توربین گازی

یک توربین گاز زیمنس در دست مونتاژ

توربین گازی (به انگلیسی: Gas Turbine) یک موتور درون‌سوز از گونه ماشین‌های دوار است که بر اساس انرژی گازهای ناشی از احتراق کار می‌کند. کاربرد اصلی آن در نیروگاه‌های گازی و سیکل‌ترکیبی است اما موتور بالگردها، موتور هواپیماهای مسافری، موتور هواپیماهای جنگی و موتور بیشتر کشتی‌های توربینی نیز گونه‌هایی از توربین گازی هستند.

نمونه‌هایی از تنظیمات توربین گازی: (۱) توربوجت، (۲) توربوپراپ، (۳) توربوشفت (ژنراتور برقی)، (۴) توربوفن با بای‌پس بالا، (۵) توربوفن پس‌سوز با بای‌پس کم

هر توربین گاز شامل یک کمپرسور برای فشرده کردن هوا، یک محفظه احتراق برای مخلوط کردن هوا با سوخت و محترق‌کردن آن و یک توربین برای تبدیل انرژی درونی گازهای داغ و فشرده به انرژی مکانیکی است. بخشی از انرژی مکانیکی تولیدشده در توربین، صرف چرخاندن کمپرسور خود توربین شده و باقی انرژی، بسته به کاربرد توربین گاز، ممکن است مولد الکتریکی را بچرخاند (توربو ژنراتور)، به هوا سرعت دهد (توربوجت و توربوفن) یا مستقیماً (یا بعد از تغییر سرعت چرخش توسط جعبه دنده) به همان صورت مصرف شود (توربوشفت، توربوپراپ و توربوفن). یکی از کابردهای توربین گازی پیشرانه توربین گازی خودرو و خودروهای زره‌پوش است به عنوان مثال تانک ابرامز دارای موتور توربین گازی ۱۵۰۰ اسب‌بخاری نیرومند است؛ همچنین تانک تی-۸۰ شوروی دارای یک موتور توربین گازی بسیار پردردسر و کم‌کاربرد بود.

در سال‌های کنونی شاهد پیشرفت سریع موتور توربین گازی بودیم که روزبه‌روز پرکاربردتر می‌شود.

تاریخچه

در سال ۱۷۹۱ میلادی، یک طراح به نام جان باربر، یک ماشین طراحی کرد که از نظر ماهیت کارکرد شبیه به توربین‌های گاز امروزی بود و ثبت اختراع این طرح را به نام خود کرد. او این توربین را برای به حرکت درآوردن یک کالسکه بدون اسب طراحی کرده بود. در سال ۱۹۰۴ میلادی، یک پروژه ساخت توربین گاز توسط فرانتس استولز در برلین انجام شد که اولین کمپرسور محوری جهان در ساخت آن مورد استفاده قرار گرفته بود، ولی این پروژه ناموفق بود. در طی سال‌های بعد، افراد مختلف بر روی ایده توربین گاز فعالیت کردند، به‌طوری‌که شرکت جنرال الکتریک آمریکا که امروزه بزرگ‌ترین تولیدکنندهٔ توربین گاز در جهان است، در سال ۱۹۸۰ بخش توربین گاز خود را راه‌اندازی کرد. با این وجود، نخستین توربین گازی برای تولید انرژی برق، در سال ۱۹۳۹ میلادی و در شرکت براون، باوری & سی در سوئیس ساخته شد که ظرفیت آن ۴ مگاوات بود.

مبنای کارکرد

چرخهٔ برایتون، اساس کارکرد توربین‌های گاز

مبنای کار توربین‌های گاز از نظر ترمودینامیکی، بر اساس چرخه برایتون است که در آن، هوا به صورت بی‌دررو فشرده شده، احتراق در فشار ثابت رخ داده و انبساط هوای فشرده و داغ در توربین، به صورت بی‌دررو رخ می‌دهد و هوا به فشار اولیه می‌رسد. در عمل، اصطکاک و توربولانس باعث می‌شوند که:

