266 31.13032 65.48891 75.1528 66.76369 -83.6144 -2.49672 -68.2896
267 31.55302 65.30227 74.7452 66.79729 -83.613 -2.49709 -68.1053
268 32.44022 65.76976 74.22916 66.9634 -83.6105 -2.49712 -67.6058
269 36.45954 64.21539 78.67655 66.69038 -83.598 -2.48091 -71.8781
270 33.52254 65.88424 77.05065 66.73391 -83.5924 -2.48959 -69.5974
271 32.25391 65.75413 75.12715 66.74798 -83.5899 -2.49566 -68.1527
272 31.13032 65.48891 74.2778 66.76369 -83.5872 -2.49625 -67.6994
273 32.30172 65.86735 78.18408 66.67445 -83.584 -2.48306 -70.5605
274 30.98986 65.84059 74.60664 66.71886 -83.5773 -2.49578 -67.7399
275 32.12638 65.85855 74.30016 66.67765 -83.5462 -2.49454 -67.5201
276 30.98209 65.91896 74.27248 66.64399 -83.5459 -2.49461 -67.4617
277 36.05172 65.86735 78.62158 66.67445 -83.5334 -2.47743 -71.0631
278 36.45954 65.96539 78.67655 66.69038 -83.5272 -2.47657 -71.0869
279 30.97798 65.99999 73.81942 66.64265 -83.5255 -2.49361 -67.1393
280 30.97798 65.99999 73.81942 66.64265 -83.5255 -2.49361 -67.1393
도 3을 참조하면, 머신러닝을 이용한 마이크로 터빈의 설계방법의 설계시스템(300)은 저장부(310), 도출부(320), 생성부(330), 구축부(340) 및 설계부(350)를 포함한다.상기 저장부(310)는 목적함수, 설계변수 및 각각의 설계변수의 범위가 입력되도록 마련될 수 있다.
상기 도출부(320)는 상기 저장부(310)에 입력된 상기 설계변수의 범위 내에서 실험점을 도출하도록 마련될 수 있다.
상기 생성부(330)는 상기 도출부(320)에서 도출된 상기 실험점에 대한 수치해석을 수행하여 상기 입력값을 생성하도록 마련될 수 있다.
상기 구축부(340)는 상기 생성부(330)에 생성된 상기 입력값에 대한 머신 러닝을 수행하여 대리모델을 구축하도록 마련될 수 있다.
상기 설계부(350)는 상기 구축부(340)로부터 상기 머신러닝을 이용한 마이크로 터빈의 설계방법에 따라 설계된 마이크로 터빈(10)의 최적 설계안을 도출하도록 마련될 수 있다.
이하, 머신러닝을 이용한 마이크로 터빈의 설계방법의 설계시스템(300)을 이용한 머신러닝을 이용한 마이크로 터빈의 설계방법을 구체적으로 설명하도록 한다.
또한, 이하에서는 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)을 최적화시킬 수 있는 본 발명의 일 실시예에 따른 마이크로 터빈을 설계하는 방법(S100)에 대해 설명한다.
부가적으로, 마이크로 터빈의 설계 방법은 수두 2.5m, 설계 유량 12cmm, 설계 회전속도 962rpm인 조건에서 마이크로 터빈을 설계할 수 있다. 그리고, 경계 조건 외 지점은 수두 4.5m, 설계 유량 15cmm, 설계 회전속도 962rpm인 조건에서 마이크로 터빈을 설계할 수 있다.
도3을 참조하여 설명하면, 본 발명은 인렛 가이드 베인과 러너를 포함하는 마이크로 터빈의 설계 방법(S100)이다. 그리고, 본 발명의 일 실시예에 따른 마이크로 터빈의 설계 방법(S100)은 마이크로 터빈의 형상을 고려하여 목적함수 및 설계변수 결정 단계(S110), 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계(S120), 선정된 설계 영역에서 설계변수를 조합하는 단계(S130), 조합된 설계변수 중에서 2k 요인실험법에 의해 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계(S140), 설계변수의 영역 내에서의 설계변수 값으로 이루어진 복수의 실험점을 도출하는 실험점 도출 단계(S150), 도출된 각각의 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계(S160), 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계(S170) 및 구축된 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 최적 설계안 도출단계(S180)를 포함할 수 있다.
본 발명의 일 실시예에 따른 목적함수 및 설계변수 결정단계(S110)는 마이크로 터빈의 형상을 고려하여 목적함수 및 설계변수 결정할 수 있다. 그리고, 목적함수 및 설계변수 결정단계(S110)에서는 목적함수를 최대화하기 위하여 마이크로 터빈의 형상을 결정하는 설계변수를 선택할 수 있다.
이때, 목적함수는 터빈의 효율(Eff)일 수 있다. 부가적으로, 목적함수는 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)일 수 있다.
터빈의 효율(Eff)은 유체가 인렛 가이드 베인을 통과한 후 러너에 부딪힐 때, 발생하는 유동 손실을 감소시킴으로써 향상시킬 수 있다. 즉, 마이크로 터빈의 설계 방법(S100)은 터빈의 효율(Eff)을 최대화할 수 있도록 마이크로 터빈의 형상을 결정하는 것에 목적이 있으므로 목적함수는 터빈의 효율(Eff)일 수 있다.
도 1 및 도 2를 참고하면, 본 발명의 일 실시예에서 목적함수인 터빈의 효율(Eff)에 영향을 미칠 것이라 인식되는 설계변수들은 인렛 가이드 베인과 러너 사이의 거리(L), 러너의 입구 각도(Beta1) 및 러너의 출구 각도(Beta2)일 수 있다. 그리고, 러너의 입구 각도(Beta1)는 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m) 및 러너의 입구 Tip-Span 각도(Beta1_s)를 포함할 수 있다. 또한, 러너의 출구 각도(Beta2)는 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 포함할 수 있다.
그리고, 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)에 따라 러너의 형상이 변경될 수 있다.
또한, 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)는 상기에서 설명하였으므로, 자세한 설명은 생략하기로 한다.
