KR102383334B1 - 머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법 - Google Patents
머신러닝을 이용한 설계방법에 의해 설계된 마이크로 터빈 및 이의 설계방법 Download PDFInfo
- 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
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.
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
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.
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.
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]
여기서, wi는 가중치를 의미하고, b는 바이어스이고, p는 입력벡터이다. 방사형 기저함수(radbas)는 다음 수학식 2와 같다.
[수학식 2]
각 뉴런들은 출력 가중치가 결합되어 선형결합으로 출력되며, 다음 수학식 3과 같이 나타낼 수 있다.
[수학식 3]
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
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)
- 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.
- 삭제
- 삭제
- 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. - 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. - 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. - 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. - 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. - 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. - 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. - 제10 항에 있어서,
작동유체는 25도의 물로 고정되는 머신러닝을 이용한 마이크로 터빈의 설계방법. - 제5 항에 있어서,
상기 실험점 도출 단계에서,
상기 실험점은 라틴 하이퍼 큐브 샘플링(Latin Hypercube Sampling)에 의해 도출되는 머신러닝을 이용한 마이크로 터빈의 설계방법. - 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. - 제7 항에 있어서,
상기 대리모델 구축단계에서,
상기 대리모델은 RBNN(Radial basis neural network) 인공신경망으로 이루어진 머신러닝을 이용한 마이크로 터빈의 설계방법. - 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. - 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. - 제15 항에 있어서,
상기 변수값 도출단계에서,
상기 변수값은 상기 Beta1_h, Beta1_m, Beta2_m, Beta2_s을 포함하는 머신러닝을 이용한 마이크로 터빈의 설계방법. - 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. - 삭제
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)
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)
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 |
-
2020
- 2020-11-26 KR KR1020200160947A patent/KR102383334B1/ko active IP Right Grant
Patent Citations (4)
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)
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)
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] |