1. فشرده‌سازی هوا در کمپرسور به صورت بی‌دررو نباشد. این موجب می‌شود که برای دست‌یافتن به یک نسبت فشار معین، دمای خروجی کمپرسور بیشتر از حالت ایدئال باشد.
2. انبساط هوا در توربین به صورت بی‌دررو نباشد. این موجب می‌شود که با ثابت بودن مقدار کاهش دما در توربین، کاهش فشار ناشی از آن افزایش یافته و انبساط کمتری برای تولید کار در توربین فراهم باشد.
3. افت فشار در ورودی هوا، محفظهٔ احتراق و اگزوز وجود داشته باشد. این موضوع باعث می‌شود که نسبت فشار موجود برای تولید کار کاهش یابد. افت فشار در ورودی هوا باعث کاهش فشار در ورودی کمپرسور و در نتیجه کاهش فشار ورودی محفظهٔ احتراق و توربین می‌شود. افت فشار در محفظه و اگزوز، به ترتیب به کاهش فشار ورودی به توربین و افزایش فشار خروجی توربین می‌انجامند که همهٔ این عوامل، باعث کاهش نسبت فشار موجود در توربین برای تولید کار می‌شوند.

با افزایش دمای هوای ورودی به توربین، بازده توربین‌های گاز افزایش می‌یابد؛ بنابراین، بهتر است که این دما هر چه بیشتر انتخاب شود. اما در این مورد از نظر تحمل مواد تشکیل‌دهندهٔ محفظهٔ احتراق و پره‌های توربین، محدودیت وجود دارد؛ بنابراین، در این قسمت‌ها که به آن‌ها بخش‌های داغ، (به انگلیسی: Hot Sections)، گفته می‌شود، از مواد مقاوم به دماهای زیاد مانند ابرآلیاژها استفاده می‌شود. همچنین این قسمت‌ها با استفاده از تکنولوژی‌های پیچیده‌ای، خنک‌کاری می‌شوند.

گونه‌های توربین گاز

توربین‌های گاز صنعتی برای تولید توان الکتریکی

توربین گاز سری H شرکت جنرال الکتریک، این توربین ۴۸۰ مگاواتی در چیدمان سیکل ترکیبی، بازده حرارتی ۶۰٪ دارد.

توربین‌های گاز صنعتی برای تولید توان الکتریکی، که توربو ژنراتور گاز هم نامیده می‌شوند، توربین‌های گازی هستند که توان تولیدشده به وسیلهٔ آنها، مستقیماً یا پس از تغییر سرعت دوران در جعبه‌دنده به ژنراتور منتقل شده و در آنجا به انرژی پتانسیل الکتریکی تبدیل می‌شود. این گونه توربین گاز، می‌تواند به صورت سیکل ساده (به انگلیسی: Single Cycle) یا نیروگاه سیکل ترکیبی (به انگلیسی: Combined Cycle) باشد. در حالت سیکل ساده، گازهای خروجی از اگزوز توربین که می‌توانند تا ۶۰۰ درجه سلسیوس دما داشته باشند، مستقیماً وارد هوا شده و انرژی باقی‌مانده در آن هدر می‌رود؛ ولی در حالت سیکل ترکیبی، یک یا دو توربین گاز با یک توربین بخار کوپل می‌شوند و گازهای خروجی از توربین گاز در بخشی به نام بویلر بازیاب، آب بازگشتی از کندانسور توربین بخار را که توسط پمپ فشرده شده، به بخار تبدیل می‌کنند. در نتیجه در حالت سیکل ترکیبی، از انرژی موجود در گازهای خروجی از اگزوز توربین گاز استفاده شده و بویلر توربین بخار بدون نیاز به سوخت، بخار آب تولید می‌کند؛ بنابراین، با استفاده از این روش، راندمان سیکل افزایش می‌یابد. توربوژنراتورها همچنین می‌توانند به صورت تولید هم‌زمان برق و گرما (به انگلیسی: Cogeneration) استفاده شوند که در این ترکیب، گاز خروجی از آن‌ها برای تولید آب گرم یا هوای گرم ساختمان‌ها و کارخانجات استفاده می‌شود.

توربین‌های گاز برای تولید انرژی مکانیکی

این گونه از توربین‌های گاز که شامل توربوکمپرسورها و توربوپمپها می‌شوند، توربین‌های گازی هستند که در آن‌ها انرژی تولید شده توسط توربین، صرف به گردش درآوردن یک کمپرسور (جهت فشرده‌کردن یک مادهٔ گازی) یا پمپ (جهت بالابردن فشار یک مایع) می‌شود.