또한, 마이크로 터빈의 형상을 고려한 설계변수는 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)일 수 있으나 이에 한정되지는 않는다.
본 발명의 일 실시예에 따른 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계(S120)에서는 터빈의 효율(Eff)을 최대화하기 위해 설계변수의 범위를 한정함으로써 적절한 설계영역을 설정할 수 있다.
설계변수의 상한 및 하한값을 결정하는 설계 영역 선정 단계(S120)에서는 거리(L)는 4 mm 이상 6 mm 이하이고, 러너의 입구 Hub-Span 각도(Beta1_h)는 38도 이상 52도 이하일 수 있다. 그리고, 러너의 입구 Mid-Span 각도(Beta1_m)는 61도 이상 71도 이하이고, 러너의 입구 Tip-Span 각도(Beta1_s)는 71도 이상 81도 이하일 수 있다. 또한, 러너의 출구 Hub-Span 각도(Beta2_h)는 63.184도 이상 73.184도 이하이고, 러너의 출구 Mid-Span 각도(Beta2_m)는 66.685도 이상 76.685도 이하일 수 있다. 그리고, 러너의 출구 Tip-Span 각도(Beta2_s)는 68.64도 이상 78.64도 이하일 수 있다.
이와 같이 설계변수와 설계영역이 결정되면 해석을 위한 최적의 격자계를 구성하게 되는데 본 발명에서는 격자의존성을 제거하기 위한 테스트를 실행할 수 있다. 또한, 격자계는 ANSYS TurboGrid를 사용하여 정렬격자계(structured grid)로 생성하였다. 본 발명의 일 실시예에 따른 고정변수를 선정하는 단계(S120)에서는 수치해석결과의 신뢰성을 높이기 위해 격자테스트를 수행하고, 마이크로 터빈(100)의 경계조건을 나타낼 수 있다. 부가적으로, 마이크로 터빈(100)는 샤프트(120)를 기준으로 형상이 일정한 패턴을 이루므로, 패턴에 해당하는 영역을 분리하여 테스트를 수행할 수 있다.
또한, 마이크로 터빈의 비압축성 난류흐름(turbulent flow) 분석을 위해 3차원 Reynolds-averaged Navier-Stokes 방정식을 이용할 수 있다. 난류의 흐름을 분석하기 위해 난류모델(turbulent model)은 유동박리(flow separation)의 예측에 유리한 Shear Stress Transport model을 사용할 수 있다.
그리고, 설계 영역 선정단계는 설계변수에 대한 목적함수를 결정하기 위해 경계 조건을 고정하는 경계 조건 고정단계를 더 포함할 수 있다.
여기서, 입구인 케이싱(110)의 Inlet(A)에서의 경계 조건은 전체 압력 101,325 [Pa] + Alpha [Pa]인 조건이고, 출구인 케이싱(110)의 Outlet(B)에서의 경계 조건은 정압 101,325 [Pa]일 수 있다. 또한, 작동유체는 상온(25도)의 물로 고정될 수 있다.
상기 선정된 설계 영역에서 설계변수를 조합하는 단계(S130)에서 설계변수인 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 제어하여 목적함수가 최대가 될 수 있는 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 조합할 수 있다.
본 발명의 일 실시예에서 선정된 설계 영역에서 상기 설계변수 중에서 2k 요인실험법에 의해 상기 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계(S140)에서는 상기 선정된 설계 영역에서 설계변수를 조합하기 위해 실험계획법을 사용할 수 있다. 실험계획법은 이상변동을 가져오는 원인 중에서 중요한 원인을 적은 비용으로 선정하고 효과를 수량적으로 측정하기 위한 방법으로, 두 종류의 인자를 대상으로 하여 인자들의 효과를 개별적으로 측정할 수 있다.
본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수에 의한 유동특성을 알아보기 위해 실험계획법 중 하나인 2k 요인실험법을 사용할 수 있고, 분석은 상용프로그램인 Minitab 14를 사용할 수 있다. 다시 말해, 설계변수를 조합하는 단계는 2k 요인실험법을 통해 마이크로 터빈의 설계변수에 의한 터빈의 효율(Eff) 변화를 알아볼 수 있다. 이를 통해 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 조합하여 목적함수의 민감도를 파악할 수 있다.
선정된 설계변수는 2k 요인실험 및 CFD를 활용하여 설계변수 변화에 따른 효율 및 출력 변화를 분석할 수 있다.
2k 요인실험법에 적용된 실험조건은 하기 표 2과 같다.
　 Beta1_h Beta1_m Beta1_s Beta2_h Beta2_m Beta2_s L
1 38 61 71 63.184 66.685 68.64 4
2 52 61 71 63.184 76.685 68.64 6
3 38 71 71 63.184 76.685 78.64 4
4 52 71 71 63.184 66.685 78.64 6
5 38 61 81 63.184 76.685 78.64 6
6 52 61 81 63.184 66.685 78.64 4
7 38 71 81 63.184 66.685 68.64 6
8 52 71 81 73.184 76.685 68.64 4
9 38 61 71 73.184 66.685 78.64 6
10 52 61 71 73.184 76.685 78.64 4
11 38 71 71 73.184 76.685 68.64 6
12 52 71 71 73.184 66.685 68.64 4
13 38 61 81 73.184 76.685 68.64 4
14 52 61 81 73.184 66.685 68.64 6
15 38 71 81 73.184 66.685 78.64 4
16 52 71 81 73.184 76.685 78.64 6
Center 45 66 76 68.184 71.685 73.64 5
2k 요인실험법이란 k개의 인자에 대해 각각의 인자의 수준을 실험을 수행하여 각 인자의 유의성을 판정하는 방식이다. 이때, 7가지 인자의 모든 효과를 구하려면 실험의 크기를 27 = 128회로 하여 인자들의 주 효과와 교호 작용을 구해야 한다.본 발명의 일 실시예에서 관심 있는 인자의 수, 실행할 수 있는 실험의 수, 비용, 시간 등을 고려하여 의미가 적은 고차의 상호작용을 교락시켜서 실험의 횟수를 적게 하는 일부실시법(fractional factorial designs)으로 2k 요인실험을 수행하였다. 본 발명의 일 실시예에서 조합된 설계변수 중에서 2k 요인실험법에 의해 목적함수에 주요한 영향을 미치는 설계변수 조합 결정 단계(S130)에서는 16개의 조합된 실험점 중에서 2k 요인실험법에 의해 목적함수에 주요한 영향을 미치는 설계변수 조합을 결정한다.
도 4는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 효율(BEP) 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 마이크로 터빈의 효율을 최대화하기 위한 것을 나타낸 것이다.
도 6은 설계변수가 터빈의 효율에 미치는 정도를 나타낸 차트(Pareto Chart)이다.
