Газовая Промышленность 11.2023

Научная статья

УДК 620.17/18:621.438
(UDK 620.17/18:621.438)

Для получения доступа к статьям

Авторизуйтесь

НОВЫЕ ТЕХНОЛОГИИ И ОБОРУДОВАНИЕ (NEW TECHNOLOGIES AND EQUIPMENT)

РАЗРАБОТКА МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЭКСПЛУАТАЦИОННОЙ СТАБИЛЬНОСТИ НЕКОТОРЫХ ЖАРОПРОЧНЫХ СПЛАВОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ

(DEVELOPMENT OF METHODS FOR PREDICTING THE OPERATIONAL STABILITY OF CERTAIN HEAT-RESISTANT ALLOYS USING NEURAL NETWORKS)

Прогнозирование остаточных эксплуатационных свойств деталей газотурбинного двигателя, имеющих длительную наработку, а также определение методов их восстановления в целях продления ресурса работы – актуальная научно-техническая проблема, особенно в условиях современных вызовов и программы импортозамещения в области газотурбинной техники.
При длительной эксплуатации изделия термодинамические и диффузионные процессы приводят к локальным изменениям химического и физического состава, параметров микроструктуры материала, что снижает его прочностные свойства и в итоге может вызвать разрушение.
Динамика деградации микроструктуры материала зависит от длительности условий эксплуатации (напряжения, рабочая температура, среда и др.). Например, наработка наземных газоперекачивающих аппаратов и газотурбинных установок составляет более 25 тыс. ч, а иногда превышает 70 тыс. ч.
Один из инструментов, позволяющих сократить объем экспериментальных исследований, оптимизировать финансовые и временн е затраты, – это применение методов искусственного интеллекта, в том числе машинного обучения нейросетевых математических моделей, обладающих прогностическими свойствами. В данной статье показаны особенности деградации микроструктуры рабочих лопаток из жаропрочных никелевых сплавов на примере Inconel 792 и ЧС88У после продолжительной эксплуатации в составе газотурбинного двигателя.
Для прогнозирования длительной прочности исследуемых сплавов при эксплуатации от 10 тыс. до 50 тыс. ч было использовано математическое моделирование с применением искусственных нейронных сетей в сравнении с полиномиальной моделью, полученной традиционным статистическим методом. Продемонстрированы принципиальные преимущества математического аппарата искусственных нейронных сетей для решения задач расчетного прогнозирования длительной прочности жаропрочных сплавов по сравнению с традиционными регрессионными моделями.

Forecasting the residual operational properties of gas turbine engine parts with long service life, as well as determining methods for their restoration in order to extend the operating life, is a relevant scientific and technical problem, especially under conditions of contemporary challenges and import substitution programs in gas turbine technology. During long-term operation of the product, thermodynamic and diffusion processes lead to local changes in the chemical and physical composition, microstructure parameters of the material, reducing its strength properties which may eventually lead to its destruction.
The dynamics of the material microstructure degradation depends on the duration of operating conditions (stress, working temperature, environment, etc.). For example, the service life of ground gas compressor and gas turbine units is more than 25 thousand h, and sometimes exceeds 70 thousand h.
One of the tools to reduce the volume of experimental research and optimise financial and time expenditures is the use of artificial intelligence methods, including machine learning of neural network mathematical models with predictive properties. This article presents the features of microstructure degradation of turbine blades made of heat-resistant nickel alloys, using Inconel 792 and ChS88U as examples, after prolonged operation in a gas turbine engine. Mathematical modelling with the use of artificial neural networks was applied to predict the long-term durability of the studied alloys during operation from 10 thousand to 50 thousand h, employing artificial neural networks in comparison with a polynomial model obtained through traditional statistical methods. Fundamental advantages of the artificial neural network mathematical tools for solving the issues concerning computational forecasting of long-term strength of heat-resistant alloys in comparison with traditional regression models have been demonstrated.

ДЕТАЛЬ ГАЗОТУРБИННОГО ДВИГАТЕЛЯ, ПАРАМЕТР МИКРОСТРУКТУРЫ, ОСТАТОЧНЫЙ РЕСУРС, МЕТОД ВОССТАНОВЛЕНИЯ СВОЙСТВ, НЕЙРОСЕТЕВАЯ МАТЕМАТИЧЕСКАЯ МОДЕЛЬ

GAS TURBINE ENGINE COMPONENT, MICROSTRUCTURE PARAMETER, REMAINING SERVICE LIFE, PROPERTY RESTORATION METHOD, NEURAL NETWORK MATHEMATICAL MODEL

И.П. Семенова, д.т.н., проф., ФГБОУ ВО «Уфимский университет науки и технологий» (Уфа, Россия), semenova-ip@mail.ru