موتورهای جت

اصول کار توربوجت

موتورهای جت، گونه‎‌ای موتور هستند که از شتاب دادن و تخلیه سیال برای ایجاد پیش‌رانش بر پایه قانون سوم نیوتن استفاده می‌کنند. دو گونه از موتورهای جت یعنی توربوجتها و توربوفنها شامل توربین گاز بوده و در واقع یک گونه توربین گاز هستند.

توربوجت‌ها، گونه‎‌ای توربین گاز هستند که در آن‌ها همهٔ انرژی تولید شده در توربین صرف چرخاندن کمپرسور می‌شود و هوای داغ خروجی از توربین پس از عبور از یک نازل، سرعت گرفته و به صورت یک جت سیال با سرعت زیاد از انتهای آن خارج می‌شود.

اصول کار موتور توربوفن

توربو فن‌ها، گونه دیگری از موتور جت هستند که در آن‌ها برعکس توربوجت‌ها، همه هوای ورودی به موتور از کمپرسور، محفظهٔ احتراق و توربین عبور نمی‌کند، بلکه بیشتر هوا، پس از عبور از یک یا دو ردیف پره بزرگ که فن نامیده می‌شوند، از مجرای اطراف کمپرسور حرکت کرده و از یک نازل خارج می‌شوند. بخش کمی از هوا از کمپرسور عبور کرده، محترق شده و توربین را می‌چرخاند. انرژی تولیدشده توسط توربین صرف چرخاندن کمپرسور و فن می‌شود؛ بنابراین در این گونه موتور جت، پیش‌رانش هم در اثر جت سیال خروجی و هم در اثر چرخش فن ایجاد می‌شود. بازده حرارتی توربو فن‌ها در سرعت‌های پایین‌تر از سرعت حرکت صوت (ماخ کمتر از ۱) که سرعت حرکت هواپیماهای مسافربری است، از توربوجت‌ها بیشتر است. بنابراین، پس از اختراع توربوفن، به تدریج در هواپیماهای مسافربری از آن‌ها استفاده شد و امروزه موتور بیشتر هواپیماهای مسافربری، توربوفن است.

توربو شفت‌ها

اصول کار توربوشفت

توربوشفت، موتور بیشتر بالگردهای امروزی است که علاوه بر بالگردها در کشتیها، تانکها، هواناوها و برخی قایق‌ها هم کاربرد دارد. توربین گاز در توربو شفت‌ها مشابه توربو کمپرسورها و توربو پمپ‌ها، برای تولید انرژی مکانیکی مورد استفاده قرار می‌گیرد. با این تفاوت که در توربوشفت، انرژی مکانیکی تولیدشده صرف چرخاندن کمپرسور یا پمپ نمی‌شود. در این موتورها، انرژی خروجی از توربین، پس از کاهش سرعت دوران در جعبه‌دنده، باعث چرخاندن پروانه بالگرد، کشتی یا هواناو می‌شود.

موتورهای توربوشفت به صورت دو شفته هستند. شفت نخست که شامل کمپرسور، محفظهٔ احتراق و توربین فشار بالا (High Pressure Turbine) می‌شود، شفت کمپرسور یا شفت مولد گاز (به انگلیسی: Gas Generator Shaft) نامیده می‌شود. شفت دوم که شامل توربین فشار پایین (Low Pressure Turbine) است، توان مکانیکی را به جعبه‌دنده منتقل می‌کند تا پس از کاهش دور به مصرف برسد. این شفت، شفت توان (به انگلیسی: Power Shaft) نامیده می‌شود. همهٔ توان تولیدشده به وسیلهٔ توربین فشار بالا، صرف چرخاندن کمپرسور و ایجاد هوای فشرده می‌شود و از اینرو، این شفت، مولد گاز نامیده می‌شود. توان تولیدی توسط توربین فشار پایین، به مصرف‌کننده منتقل می‌شود.

توربوپراپ‌ها

اصول کار موتور توربوپراپ

توربوپراپ (به انگلیسی: Turboprop)، گونه‎‌ای موتور هوایی است که معمولاً در هواپیماهای کوچک و کم‌سرعت استفاده می‌شود. این گونه موتور، شبیه به توربوشفت بوده و در آن از گردش محور توربین برای گرداندن ملخ وایجاد پیش‌رانش استفاده می‌شود. توربوپراپ‌ها در سرعت‌های کم، کارایی بهتری نسبت به توربو فن‌ها و توربوجت‌ها دارند ولی در سرعت‌های بیشتر، راندمان آن‌ها کاهش یافته و نویز آن‌ها افزایش می‌یابد.