도 7는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 출력(P) 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 8은 본 발명의 일 실시예에 따른 마이크로 터빈의 출력을 최대화하기 위한 것을 나타낸 것이다.
도 9는 설계변수가 터빈의 출력에 미치는 정도를 나타낸 차트(Pareto Chart)이다.
도 10은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 증기량 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 11은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 증기량에 미치는 정도를 나타낸 그래프이다.
도 12는 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수 변화에 따른 터빈의 경계 조건 외 지점(수두가 높은 지점) 조건에서의 효율 변화를 주 효과 도포(Main Effects plot)를 이용하여 나타낸 그래프이다.
도 13은 본 발명의 일 실시예에 따른 마이크로 터빈의 설계변수가 터빈의 경계 조건 외 지점(수두가 높은 지점) 조건에서의 효율에 미치는 정도를 나타낸 그래프이다.
설계변수가 압력 손실에 미치는 영향을 주 효과도표(Main Effects plot)를 이용하여 7개 인자의 주 영향력을 분석할 수 있다. 주 효과도표의 분석결과를 종합하면, 설계변수가 터빈의 효율(Eff), 터빈의 출력(P)에 영향을 주는 정도를 알 수 있다.
도 6, 9 ,11, 13을 참고하면, Beta1_h, Beta1_m, Beta2_m, Beta2_s가 다른 설계변수들에 비해 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)에 큰 영향을 주는 것을 알 수 있다.
이에 따라, 인렛 가이드 베인과 러너 사이의 거리는 5 mm, Beta1_s는 76도, Beta2_h는 68.184도로 값을 고정시키고 설계변수에서 제외시킬 수 있다.
그리고, Beta1_h, Beta1_m, Beta2_m, Beta2_s을 설계변수로 하여 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)을 최적화시킬 수 있다.
설계변수의 범위 내에서의 설계변수 값으로 이루어진 복수의 실험점을 도출하는 실험점 도출 단계(S150)에서는 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 복수의 실험점을 도출하도록 마련될 수 있다.
여기서, 각각의 상기 실험점은 상기 설계변수의 값으로 이루어진 것일 수 있으며, 본 발명의 실시예에서는 48개의 실험점을 라틴 하이퍼 큐브 샘플링 방법에 의해 도출하였으나, 상기 실험점의 개수가 이에 한정되는 것은 아니다.
48개의 실험점은 하기 표 3과 같다.
　 Beta1_h Beta1_m Beta2_m Beta2_s Eff P Off_Eff
1 30 59 71.69 66.64 -83.46 -2.48264 -69.1029
2 30 59 71.69 80.64 -85.229 -2.55708 -75.5586
3 30 59 78.69 66.64 -83.8737 -2.49523 -73.8154
4 45 59 71.69 66.64 -83.4287 -2.47982 -68.7518
5 30 66 71.69 66.64 -83.455 -2.48727 -65.887
6 30 59 78.69 80.64 -85.6855 -2.50873 -79.949
7 45 59 71.69 80.64 -85.2834 -2.55567 -75.954
8 30 66 71.69 80.64 -85.2055 -2.54902 -72.689
9 45 59 78.69 66.64 -83.6429 -2.48485 -74.174
10 30 66 78.69 66.64 -83.5849 -2.47931 -70.814
11 45 66 71.69 66.64 -83.3638 -2.48193 -66.059
12 45 59 78.69 80.64 -85.6827 -2.50349 -81.532
13 30 66 78.69 80.64 -85.6366 -2.49029 -77.581
14 45 66 71.69 80.64 -85.2714 -2.54731 -72.953
15 45 66 78.69 66.64 -83.4781 -2.47125 -71.248
16 45 66 78.69 80.64 -85.6334 -2.48475 -77.95
17 42.1 63.97 72.14 75.67 -84.977 -2.54671 -70.882
18 30 61.26 75.3 78.38 -85.5433 -2.55305 -75.472
19 33.87 59.9 73.49 79.74 -85.4453 -2.55718 -75.831
20 31.45 64.19 72.81 68.45 -83.8993 -2.50702 -67.862
21 32.42 62.39 76.2 73.41 -84.8813 -2.53532 -73.152
22 35.32 59.68 75.98 74.77 -85.2163 -2.54681 -74.743
23 34.84 59.45 77.1 80.19 -85.6366 -2.5318 -78.607
24 31.94 62.84 72.59 77.03 -85.2953 -2.55739 -72.2
25 36.77 63.29 74.62 71.16 -84.402 -2.52515 -70.563
26 36.29 63.52 77.33 69.8 -84.1953 -2.50822 -72.128
27 37.74 59 72.36 72.96 -84.6649 -2.53633 -71.547
28 30.97 60.13 78.69 75.22 -85.2096 -2.52283 -76.906
29 39.19 64.65 78.46 77.93 -85.4669 -2.51064 -76.641
30 30.48 65.77 73.94 70.7 -84.3326 -2.52364 -68.631
31 33.39 64.42 76.65 66.64 -83.7616 -2.49785 -69.89
32 40.65 63.06 75.52 79.29 -85.5782 -2.54328 -75.739
33 34.35 61.94 74.85 67.99 -84.0289 -2.51074 -70.096
34 41.61 60.58 73.72 80.64 -85.233 -2.54328 -75.781
35 44.52 59.23 76.43 76.58 -85.4188 -2.5453 -76.347
36 35.81 60.35 71.91 69.35 -84.0927 -2.51044 -69.385
37 44.03 64.87 71.69 72.06 -84.4145 -2.52495 -68.455
38 37.26 66 78.01 74.32 -84.9434 -2.51407 -73.619
39 38.71 61.48 73.04 77.48 -85.396 -2.5588 -73.331
