KI steigert die Effizienz von Brückenarmreaktoren durch genetische Algorithmen

Wenn ein 1.733 Kilogramm schwerer Reaktor während des Betriebs über 60 Kilowatt Leistungsverlust erzeugt und die Hotspot-Temperaturen auf 71,1 °C ansteigen, bedeutet das nicht nur eine erhebliche Energieverschwendung, sondern auch eine beschleunigte Verschlechterung der Isoliermaterialien. In Stromversorgungssystemen dienen Brückenarmreaktoren als kritische Strombegrenzungs- und Filterkomponenten, deren Strukturdesign sich direkt auf die Betriebsstabilität und Wirtschaftlichkeit auswirkt. Angesichts der immer strengeren Anforderungen an die Energieeinsparung stehen Ingenieure vor der Herausforderung, Gewicht, Leistungsverlust und Temperaturanstieg auszugleichen und gleichzeitig die Leistung zu optimieren.

Technische Kernarchitektur: Äquivalente elektromagnetisch-thermische Feldmodellierung

Moderne Brückenarmreaktoren verwenden typischerweise eine mehrschichtige Kapselstruktur mit inneren Wicklungen, die durch Epoxidharzguss gesichert sind. Isolationsabstandshalter zwischen den Schichten bilden Kühlluftkanäle. Durch diese parallele Konfiguration kann jede Kapselungsschicht als äquivalente Magnetspulenwicklung behandelt werden. Für die Berechnung elektromagnetischer Parameter wenden Forscher die Spannungs- und Stromgesetze von Kirchhoff bei Grundfrequenzen an und vereinfachen so die Gegeninduktivität komplexer Wicklungen in äquivalente koaxiale Magnetspulen.

Das resultierende elektromagnetische Modell berücksichtigt sowohl Gleichstromkomponenten als auch harmonische Einflüsse. Durch gekoppelte Thermo-Fluid-Simulationen werden Wicklungsverluste in Wärmequellenterme umgewandelt, wodurch die Temperaturfeldentwicklung vom Start bis zum stationären Betrieb genau abgebildet wird.

Optimierungsstrategie: Implementierung eines multiobjektiven genetischen Algorithmus

Das Forschungsteam implementierte NSGA-II (Non-dominated Sorting Genetic Algorithm II), um ein optimales Gleichgewicht zwischen geringem Verlust, minimalem Temperaturanstieg und leichtem Design zu erreichen. Es wurden vier Schlüsselvariablen ausgewählt: Anzahl der Zweige (n), durchschnittlicher Wicklungsradius (R), Anzahl der Windungen (N) und Leiterdurchmesser (d).

Es wurde eine neuartige Triple-Constraint-Strategie entwickelt, die den gleichen Widerstandsspannungsabfall, den gleichen Temperaturanstieg und die gleichmäßige Verlustdichte aufrechterhält. Der Optimierungsprozess nutzte Latin Hypercube Sampling (LHS), um einen vierdimensionalen Designraum zu konstruieren, während die Kriging-Reaktionsflächenmodellierung die Genauigkeit der Vorhersage des Temperaturanstiegs verbesserte und so wissenschaftliche Genauigkeit und Konvergenz gewährleistete.

Leistungsmeilensteine: Vor und nach der Optimierung

Das Team testete einen stillgelegten 21,25-mH-Brückenarmreaktor eines Kraftwerks und generierte nach 150 Generationen genetischer Evolution einen gleichmäßig verteilten Pareto-Optimierungssatz. Der optimierte Prototyp zeigte umfassende Verbesserungen bei gleichzeitiger Beibehaltung der Nenninduktivität von 21,82 mH:

• Energieeffizienz:Gesamtverluste von 61,65 kW auf 34,21 kW reduziert (44,51 % Reduzierung)
• Wärmemanagement:Die Hotspot-Temperatur sank von 71,1 °C auf 42,9 °C (Reduzierung um 39,66 %), was die Lebensdauer der Isolierung deutlich verlängerte
• Strukturoptimierung:Gesamtwickelmasse von 1.733,2 kg auf 1.302,7 kg reduziert (24,83 % Reduzierung)

Dieser Designdurchbruch zeigt das Potenzial der Multi-Zieloptimierung bei der Entwicklung von Energieanlagen und schafft einen technischen Rahmen für zukünftige hochzuverlässige und energieeffiziente Reaktordesigns.