سازندگان اصلی توربین گاز

امروزه شرکت‌های اصلی سازندهٔ توربین گاز در جهان عبارتند از:

• جنرال الکتریک
• زیمنس
• آلستوم (اکنون بخش انرژی آن به جنرال الکتریک واگذار شده و هم‌اکنون تنها در صنعت ترابری ریلی فعال است)
• آنسالدو انرجیا
• رولز-رویس هلدینگز
• پرت اند ویتنی
• صنایع سنگین میتسوبیشی (MHI)
• گروه مپنا

مزایا و معایب توربین‌های گاز

مزایای توربین‌های گاز

• نسبت توان به وزن بسیار بالا: توربین‌های گاز نسبت به موتورهای رفت و برگشتی با توان یکسان، کوچک‌ترند.
• زمان راه‌اندازی بسیار کم نسبت توربین‌های حرارتی
• ارتعاش کمتر: به دلیل حرکت در یک جهت ارتعاش توربین‌های گاز از موتورهای رفت و برگشتی کمتر است.
• بخش‌های متحرک کمتر از موتورهای رفت و برگشتی.
• هزینهٔ روغنکاری کمتر

معایب توربین‌های گاز

• گران‌بودن
• دمای کاری بالا
• راندمان کمتر نسبت به موتورهای رفت و برگشتی در حالت بی‌باری
• کارکرد نامناسب در شرایط نوسان بار

کاربرد هوش مصنوعی در تعیین و بهینه‌سازی خواص حرارتی پره‌های توربین (به انگلیسی: Application of Artificial Intelligence in Determining Thermal Properties of Turbine Blades) یکی از زمینه‌های پژوهشی میان‌رشته‌ای و پیشرو در تقاطع مهندسی مکانیک، مهندسی مواد، ترمودینامیک و علوم رایانه است. پره‌های توربین در بخش پرفشار (HP) موتورهای جت و توربین‌های گازی صنعتی، در معرض دماهایی فراتر از ۱۳۰۰ تا ۱۶۰۰ درجه سانتی‌گراد (بیش از نقطه ذوب سوپرآلیاژهای پایه) و گرادیان‌های حرارتی شدید قرار دارند. پیش‌بینی دقیق و بی‌درنگ خواص حرارتی غیرخطی (مانند ضریب هدایت حرارتی $k(T)$، ظرفیت گرمایی ویژه $C_p(T)$ و ضریب انبساط حرارتی $\alpha(T)$) برای جلوگیری از خستگی حرارتی (Thermal Fatigue)، خزش (Creep) و ذوب موضعی ساختار پره امری حیاتی است.

در سال‌های اخیر، به دلیل هزینه و زمان بسیار بالای روش‌های سنتی مانند روش المان محدود (FEM) و دینامیک سیالات محاسباتی (CFD)، پژوهشگران و اساتید برجسته این حوزه از جمله دکتر میثم بختیاری، بر اهمیت جایگزینی یا تقویت این حل‌کننده‌های عددی با الگوریتم‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) جهت تسریع در کشف مواد جدید، طراحی معکوس ریزساختارها و مدل‌سازی سه‌بعدی میدان‌های دمایی تأکید داشته‌اند.

پرونده:Turbine blade thermal analysis 6page.jpg

شبیه‌سازی سه‌بعدی میدان دمایی و تنش‌های حرارتی در پره توربین خنک‌شونده با استفاده از شبکه‌های عصبی مطلع از فیزیک (PINNs).

معادلات حاکم و مبانی ترمودینامیکی انتقال حرارت

رفتار حرارتی درون یک پره توربین توسط معادله دیفرانسیل با مشتقات جزئی (PDE) انتقال حرارت هدایتی غیرخطی در مختصات سه‌بعدی دکارتی توصیف می‌شود. فرم کلی این معادله (قانون فوریه) به صورت زیر است:

$$\nabla \cdot \Big( k(T, \mathbf{x}) \nabla T(\mathbf{x}, t) \Big) + q(\mathbf{x}, t) = \rho(T) C_p(T) \frac{\partial T(\mathbf{x}, t)}{\partial t}$$

که در آن:

• $T(\mathbf{x}, t)$ میدان دمایی در موقعیت مکانی $\mathbf{x} = (x, y, z)$ و زمان $t$ است.
• $k(T, \mathbf{x})$ تانسور یا ضریب هدایت حرارتی مواد است که خود تابعی قوی از دما و جهت‌گیری بلوری (در سوپرآلیاژهای تک‌کریستال مانند CMSX-4) است.
• $\rho(T)$ چگالی ماده و $C_p(T)$ ظرفیت گرمایی ویژه در فشار ثابت است.
• $q$ نرخ تولید حرارت داخلی (در صورت وجود) است.