40 38.23 61.71 75.75 76.12 -85.3055 -2.54651 -74.531
41 43.06 62.16 77.78 70.25 -84.3181 -2.50822 -73.454
42 40.16 65.55 73.27 67.09 -83.4323 -2.48969 -67.284
43 39.68 65.32 74.39 72.51 -84.72 -2.53351 -70.119
44 42.58 62.61 74.17 73.87 -84.8681 -2.54026 -71.866
45 43.55 60.81 77.56 78.83 -85.4959 -2.52545 -77.874
46 41.13 65.1 76.88 67.54 -83.6944 -2.49301 -70.246
47 45 63.74 75.07 68.9 -83.8942 -2.5053 -69.96
48 32.9 61.03 78.23 71.61 -84.7435 -2.51961 -74.647
설계변수의 범위 내에서의 상기 설계변수 값으로 이루어진 복수의 실험점을 도출하는 실험점 도출 단계(S150) 이후에는, 도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계(S160)가 수행될 수 있다.표 3은 본 발명의 일실시예에 따른 실험점에 대한 수치해석을 통해 목적함수의 값을 계산하여 생성된 입력값을 나타낸 것이다.
표 3을 참고하면, 도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계(S160)에서는, 라틴 하이퍼 큐브 샘플링 방법에 의해 도출된 실험점들에 대한 수치해석을 수행하여 목적함수 값을 구함으로써 입력값을 도출하도록 마련될 수 있다.
여기서, 상기 입력값은 표 3에서와 같이, 실험점을 이루는 상기 설계변수의 값 및 상기 설계변수의 값에 대한 수치해석을 통해 계산된 상기 목적함수의 값들로 이루어질 수 있다.
도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계(S160) 이후에는, 상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계(S170)가 수행될 수 있다.
상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계(S170)에서, 상기 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어질 수 있다.
RBNN(Radial basis neural network) 인공신경망 대리모델에 대해서 구체적으로 설명하면, RBNN(Radial basis neural network) 인공신경망은 인공 신경망 종류 중 하나로서, 입력값, 출력값 및 숨은층(Hidden layer)로 구성된다.
RBNN 인공신경망의 예측 정확성은 숨은층에 의해 의존되며, 입력값에 의한 숨은층들은 다음 수학식 1와 같이 방사형 기저 전달함수로 표현되는 뉴런들로 구성된다.
[수학식 1]
Figure 112020127554730-pat00008
여기서, wi는 가중치를 의미하고, b는 바이어스이고, p는 입력벡터이다. 방사형 기저함수(radbas)는 다음 수학식 2와 같다.
[수학식 2]
Figure 112020127554730-pat00009
각 뉴런들은 출력 가중치가 결합되어 선형결합으로 출력되며, 다음 수학식 3과 같이 나타낼 수 있다.
[수학식 3]
Figure 112020127554730-pat00010
여기서,
Figure 112020127554730-pat00011
는 가중치이고,
Figure 112020127554730-pat00012
는 방사형 기저함수를 나타낸다.
이처럼 마련된 RBNN 인공신경망 대리모델을 이용할 경우, 출력값의 선형성으로 인해 계산 및 예측시간을 줄일 수 있다.
상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계(S170)는 먼저, 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 변수값 도출단계(S171)가 수행될 수 있다.
입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 변수값 도출단계(S171)에서, 상기 변수 값은, 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant, SC)가 포함될 수 있다.
입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 변수값 도출단계(S171)는 먼저, 입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계(S1711)가 수행될 수 있다.
입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계(S1711)에서는, 상기 입력값을 K개로 분리된 부분 집합으로 분할하도록 마련될 수 있다.
이때, K개는 입력값의 개수와 동일하게 마련될 수 있다.
일 예로, 설계변수 값과 목적함수 값으로 이루어진 입력값이 48개인 경우, 부분 집합의 개수도 48개로 마련될 수 있다.
입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계(S1711) 이후에는, 분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제2단계(S1712)가 수행될 수 있다.
분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제2단계(S1712)에서는, 각각의 부분 집합에서 상호 중복되지 않도록 테스트 폴드를 선정하도록 마련될 수 있다.
일 예로, 첫번째 부분 집합에서는 1번 입력값을 테스트 폴드로 선정하고, 두번째 부분 집합에서는 2번 입력값을 테스트 폴드로 선정하는 방식으로 이루어질 수 있다.
분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 단계(S512) 이후에는, 각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제3단계(S1713)가 수행될 수 있다.
각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제3단계(S1713)에서는, 각각의 부분 집합에서 트레이닝 폴드만으로 머신러닝을 수행하도록 마련될 수 있다.
일 예로, 첫번째 부분 집합에서 1번 입력값이 테스트 폴드인 경우, 나머지 입력값은 트레이닝 폴드가 된다. 그리고 이처럼 마련된 트레이닝 폴드만으로 머신 러닝을 수행하여 RBNN 인공신경망 대리모델을 훈련시킬 수 있다. 이때, 머신 러닝은 상기 변수인 가중치(wi, wo), 뉴런의 수(n), 확산 상수(Spread constant,SC) 등을 변화시켜가면서 이루어질 수 있다.
각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제3단계(S1713) 이후에는, 각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제4단계(S1714)가 수행될 수 있다.
