기계 학습을 이용한 ORC용 터빈 형상 최적화

• Published in: 동력시스템공학회지 Vol. 27; no. 6; pp. 59 - 66
• Main Authors: 서종범(Jong-Beom Seo), 변기원(Gi-Won Byun), 홍선기(Seon-Ki Hong), 이호생(Ho-Saeng Lee), 한상조(Sang-Jo Han)
• Format: Journal Article
• Language: Korean
• Published: 한국동력기계공학회 01.12.2023
• Subjects: 기타공학; 터빈; 최적화; 기계 학습; 유기 랭킨 사이클; Machine Learning; Organic Rankine Cycle; Optimization; Radial Turbine
• ISSN: 2713-8429; 2713-8437
• DOI: 10.9726/kspse.2023.27.6.059

본 연구에서는 선박에서 나오는 폐열을 이용하여 발전하는 ORC 시스템용 원심 터빈의 최적화를 다루고자 한다. 전통적인 방법을 통한 최적화는 시간과 비용이 매우 많이 들어간다. 이 문제를 해결하고자 실험계획법, 기계 학습, 그리고 Latin hypercube sampling을 이용하여 상대적으로 간단한 방법으로 최적화를 수행하였다. 구체적으로는 실험계획법 기반으로 다양한 조건에서 터빈형상을 변화시키고, CFD를 수행하여 얻은 결과를 통해 기계학습 모델을 만들어 최적화를 수행하는 기법이다. 위의기법을 통해 설계점에서 최적화 전 터빈의 전효율 보다 1.3%p 이상 높은 성능을 가지는 터빈 형상을얻을 수 있었다. In this study, our primary objective is to optimize a turbine employed in an Organic Rankine Cycle (ORC) system that harnesses waste heat from a ship. Traditional optimization methods are known to be time-consuming and expensive. To streamline a more practical optimization approach, we have leveraged design of experiment, machine learning, and Latin hypercube sampling. Our experimental design involves varying turbine geometries under different conditions and subsequently creating a machine learning model using the results derived from computational fluid dynamics simulations. Through the utilization of these methodologies, we have succeeded in achieving a turbine that surpasses the turbine isentropic efficiency obtained at the initial design point by 1.3% point. KCI Citation Count: 0