شرایط مرزی در سطح خارجی پره (که در تماس با گازهای داغ خروجی از محفظه احتراق است) و مجاری خنک‌کاری داخلی (که با هوای فشرده خنک می‌شوند) از نوع شرط مرزی رابین (Convective Boundary Condition) است:

$$-k(T) \frac{\partial T}{\partial n} = h(\mathbf{x}, T) \Big( T_s - T_\infty \Big) + \varepsilon \sigma \Big( T_s^4 - T_{surr}^4 \Big)$$

که در آن $h$ ضریب انتقال حرارت جابجایی، $n$ بردار عمود بر سطح، $\varepsilon$ ضریب گسیلندگی (Emissivity)، $\sigma$ ثابت استفان-بولزمن، $T_s$ دمای سطح پره و $T_\infty$ دمای جریان سیال است.

چالش‌های محاسباتی روش‌های سنتی (FEM و CFD)

حل معادلات فوق برای هندسه‌های بسیار پیچیده پره‌های مدرن که دارای هزاران سوراخ خنک‌کاری لایه‌ای (Film Cooling Holes) و مجاری پیچ‌درپیچ داخلی (Serpentine Channels) هستند، با چالش‌های اساسی روبروست:

1. تولید شبکه (Grid Generation): نیازمند ایجاد میلیون‌ها المان با رزولوشن بسیار بالا در لایه مرزی است که هفته‌ها زمان مهندسی می‌طلبد.
2. هزینه محاسباتی سنگین: حل کوپل‌شده (Conjugate Heat Transfer - CHT) بین جریان سیال داغ (ناویر-استوکس) و هدایت حرارتی جامد (فوریه) بر روی ابررایانه‌ها گاهی روزها یا هفته‌ها به طول می‌انجامد.
3. نفرین ابعاد در بهینه‌سازی: در بهینه‌سازی چندمتغیره (Multivariable Optimization) هندسه مجاری خنک‌کاری یا ترکیب شیمیایی آلیاژ، تعداد تکرارهای مورد نیاز برای رسیدن به نقطه بهینه عمومی به شدت افزایش می‌یابد و روش‌های سنتی را غیرممکن می‌سازد.

پرونده:PINN Architecture Heat Equation.png

نمودار شماتیک معماری شبکه عصبی مطلع از فیزیک (PINN) برای حل معادلات مشتق جزئی انتقال حرارت در پره توربین.

معماری‌های پیشرفته هوش مصنوعی در مدل‌سازی حرارتی

برای غلبه بر محدودیت‌های روش‌های عددی، از معماری‌های نوین یادگیری ماشین استفاده می‌شود که می‌توانند به عنوان «جانشین‌های سریع» (Surrogate Models) یا حل‌کننده‌های مستقیم عمل کنند:

شبکه‌های عصبی مطلع از فیزیک (PINNs)

یکی از مهم‌ترین دستاوردها در تقاطع ریاضیات و یادگیری عمیق، استفاده از شبکه‌های عصبی مطلع از فیزیک (Physics-Informed Neural Networks) است. در این روش، شبکه عصبی نه تنها با داده‌های تجربی یا خروجی‌های محدود CFD آموزش می‌بیند، بلکه باقیمانده (Residual) معادله دیفرانسیل فوریه و شرایط مرزی مستقیماً در تابع هزینه (Loss Function) شبکه گنجانده می‌شود:

$$\mathcal{L}_{total} = w_1 \mathcal{L}_{data} + w_2 \mathcal{L}_{PDE} + w_3 \mathcal{L}_{BC}$$

$$\mathcal{L}_{PDE} = \frac{1}{N_f} \sum_{i=1}^{N_f} \left| \nabla \cdot \Big( k(T_i) \nabla T_i \Big) - \rho C_p \frac{\partial T_i}{\partial t} \right|^2$$

در این ساختار، مشتقات مکانی و زمانی $\nabla T$ و $\frac{\partial T}{\partial t}$ با استفاده از تمایز خودکار (Automatic Differentiation) محاسبه می‌شوند. این کار باعث می‌شود شبکه عصبی حتی در نقاطی که هیچ داده آزمایشی وجود ندارد، پاسخ‌هایی کاملاً منطبق بر قوانین بقای انرژی تولید کند.