각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제4단계(S1714)에서는 트레이닝 폴드로 훈련된 대리모델을 이용하여 테스트 폴드의 예측값을 계산하고, 테스프 폴드의 실제 값을 비교하여 상대 오차를 도출하도록 마련될 수 있다.
각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제4단계(S1714) 이후에는, K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5단계(S1715)가 수행될 수 있다.
K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5단계(S1715)에서는, 각각의 부분 집합에서 도출된 상대 오차들을 합하여 상대오차합을 도출하도록 마련될 수 있다.
K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5단계(S1715) 이후에는, 상기 상대오차합이 최소가 되는 상기 변수 값이 도출되도록 상기 분할하는 단계 내지 상기 상대오차합을 도출하는 단계를 반복 수행하는 제6단계(S1716)가 수행될 수 있다.
상기 상대오차합이 최소가 되는 상기 변수 값이 도출되도록 상기 분할하는 단계 내지 상기 상대오차합을 도출하는 단계를 반복 수행하는 제6단계(S1716)에서는, 상대오차합이 최소가 되도록 하는 변수를 찾기 위해 입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계(S1711)부터 K 개의 상기 부분 집합에서 도출된 상기 상대 오차를 합산하여 상대오차합을 도출하는 제5단계(S1715)까지 반복 수행하도록 마련될 수 있다.
본 발명의 일실시예에서는 변수인 학습된 확산 상수를 0.1부터 10까지 값을 변화시키면서 각 목적함수에 대한 RBNN 모델의 합산 상대오차가 최소화되는 값이 선정되었다.
도21을 참고하면, SC1, SC2 및 SC3는 각각 터빈의 효율(Eff), 터빈의 출력(P), 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)에 대한 확산 상수 값을 의미한다. 그리고, 본 발명의 실시예에서는, 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 변수값 도출단계(S171)에 따라 최종 학습된 SC1, SC2 및 SC3값은 각각 3.7, 3.9 및 1.5이다.
입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수 값을 도출하는 변수값 도출단계(S171) 이후에는, 도출된 상기 변수 값을 이용하여 상기 대리모델을 구축하는 모델구축단계(S172)가 수행될 수 있다.
도출된 상기 변수 값을 이용하여 상기 대리모델을 구축하는 모델구축단계(S172)에서는 도출된 상기 변수 값들을 이용하여 상기 RBNN 인공신경망 대리모델을 구축하도록 마련될 수 있다.
상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계(S170) 이후에는, 구축된 상기 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 최적 설계안 도출단계(S180)가 수행될 수 있다.
구축된 상기 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 최적 설계안 도출단계(S180)는 먼저, 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 목적함수값 예측단계(S181)가 수행될 수 있다.
대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 목적함수값 예측단계(S181)에서, 유전자 알고리즘은 자연에서 진화하는 방식을 모방하여 개발된 탐색 기법이다.
구체적으로, 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 목적함수값 예측단계(S181)는 먼저, 대리모델에서 무작위로 설계 변수를 선택하여 복수의 모집단을 선정할 수 있다. 그리고, 모집단들을 상기 유전자 알고리즘에 따라 선택, 돌연변이, 교차 연산을 수행하여 설계변수에 따른 예측 목적함수값이 실제 목적함수값과의 상대오차가 1x10-8 이하가 될 때까지 반복 수행이 이루어지도록 마련될 수 있다.
대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘(Genetic algorithm)에 대입하여 목적함수값을 예측하는 목적함수값 예측단계(S181) 이후에는, 예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 파레토 최적해 면 도출단계(S182)가 수행될 수 있다.
예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 파레토 최적해 면 도출단계(S182)에서는 도 16과 같이, 예측된 목적함수값들의 상관 관계를 고려하여 파레토 최적해를 이루는 라인 또는 면을 도출하도록 마련될 수 있다
예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면(Pareto-optimal front surface)을 도출하는 파레토 최적해 면 도출단계(S182) 이후에는, 도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 마이크로 터빈의 최적 설계안을 도출하는 설계안도출단계(S183)가 수행될 수 있다.
도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 마이크로 터빈의 최적 설계안을 도출하는 설계안도출단계(S183)에서는, 목적설계함수값을 갖도록 하는 설계변수를 상기 파레토 최적해 면에서 도출하여 최적 설계안을 도출하도록 마련될 수 있다.
결과적으로, 본 발명의 일 실시예에 따른 마이크로 터빈(10)은 효율을 향상시켜 발전량을 증가시킬 수 있다.
본 발명의 일 실시예에 따른 머신러닝을 이용한 마이크로 터빈의 설계 방법은 전체 유량범위에서 터빈의 효율을 향상시킬 수 있는 마이크로 터빈(10)의 형상을 도출시킬 수 있다.
본 발명을 앞서 기재한 바에 따라 바람직한 실시예를 통해 설명하였지만, 본 발명은 이에 한정되지 않으며 다음에 기재하는 특허청구범위의 개념과 범위를 벗어나지 않는 한, 다양한 수정 및 변형이 가능하다는 것을 본 발명이 속하는 기술 분야에 종사하는 자들은 쉽게 이해할 것이다.
100 : 마이크로 터빈
110 : 케이싱 120 : 샤프트
130 : 인렛 가이드 베인 140 : 러너
L : 거리 Beta1 : 러너의 입구 각도
Beta1_h : 러너의 입구 Hub-Span 각도 Beta1_m : 러너의 입구 Mid-Span 각도
Beta1_s : 러너의 입구 Tip-Span 각도 Beta2 : 러너의 출구 각도
Beta2_h : 러너의 출구 Hub-Span 각도 Beta2_m : 러너의 출구 Mid-Span 각도
Beta2_s : 러너의 출구 Tip-Span 각도

