Una revisión de la detección de estancamiento en compresores axiales subsónicos
Autores: Wilson, Kellie N.; Jaman, Golam Gause; Thapa, Anish; Vivekananda, Amirthavarshini; Lowe, Mitchell; Grima, Zachary; Schoen, Marco P.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Una revisión de la detección de estancamiento en compresores axiales subsónicos
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Eventos de pérdida
Sistemas de compresores axiales
Eficiencia
Preocupaciones de seguridad
Algoritmos
Control activo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Los eventos de pérdida en sistemas de compresores axiales han sido un factor limitante para la eficiencia de dichos sistemas y una fuente de preocupaciones de seguridad. La detección del inicio de la pérdida, y en muchos casos el precursor del inicio de la pérdida, ha sido de interés en la comunidad de compresores axiales durante muchas décadas. Como tal, el desarrollo de algoritmos junto con el control activo podría reducir costos, disminuir emisiones, mejorar la seguridad y aumentar la competitividad en el mercado. Para comprender estos fenómenos de pérdida, la investigación pasada y actual se ha centrado en modelar compresores axiales como sistemas dinámicos, con un enfoque en obtener formulaciones descriptivas de los aspectos físicos de la pérdida. Algunos de estos enfoques permiten medidas de control activo que extienden el margen de pérdida del sistema de compresores para aumentar la seguridad y la eficacia. Este documento revisa las principales contribuciones en estas búsquedas y presenta los últimos métodos y algoritmos para la detección de precursores de pérdida en compresores axiales de baja velocidad. En particular, se presenta una revisión de los tipos y características de las pérdidas, los principales modelos matemáticos utilizados para describir estos sistemas, las influencias de atributos físicos como el despeje de punta, las palas guía y la carcasa de ranura que operan como elementos de control pasivo, pero también se discuten utilidades de control activo como la inyección de aire, junto con una revisión detallada de los algoritmos existentes para la detección de precursores de pérdida. Además, se presenta una proyección a futuro que incluye el uso de algoritmos de aprendizaje automático para avanzar en la comprensión y la capacidad de detección de precursores de pérdida.
Descripción
Los eventos de pérdida en sistemas de compresores axiales han sido un factor limitante para la eficiencia de dichos sistemas y una fuente de preocupaciones de seguridad. La detección del inicio de la pérdida, y en muchos casos el precursor del inicio de la pérdida, ha sido de interés en la comunidad de compresores axiales durante muchas décadas. Como tal, el desarrollo de algoritmos junto con el control activo podría reducir costos, disminuir emisiones, mejorar la seguridad y aumentar la competitividad en el mercado. Para comprender estos fenómenos de pérdida, la investigación pasada y actual se ha centrado en modelar compresores axiales como sistemas dinámicos, con un enfoque en obtener formulaciones descriptivas de los aspectos físicos de la pérdida. Algunos de estos enfoques permiten medidas de control activo que extienden el margen de pérdida del sistema de compresores para aumentar la seguridad y la eficacia. Este documento revisa las principales contribuciones en estas búsquedas y presenta los últimos métodos y algoritmos para la detección de precursores de pérdida en compresores axiales de baja velocidad. En particular, se presenta una revisión de los tipos y características de las pérdidas, los principales modelos matemáticos utilizados para describir estos sistemas, las influencias de atributos físicos como el despeje de punta, las palas guía y la carcasa de ranura que operan como elementos de control pasivo, pero también se discuten utilidades de control activo como la inyección de aire, junto con una revisión detallada de los algoritmos existentes para la detección de precursores de pérdida. Además, se presenta una proyección a futuro que incluye el uso de algoritmos de aprendizaje automático para avanzar en la comprensión y la capacidad de detección de precursores de pérdida.