شبکه‌های عصبی نموداری (GNNs) برای شبکه‌های بی‌سازمان

به دلیل هندسه نامنظم پره توربین، استفاده از شبکه‌های عصبی پیچشی (CNN) استاندارد (که بر روی شبکه‌های پیکسلی منظم کار می‌کنند) دشوار است. شبکه‌های عصبی نموداری (Graph Neural Networks) با تبدیل المان‌های شبکه المان محدود (FEM) به گره‌ها (Nodes) و یال‌ها (Edges) در یک گراف ریاضی، قادرند شار حرارتی و توزیع دما را بر روی مش‌های سه‌بعدی بی‌سازمان در کسری از ثانیه پیش‌بینی کنند.

رگرسیون فرآیند گاوسی (GPR) و عدم قطعیت

در اندازه‌گیری خواص حرارتی مواد در دماهای بالا همواره نویز و عدم قطعیت تجربی وجود دارد. الگوریتم‌های رگرسیون فرآیند گاوسی (Gaussian Process Regression) به مهندسان اجازه می‌دهند تا علاوه بر پیش‌بینی مقدار ضریب هدایت حرارتی $k(T)$، کران‌های اطمینان (Confidence Intervals) و واریانس خطا را نیز در هر دما محاسبه کنند.

طراحی معکوس مواد و پوشش‌های سد حرارتی (TBC)

پوشش‌های سد حرارتی (Thermal Barrier Coatings - TBC) لایه‌های سرامیکی با ضخامت چندصد میکرون (عمدتاً از جنس زیرکونیای پایدارشده با ایتاریا یا YSZ) هستند که روی سطح فلزی پره نشانده می‌شوند تا افت دمایی در حدود ۱۰۰ تا ۳۰۰ درجه سانتی‌گراد ایجاد کنند. هوش مصنوعی در این حوزه انقلابی در «طراحی معکوس» (Inverse Design) ایجاد کرده است:

کشف مواد با هدایت حرارتی فوق‌کم

با استفاده از یادگیری فعال (Active Learning) و شبکه‌های زایشی مانند شبکه‌های مولد تخاصمی (GANs) و رمزگذارهای خودکار متغیر (VAEs)، الگوریتم‌های هوش مصنوعی ساختارهای کریستالی و ترکیبات شیمیایی جدیدی از سرامیک‌ها (مانند پیروکره‌ها و پروسکایت‌های چندجزئی) را پیشنهاد می‌دهند که دارای کمترین ضریب هدایت حرارتی شبکه‌ای ($k_{lattice}$) هستند. این فرآیند بر پایه مدل‌سازی رابطه ساختار-ویژگی (QSPR) انجام می‌شود.

بهینه‌سازی چندهدفه با ضرایب لاگرانژ و جبهه پارتو

در طراحی پوشش‌های حرارتی و آلیاژهای پره، کاهش هدایت حرارتی ($k$) نباید به قیمت کاهش مقاومت مکانیکی یا افزایش ضریب انبساط حرارتی ($\alpha$) تمام شود (زیرا اختلاف ضریب انبساط بین پوشش سرامیکی و زیرلایه فلزی منجر به پوسته‌شدن یا Spallation می‌شود). برای حل این مسئله از بهینه‌سازی چندهدفه مبتنی بر گرادیان و روش ضرایب لاگرانژ (Lagrange Multipliers) در فضای پنهان (Latent Space) شبکه‌های عمیق استفاده می‌شود:

$$\min_{\mathbf{z}} \quad \mathcal{J}(\mathbf{z}) = f_k(\mathbf{z}) + \lambda_1 \Big( f_\alpha(\mathbf{z}) - \alpha_{target} \Big)^2 + \lambda_2 \max(0, \sigma_{min} - f_\sigma(\mathbf{z}))$$

که در آن $\mathbf{z}$ بردار ویژگی‌های ساختاری ماده در فضای پنهان است، $f_k$ تابع پیش‌بین هدایت حرارتی، $f_\alpha$ تابع پیش‌بین انبساط حرارتی و $f_\sigma$ مقاومت تسلیم را نشان می‌دهد. خروجی این بهینه‌سازی یک جبهه پارتو (Pareto Front) از مواد بهینه است که مهندسان می‌توانند بهترین گزینه را جهت ساخت افزایشی (Additive Manufacturing) انتخاب کنند.