Claims (19)

  1. 내부에 유체가 통과하는 유로가 형성되고 관으로 마련되는 케이싱;
    상기 케이싱의 내부에 배치되는 샤프트;
    상기 케이싱의 내부에 고정되고 상기 유체의 유동 각도를 변경시키는 인렛 가이드 베인; 및
    상기 인렛 가이드 베인으로부터 소정의 간격 이격되어 상기 샤프트에 연결되고 상기 유체에 의해 상기 샤프트와 함께 회전되는 러너를 포함하고,
    상기 러너의 입구 각도(Beta1)는 상기 러너의 입구 측에서 상기 샤프트에 가까운 곳에서의 Hub-Span 각도(Beta1_h), 상기 러너의 입구 측에서 중간지점인 곳에서의 Mid-Span 각도(Beta1_m) 및 상기 러너의 입구 측에서 상기 케이싱에 가까운 곳에서의 Tip-Span 각도(Beta1_s)를 포함하고,
    상기 러너의 출구 각도(Beta2)는 상기 러너의 출구 측에서 상기 샤프트에 가까운 곳에서의 Hub-Span 각도(Beta2_h), 상기 러너의 출구 측에서 중간지점인 곳에서의 Mid-Span 각도(Beta2_m) 및 상기 러너의 출구 측에서 상기 케이싱에 가까운 곳에서의 Tip-Span 각도(Beta2_s)를 포함하며,
    터빈의 효율(Eff)은 상기 인렛 가이드 베인과 상기 러너 사이의 거리, 상기 러너의 입구 각도(Beta1) 및 상기 러너의 출구 각도(Beta2)에 의해 변경되고,
    상기 인렛 가이드 베인과 상기 러너 사이의 거리는 5 mm이고, 상기 Beta1_s는 76도이고, 상기 Beta2_h는 68.184도 일 때, 상기 터빈의 효율(Eff)과 터빈의 출력(P)과 경계 조건 외 지점에서의 터빈의 효율(Off_Eff)이 최적화되는 상기 Beta1_h, Beta1_m, Beta2_m, Beta2_s는 하기 표를 만족하는 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈.
    Figure 112022005300512-pat00013