К.С. Селиванов, к.т.н., ФГБОУ ВО «Уфимский университет науки и технологий», k.selivanov@mail.ru

И.И. Мельников, АО «Силовые машины» (Санкт-Петербург, Россия), lusus19@yandex.ru

А.В. Поляков, к.т.н., ФГБОУ ВО «Уфимский университет науки и технологий», alex-v.polyakov@mail.ru

В.Н. Федоров, д.т.н., ООО «Газпром инвест» (Санкт-Петербург, Россия), VFedorov@invest.gazprom.ru

В.П. Голуб, к.т.н., филиал ООО «Газпром инвест» «Газпром ремонт» (Санкт-Петербург, Россия), VGolub@invest.gazprom.ru

I.P. Semenova, DSc in Engineering, Professor, Ufa University of Science and Technology (Ufa, Russia), semenova-ip@mail.ru

K.S. Selivanov, PhD in Engineering, Ufa University of Science and Technology, k.selivanov@mail.ru

I.I. Melnikov, JSC “Power machines” (Saint Petersburg, Russia), lusus19@yandex.ru

A.V. Polyakov, PhD in Engineering, Ufa University of Science and Technology, alex-v.polyakov@mail.ru

V.N. Fedorov, DSc in Engineering, Gazprom Invest LLC (Saint Petersburg, Russia), VFedorov@invest.gazprom.ru

V.P. Golub, PhD in Engineering, Gazprom Repair [Gazprom Remont] branch of the Gazprom Invest LLC (Saint Petersburg, Russia), VGolub@invest.gazprom.ru

Логунов А.В. Жаропрочные никелевые сплавы для лопаток и дисков газовых турбин. Рыбинск: Газотурбинные технологии, 2017. 854 с.

Кротинов Н.Б. Продление ресурса лопаток газотурбинных двигателей упрочняющей обработкой // Известия Тульского государственного университета. Технические науки. 2016. № 5. С. 221–224.

Тягунов А.Г., Тарасов Д.А., Мильдер О.Б., Савин Г.О. Метод оценки структурной стабильности жаропрочных никелевых сплавов на основе определения параметра фазовой стабильности PS // Металловедение и термическая обработка металлов. 2022. № 2. С. 49–52.

Настека В.В. Повышение эксплуатационных свойств литых лопаток из жаропрочных никелевых сплавов за счет наноструктурирования поверхности: автореф. дис. … канд. техн. наук. Уфа: Уфимский гос. авиац. техн. ун-т, 2019. 19 с.

Шеин Е. Жаропрочные сплавы промышленных газовых турбин // ФГУП «Всероссийский научно-исследовательский институт авиационных материалов»: офиц. сайт. URL: https://viam.ru/review/3800 (дата обращения: 09.11.2023).

Каблов Е.Н. Литые лопатки газотурбинных двигателей. Сплавы, технологии, покрытия. М.: МИСИС, 2001. 631 с.

Кузнецов В.П., Лесников В.П., Попов Н.А. Структура и свойства монокристаллических жаропрочных никелевых сплавов. Екатеринбург: Уральский ун-т, 2016. 160 с.

Sowa R., Aarabasz S., Parlinska-Wojtan M. Classification and microstructural stability of high generation single crystal nickel-based superalloys // Zastita Materijala. 2016. No. 57 (2). P. 274–281. DOI: 10.5937/ZasMat1602274S.

Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 381 с.

Осовский С. Нейронные сети для обработки информации / пер. с пол. И.Д. Рудинского. М.: Финансы и статистика, 2004. 344 с.

Александрова О.В., Мацеевич Т.А., Кирьянова Л.В., Соловьев В.Г. Статистические методы решения технологических задач. М.: МИСИ-МГСУ, 2017. 154 с.

Чупакова А.О., Гудин С.В., Хабибулин Р.Ш. Разработка и обучение модели искусственной нейронной сети для создания систем поддержки принятия решений // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2020. № 3. С. 61–73. DOI: 10.24143/2072-9502-2020-3-61-73.

ГОСТ 10145–81. Металлы. Метод испытания на длительную прочность // Кодекс: электрон. фонд правовых и норматив.-техн. док. URL: https://docs.cntd.ru/document/1200005492 (дата обращения: 09.11.2023).

Donachie M.J., Donachie S.J. Superalloys: A technical guide. 2nd ed. Materials Park, OH, USA: ASM Internatioinal, 2002. 402 p.

IN-792 cast nickel superalloy // MatWeb: база данных. URL: https://matweb.com/search/datasheettext.aspx?matguid=4ccb7dbb90d04a7a85701a8e6cac1660 (дата обращения: 09.11.2023).

Larson R.R., Miller J. Time-temperature relationship for rupture and creep stresses // Trans. ASME. 1952. Vol. 74, No. 5. P. 765–771. DOI: 10.1115/1.4015909.