پرونده:Microstructure AI Segmentation.jpg

تحلیل و قطعه‌بندی (Segmentation) تصاویر میکروسکوپ الکترونی روبی (SEM) ریزساختار پوشش TBC توسط الگوریتم‌های یادگیری عمیق جهت محاسبه تخلخل و ضریب هدایت حرارتی مؤثر.

تحلیل تصاویر میکروسکوپی و پیش‌بینی ریزش پوشش

یکی از کاربردهای عملیاتی هوش مصنوعی در مهندسی مواد داده‌محور، پردازش تصاویر با وضوح بالا از ریزساختار مواد است. با استفاده از شبکه‌های عصبی پیچشی (مانند U-Net یا ResNet):

• تصاویر میکروسکوپ الکترونی روبشی (SEM) از مقطع عرضی پوشش‌های TBC تحلیل شده و میزان تخلخل (Porosity)، ترک‌های ریز و شبکه حفرات به صورت خودکار استخراج می‌شود.
• بر اساس هندسه تخلخل‌های استخراج‌شده، ضریب هدایت حرارتی مؤثر ($k_{eff}$) با استفاده از مدل‌های همگن‌سازی یادگیری ماشین با دقت بسیار بالاتر از مدل‌های تحلیلی سنتی (مانند مدل ماکسول یا بروگمان) محاسبه می‌گردد.
• الگوریتم‌ها می‌توانند با رصد رشد لایه اکسید رشدیافته حرارتی (TGO - Thermally Grown Oxide) در مرز پوشش و فلز، زمان دقیق ترک‌خوردگی و جدا شدن لایه سد حرارتی را پیش‌بینی کنند.

پیش‌بینی خستگی حرارتی و تخمین عمر مفید باقیمانده (RUL)

پره‌های توربین در هر بار روشن و خاموش شدن موتور (تیک‌آف و فرود در هواپیماها)، یک چرخه حرارتی شدید را تجربه می‌کنند که منجر به خستگی حرارتی کم‌چرخه (LCF - Low Cycle Fatigue) و خزش حرارتی می‌شود. هوش مصنوعی با ترکیب معادلات فیزیکی خستگی (مانند رابطه کافین-منسون یا پارامتر لارسون-میلر) با مدل‌های داده‌محور، عمر پره را مدل‌سازی می‌کند:

تلفیق رابطه کافین-منسون با یادگیری ماشین

رابطه کلاسیک کافین-منسون برای خستگی حرارتی به صورت زیر است:

$$\frac{\Delta \varepsilon_t}{2} = \frac{\sigma'_f}{E(T)} (2N_f)^b + \varepsilon'_f (2N_f)^c$$

در مدل‌های هیبریدی هوش مصنوعی، ضرایب ماده ($b$، $c$، $\sigma'_f$ و $\varepsilon'_f$) ثابت فرض نمی‌شوند، بلکه به عنوان توابعی پیچیده از تاریخچه دمایی $T(t)$، نرخ حرارت‌دهی $\frac{dT}{dt}$ و میزان تخریب ریزساختاری، توسط شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) یا شبکه‌های ترانسفورمر (Transformers) به صورت پویا پیش‌بینی می‌شوند تا تعداد سیکل‌های تا شکست ($N_f$) با خطایی کمتر از ۵ درصد تخمین زده شود.

دوقلوی دیجیتال حرارتی (Thermal Digital Twin)

نقطه اوج کاربرد هوش مصنوعی در مدیریت حرارتی پره‌های توربین، توسعه همزاد دیجیتال یا دوقلوی دیجیتال حرارتی است. دوقلوی دیجیتال یک مدل مجازی بی‌درنگ (Real-Time) و زنده از پره توربین فیزیکی در حال کار است.