    Figure 112022005300512-pat00014

    Figure 112022005300512-pat00015

    Figure 112022005300512-pat00016

    Figure 112022005300512-pat00017

    Figure 112022005300512-pat00018

    Figure 112022005300512-pat00019
  2. 삭제
  3. 삭제
  4. 제1 항에 있어서,
    상기 인렛 가이드 베인의 출구 Hub-Span 각도는 상기 인렛 가이드 베인의 출구 Tip-span 각도와 같거나 보다 큰 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈.
  5. 목적함수, 설계변수 및 각각의 상기 설계변수의 범위가 입력되는 저장부; 상기 저장부에 입력된 상기 설계변수의 범위 내에서 실험점을 도출하도록 마련된 도출부; 상기 도출부에서 도출된 상기 실험점에 대한 수치해석을 수행하여 입력값을 생성하는 생성부; 상기 생성부에 생성된 상기 입력값에 대한 머신 러닝을 수행하여 대리모델을 구축하도록 마련된 구축부; 및 상기 구축부로부터 상기 마이크로 터빈의 최적 설계안을 도출하도록 마련된 설계부를 포함하는 설계시스템을 이용하여 제1 항 및 제4 항 중 어느 한 항에 따른 마이크로 터빈을 설계하는 방법으로써,
    상기 마이크로 터빈의 형상을 고려하여 목적함수 및 설계변수 결정 단계;
    상기 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계;
    상기 선정된 설계 영역에서 상기 설계변수를 조합하는 단계;
    상기 조합된 설계변수 중에서 2k 요인실험법에 의해 상기 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계;
    상기 설계변수의 영역 내에서의 상기 설계변수 값으로 이루어진 복수의 실험점을 도출하는 실험점 도출 단계;
    도출된 각각의 상기 실험점에 대한 수치해석을 통해 상기 목적함수의 값을 계산하여 입력값을 생성하는 입력값 생성 단계;
    상기 입력값에 대한 머신러닝을 통해 대리모델이 구축되는 대리모델 구축단계; 및
    구축된 상기 대리모델에서 마이크로 터빈의 최적 설계안을 도출하는 최적 설계안 도출단계를 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  6. 제5 항에 있어서,
    상기 목적함수는 전체 유량범위에서 터빈의 효율(Eff)이고, 상기 설계변수는 상기 목적함수에 영향을 미칠 수 있는 상기 인렛 가이드 베인과 상기 러너 사이의 거리(L), 상기 러너의 입구 각도(Beta1) 및 상기 러너의 출구 각도(Beta2)인 머신러닝을 이용한 마이크로 터빈의 설계방법.
  7. 제6 항에 있어서,
    상기 러너의 입구 각도(Beta1)는 상기 러너의 입구 Hub-Span 각도(Beta1_h), 상기 러너의 입구 Mid-Span 각도(Beta1_m) 및 상기 러너의 입구 Tip-Span 각도(Beta1_s)를 포함하고,
    상기 러너의 출구 각도(Beta2)는 상기 러너의 출구 Hub-Span 각도(Beta2_h), 상기 러너의 출구 Mid-Span 각도(Beta2_m) 및 상기 러너의 출구 Tip-Span 각도(Beta2_s)를 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  8. 제7 항에 있어서,
    상기 설계변수의 상한 및 하한값을 결정하는 설계 영역 선정단계에서 상기 거리(L)는 4 mm 이상 6 mm 이하이고, 상기 러너의 입구 Hub-Span 각도(Beta1_h)는 38도 이상 52도 이하이며, 상기 러너의 입구 Mid-Span 각도(Beta1_m)는 61도 이상 71도 이하이고, 상기 러너의 입구 Tip-Span 각도(Beta1_s)는 71도 이상 81도 이하이며, 상기 러너의 출구 Hub-Span 각도(Beta2_h)는 63.184도 이상 73.184도 이하이고, 상기 러너의 출구 Mid-Span 각도(Beta2_m)는 66.685도 이상 76.685도 이하이며, 상기 러너의 출구 Tip-Span 각도(Beta2_s)는 68.64도 이상 78.64도 이하인 머신러닝을 이용한 마이크로 터빈의 설계방법.
  9. 제7 항에 있어서,
    상기 조합된 설계변수 중에서 2k 요인실험법에 의해 상기 목적함수에 주요한 영향을 미치는 주요 설계변수 결정 단계에서는 상기 거리(L), 러너의 입구 Hub-Span 각도(Beta1_h), 러너의 입구 Mid-Span 각도(Beta1_m), 러너의 입구 Tip-Span 각도(Beta1_s), 러너의 출구 Hub-Span 각도(Beta2_h), 러너의 출구 Mid-Span 각도(Beta2_m) 및 러너의 출구 Tip-Span 각도(Beta2_s)를 조합하여 상기 목적함수의 민감도를 파악하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  10. 제6 항에 있어서,
    상기 설계 영역 선정단계는 상기 설계변수에 대한 목적함수를 결정하기 위해 경계 조건을 고정하는 경계 조건 고정단계를 더 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  11. 제10 항에 있어서,
    작동유체는 25도의 물로 고정되는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  12. 제5 항에 있어서,
    상기 실험점 도출 단계에서,
    상기 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출되는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  13. 제5 항에 있어서,
    상기 입력값 생성 단계에서,
    상기 입력값은 상기 실험점을 이루는 상기 설계변수의 값 및 상기 설계변수의 값에 대한 수치해석을 통해 계산된 상기 목적함수의 값으로 이루어진 머신러닝을 이용한 마이크로 터빈의 설계방법.
  14. 제7 항에 있어서,
    상기 대리모델 구축단계에서,
    상기 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어진 머신러닝을 이용한 마이크로 터빈의 설계방법.
  15. 제14 항에 있어서,
    상기 대리모델 구축단계는,
    상기 입력값에 대한 머신러닝을 통해 상기 대리모델을 구축하기 위한 변수값을 도출하는 변수값 도출단계; 및
    도출된 상기 변수값을 이용하여 상기 대리모델을 구축하는 모델구축단계를 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  16. 제15 항에 있어서,
    상기 변수값 도출단계는,
    상기 입력값을 K 개로 분리된 부분 집합으로 분할하는 제1단계;
    분할된 상기 부분 집합에서 상호 중복되지 않는 테스트 폴드를 선정하는 제2단계;
    각각의 상기 부분 집합에서 상기 테스트 폴드를 제외한 부분인 트레이닝 폴드만으로 머신러닝을 수행하여 상기 대리모델을 훈련시키는 제3단계;
    각각의 상기 부분 집합에 대하여 상기 트레이닝 폴드로 훈련된 대리모델의 예측값과 상기 테스트 폴드의 실제 값을 비교하여 상대오차를 도출하는 제4단계;
    K 개의 상기 부분 집합에서 도출된 상기 상대오차를 합산하여 상대오차 합을 도출하는 제5단계; 및
    상기 상대오차 합이 최소가 되는 상기 변수값이 도출되도록 상기 제1단계 내지 상기 제5단계를 반복 수행하는 제6단계를 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  17. 제15 항에 있어서,
    상기 변수값 도출단계에서,
    상기 변수값은 상기 Beta1_h, Beta1_m, Beta2_m, Beta2_s을 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  18. 제15 항에 있어서,
    상기 최적 설계안 도출단계는,
    상기 대리모델에서 무작위로 선택된 설계변수 값을 유전자 알고리즘에 대입하여 목적함수값을 예측하는 목적함수값 예측단계;
    예측된 상기 목적함수값들의 상관관계를 고려한 파레토 최적해 면을 도출하는 파레토 최적해 면 도출단계; 및
    도출된 상기 파레토 최적해 면에서 목적으로 하는 목적설계함수값에 대한 설계변수 값인 마이크로 터빈의 최적 설계안을 도출하는 설계안도출단계를 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법.
  19. 삭제
KR1020200160947A 2020-11-26 2020-11-26 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법 KR102383334B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200160947A KR102383334B1 (ko) 2020-11-26 2020-11-26 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160947A KR102383334B1 (ko) 2020-11-26 2020-11-26 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법