Аношина О.В., Трубникова А.С., Мильдер О.Б. и др. Моделирование изменения предела длительной прочности сплавов на основе никеля с использованием байесовских искусственных нейронных сетей // Письма о материалах. 2020. Т. 10, № 1 (37). С. 106–111. DOI: 10.22226/2410-3535-2020-1-106-111.

Masters T. Practical neural network recipes in C++. San Diego, CA, USA: Academic Press, 1993. 493 p.

Logunov AV. Heat-Resistant Nickel Alloys for Gas Turbine Blades and Disks. Rybinsk, Russia: Gas turbine technologies [Gazoturbinnye tekhnologii]; 2017. (In Russian)

Krotinov NB. Service life extension of gas turbine engines blades by strengthening treatment. Izvestiya Tula State University. Technical sciences [Izvestiya Tul’skogo gosudarstvennogo universiteta. Tekhnicheskie nauki]. 2016; (5): 221–224. (In Russian)

Tyagunov AG, Tarasov DA, Milder OB, Savin GO. Method for assessing the structural stability of refractory nickel alloys based on determination of parameter PS of phase stability. Metal Science and Heat Treatment [Metallovedenie i termicheskaya obrabotka metallov]. 2022; (2): 49–52. (In Russian)

Nasteka VV. Increasing the performance properties of cast blades made of heat-resistant nickel alloys due to surface nanostructuring. PhD thesis. Ufa State Aviation Technical University; 2019. (In Russian)

Shein E. Heat-resistant alloys of industrial gas turbines. Available from: https://viam.ru/review/3800 [Accessed: 9 November 2023]. (In Russian)

Kablov EN. Cast Blades of Gas Turbine Engines. Alloys, Technologies, and Coatings. Moscow: MISIS; 2001. (In Russian)

Kuznetsov VP, Lesnikov VP, Popov NA. Structure and Properties of Single-Crystalline Heat-Resistant Nickel Alloys. Ekaterinburg, Russia: Ural Federal University; 2016. (In Russian)

Sowa R, Aarabasz S, Parlinska-Wojtan M. Classification and microstructural stability of high generation single crystal nickel-based superalloys. Zastita Materijala. 2016; 57(2): 274–281. https://doi.org/10.5937/ZasMat1602274S.

Kruglov VV, Borisov VV. Artificial Neural Networks. Theory and Practice. Moscow: Hotline – Telecom [Goryachaya liniya – Telekom]; 2001. (In Russian)

Osowski S. Neural Networks for Information Processing. Trans Rudinskiy ID. Moscow: Finance and Statistics [Finansy i statistika]; 2004. (In Russian)

Aleksandrova OV, Matseevich TA, Kiryanova LV, Solovev VG. Statistical Methods for Solving Technological Problems. Moscow: MISI-MGSU; 2017. (In Russian)

Chupakova AO, Gudin SV, Khabibulin RSh. Developing and training model of artificial neural network for creating decision support systems. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics [Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Upravlenie, vychislitel’naya tekhnika i informatika]. 2020; (3): 61–73. https://doi.org/10.24143/2072-9502-2020-3-61-73. (In Russian)

USSR State Committee of Standards. GOST 10145–81 (state standard). Metals. Stressorupture test method. Available from: https://docs.cntd.ru/document/1200005492 [Accessed: 9 November 2023]. (In Russian)

Donachie MJ, Donachie SJ. Superalloys: A Technical Guide. 2nd ed. Materials Park, OH, USA: ASM Internatioinal; 2002.

MatWeb. IN-792 cast nickel superalloy. Available from: https://matweb.com/search/datasheettext.aspx?matguid=4ccb7dbb90d04a7a85701a8e6cac1660 [Accessed: 9 November 2023].

Larson RR, Miller J. Time-temperature relationship for rupture and creep stresses. Trans. ASME. 1952; 74(5): 765–771. https://doi.org/10.1115/1.4015909.

Anoshina OV, Trubnikova AS, Milder OB, Tarasov DA, Ganeev AA, Tyagunov AG. Modeling of changes in heat resistance of nickel-based alloys using Bayesian artificial neural networks. Letters on Materials [Pis’ma o materialakh]. 2020; 10(1): 106–111. https://doi.org/10.22226/2410-3535-2020-1-106-111.

Masters T. Practical Neural Network Recipes in C++. San Diego, CA, USA: Academic Press; 1993.
NEFTEGAS.info

Внимание к деталям — от идеи
до воплощения! Только актуальная информация и свежие новости.

Контакты

108811, г. Москва, Киевское ш.,
Бизнес-парк «Румянцево», корп. Б,
подъезд 5, офис 506 Б

+7 (495) 240-54-57