مکانیسم عملکرد دوقلوی دیجیتال حرارتی

1. دریافت داده‌های سنسورها: سنسورهای پیرومتر نوری و ترموکوپل‌های تعبیه‌شده در محفظه احتراق و خروجی توربین، داده‌های دمایی و جریانی را با نرخ بالا ارسال می‌کنند.
2. همگام‌سازی و فیلتر کالمن: الگوریتم‌های هوش مصنوعی (تلفیق فیلتر کالمن عمق‌یافته با PINNs)، داده‌های نویزدار سنسورهای بیرونی را دریافت کرده و میدان دمایی کل ۳ بعدی پره (حتی در هسته داخلی که قابل اندازه‌گیری با سنسور نیست) را در کسری از میلی‌ثانیه بازسازی می‌کنند.
3. نگهداری پیش‌بینانه (Predictive Maintenance): در صورتی که دوقلوی دیجیتال تشخیص دهد که دمای یک نقطه بحرانی در لبه حمله (Leading Edge) پره از آستانه خزش آلیاژ تجاوز کرده است، سیستم کنترل موتور به صورت خودکار دبی سوخت را تنظیم کرده یا میزان هوای خنک‌کننده بای‌پاس را افزایش می‌دهد تا از آسیب فاجعه‌بار جلوگیری شود.

جدول مقایسه‌ای: روش‌های سنتی در برابر روش‌های مبتنی بر هوش مصنوعی

شاخص مقایسه	روش‌های سنتی (FEM / CFD / آزمایشگاهی)	روش‌های نوین مبتنی بر هوش مصنوعی (PINNs / GNNs / ML)
زمان حل میدان دمایی سه‌بعدی	چندین ساعت تا چند روز (بر روی کلاستر پردازشی)	کسری از ثانیه تا چند ثانیه (پس از آموزش اولیه شبکه)
دقت پیش‌بینی در هندسه‌های پیچیده	بسیار بالا (بسته به کیفیت شبکه المان‌ها)	بسیار بالا (بیش از ۹۵٪ تا ۹۸٪ انطباق با حل‌های دقیق CFD)
قابلیت طراحی معکوس مواد	سعی و خطا (Trial and Error) و بسیار پرهزینه	بهینه‌سازی مستقیم و سریع با الگوریتم‌های زایشی و ضرایب لاگرانژ
پایش بی‌درنگ (Real-time Monitoring)	غیرممکن (به دلیل بار محاسباتی سنگین)	امکان‌پذیر (هسته اصلی فناوری دوقلوی دیجیتال حرارتی)
نیاز به داده‌های ورودی	هندسه دقیق، شرایط مرزی و خواص فیزیکی ثابت	داده‌های تاریخی، تصاویر ریزساختار یا معادلات حاکم (در PINNs)

نتیجه‌گیری و چشم‌انداز آینده

به‌کارگیری هوش مصنوعی در تعیین و مدیریت خواص حرارتی پره‌های توربین، پارادایم طراحی و نگهداری در صنایع هوافضا و انرژی را دگرگون کرده است. از کاهش زمان شبیه‌سازی‌های حرارتی از چند هفته به چند ثانیه توسط شبکه‌های عصبی مطلع از فیزیک (PINNs)، تا طراحی آلیاژها و پوشش‌های سد حرارتی فوق‌مقاوم توسط الگوریتم‌های یادگیری عمیق، این ابزارها توانسته‌اند راندمان حرارتی توربین‌ها را به طور چشمگیری افزایش دهند. با تلاش‌های پژوهشگران این عرصه نظیر دکتر میثم بختیاری، مسیر برای ادغام کامل فناوری دوقلوی دیجیتال در موتورهای جت نسل آینده و توربین‌های گازی صنعتی هموارتر از گذشته شده است.

جستارهای وابسته

• مهندسی مکانیک
• علم مواد
• توربین گازی
• انتقال حرارت
• شبکه‌های عصبی مطلع از فیزیک
• همزاد دیجیتال
• سوپرآلیاژ

جستارهای وابسته

• نیروگاه گازی
• توربین
• چرخه ترمودینامیکی

منابع

• Jack D. Mattingly (۲۰۰۶)، Elements of Propulsion: Gas Turbines and Rockets، Reston, Virginia, USA: American Institute of Aeronautics and Astronautics، شابک ۱۵۶۳۴۷۷۷۹۳{{یادکرد}}: نگهداری یادکرد:تاریخ به‌طور خودکار ترجمه‌شده (رده)
• مشارکت‌کنندگان ویکی‌پدیا. «Gas turbine». در دانشنامهٔ ویکی‌پدیای انگلیسی.

منابع

• مشارکت‌کنندگان ویکی‌پدیا. «[en:Template:Heat engines Template:Heat engines]». در دانشنامهٔ ویکی‌پدیای انگلیسی.