Publications (2)

Publication Number Publication Date
KR102383334B1 true KR102383334B1 (ko) 2022-04-06
KR102383334B9 KR102383334B9 (ko) 2023-04-12

Family

ID=81211729

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160947A KR102383334B1 (ko) 2020-11-26 2020-11-26 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법

Country Status (1)

Country Link
KR (1) KR102383334B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102661634B1 (ko) * 2023-08-09 2024-04-30 주식회사 신한알앤디 머신러닝을 적용한 원심 펌프의 설계방법 및 이에 의하여 설계된 원심 펌프
KR102663951B1 (ko) * 2023-08-09 2024-05-20 동원펌프주식회사 반응면 기법을 기반으로 한 원심 펌프의 설계방법 및 이에 의하여 설계된 원심 펌프

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096924A (ko) * 2013-01-29 2014-08-06 한국기계연구원 임펠러 형상 최적설계방법
KR101578360B1 (ko) * 2015-02-12 2015-12-28 최혁선 축류형 터빈
KR101679188B1 (ko) * 2015-09-18 2016-11-25 한국생산기술연구원 단일 유로 펌프 임펠러의 고효율 최적화 설계방법 및 이에 의하여 설계된 고효율 단일 유로 펌프 임펠러
WO2020007844A1 (de) * 2018-07-03 2020-01-09 Siemens Aktiengesellschaft Entwurf und herstellung einer strömungsmaschinenschaufel

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096924A (ko) * 2013-01-29 2014-08-06 한국기계연구원 임펠러 형상 최적설계방법
KR101578360B1 (ko) * 2015-02-12 2015-12-28 최혁선 축류형 터빈
KR101679188B1 (ko) * 2015-09-18 2016-11-25 한국생산기술연구원 단일 유로 펌프 임펠러의 고효율 최적화 설계방법 및 이에 의하여 설계된 고효율 단일 유로 펌프 임펠러
WO2020007844A1 (de) * 2018-07-03 2020-01-09 Siemens Aktiengesellschaft Entwurf und herstellung einer strömungsmaschinenschaufel

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박노현 외 1명, "러너와 가이드 베인의 연동을 통한 마이크로 카프란 수차의 출력 최적화", 한국유체기계학회 논문집 제16권 제1호, 2013.02., pp.17-23. 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102661634B1 (ko) * 2023-08-09 2024-04-30 주식회사 신한알앤디 머신러닝을 적용한 원심 펌프의 설계방법 및 이에 의하여 설계된 원심 펌프
KR102663951B1 (ko) * 2023-08-09 2024-05-20 동원펌프주식회사 반응면 기법을 기반으로 한 원심 펌프의 설계방법 및 이에 의하여 설계된 원심 펌프

Also Published As

Publication number Publication date
KR102383334B9 (ko) 2023-04-12

Similar Documents

Publication Publication Date Title
Rossi et al. A general methodology for performance prediction of pumps-as-turbines using Artificial Neural Networks
Loboda et al. Neural networks for gas turbine fault identification: Multilayer perceptron or radial basis network?
Li et al. Multipoint and multiobjective optimization of a centrifugal compressor impeller based on genetic algorithm
KR102383334B1 (ko) 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법
Groniewsky Exergoeconomic optimization of a thermal power plant using particle swarm optimization
Pereira Jr et al. Procedure for predicting part load resonance in Francis turbine hydropower units based on swirl number and local cavitation coefficient similitude
Yumer et al. Mistuning identification of integrally bladed disks with cascaded optimization and neural networks
Cao et al. Classification and prediction of gas turbine gas path degradation based on deep neural networks
Aziz et al. Improving the performance of temperature model of economizer using bond graph and genetic algorithm
CN103245507A (zh) 蒸汽涡轮性能测试
Verstraete et al. Design and off-design optimization of a low pressure steam turbine radial diffuser using an evolutionary algorithm and 3d cfd
Guan et al. Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data
Bettocchi et al. Set up of a robust neural network for gas turbine simulation
Du Rand et al. Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach
Li et al. Improved multiple point non-linear genetic algorithm based performance adaptation using least square method
Gu et al. A modified clustering procedure for energy consumption monitoring in the steam turbine considering volume effect
Wróblewski et al. Optimization of tip seal with honeycomb land in LP counter rotating gas turbine engine
KR102291395B1 (ko) 가이드 베인 및 러너를 포함하는 마이크로 수력 터빈 및 이의 설계 방법
Chaibakhsh Modelling and long-term simulation of a heat recovery steam generator
Ghiasi et al. A new approach for optimization of combined cycle system based on first level of exergy destruction splitting
KR102379832B1 (ko) 프로펠러형 마이크로 수차의 설계 방법 및 이에 의하여 설계된 프로펠러형 마이크로 수차
Gölcü et al. Prediction of head, efficiency, and power characteristics in a semi-open impeller
Gluch et al. New attempt for diagnostics of the geometry deterioration of the power system based on thermal measurement
Galván et al. Optimization of the inlet velocity profile in a conical diffuser
Cerri et al. Inverse methodologies for actual status recognition of gas turbine components

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]