近日，浙大特种阀门团队围绕火电厂蒸汽减压阀关键调节部件的热工水力特性问题开展系统研究，相关成果形成题为“基于降阶模型的火电厂蒸汽减压阀热工水力特性快速预测”的学术论文，并发表于International Communications in Heat and Mass Transfer期刊（中科院二区TOP期刊）。研究针对传统CFD数值模拟与实验研究方法在效率与成本上的局限，构建了基于本征正交分解（POD）的降阶模型（ROM），实现了复杂流场的快速重构与高效预测，在保证工程精度的同时显著提升计算效率。
浙江大学特种控制阀研究团队长期聚焦控制阀及阀门状态监测与智能运维等关键问题，持续开展相关研究与探索。围绕电厂控制阀实时状态监测需求，团队开展了系统性研究工作。本文将对相关研究内容进行简要介绍，与各位读者交流分享。
01
前言
蒸汽减压阀是火力发电厂的关键调节部件。由于高计算成本和时间要求，分析它们复杂的热工水力特性比较困难。为了解决这个问题，本研究使用本征正交分解（POD）开发了一个降阶模型（ROM）。首先，数值模拟了不同出口压力和行程下的流场；其次，利用POD提取空间模态和模态系数；最后通过Kriging模型、支持向量机回归和基于物理的支持向量回归等拟合方法，建立了模态系数与工作条件之间的关系。
结果表明，与CFD模拟相比，ROM将计算效率提高了4个数量级以上。而ROM结果的最大误差为13.59%。ROM预测压力、温度和熵的分布，相对均方根误差（RRMSE）低于2%。这项工作提出了一种新的降阶建模框架，用于预测减压阀内的物理量分布。
此外，本研究为开发流体动力学应用中工程部件的快速准确预测模型提供了参考。
图1 本文技术路线
02
研究背景
蒸汽减压阀是火力发电厂蒸汽系统的关键调节部件，负责将高温高压过热蒸汽（约2 MPa、574℃）降压至下游所需压力，并通过调节开度控制流量。随着电力调峰需求增加，阀门需要频繁动作，其内部若出现壅塞流动（Ma>=1）可能引发效率下降甚至设备损坏，因此实时监测内部流场对安全运行至关重要。
然而，阀门内部处于极端高温高压环境，传感器无法安装在节流孔等关键部位。难以掌握内部真实的压力、速度和温度分布。
目前针对蒸汽减压阀的研究主要依靠实验和CFD模拟，但在效率与成本方面均存在明显短板。
因此，本文构建了基于本征正交分解（POD）的降阶模型（ROM）。其核心思路是：从少量高精度CFD结果中提取主要流动模态，并重构流场。随后建立工况参数与模态系数的简单映射，新工况下无需重新求解复杂流体力学方程，即可快速重构完整流场。
03
研究方法
构建降阶模型的基础是建立高质量的训练样本库。研究选取4种出口压力（1.2 MPa、1.4 MPa、1.6 MPa、1.8 MPa）与6种阀门行程（20 mm至120 mm），组合构成24组稳态计算工况，覆盖该蒸汽减压阀的典型工况区间。
图2 蒸汽减压阀模型
经火电厂现场数据验证，CFD计算流量与实测值的最大偏差为9.70%，满足工程精度要求，确保后续ROM输入数据的可靠性。
图3 蒸汽减压阀应用现场及运行系统
图4 CFD计算误差
采用本征正交分解（POD）方法对CFD快照数据进行降维处理。将每组流场物理量（密度、压力、速度、温度、马赫数、熵）排列为行向量，构建快照矩阵X（m×n维，m=24为样本数，n≈8×10⁶为网格节点数）。
通过奇异值分解（SVD）实现POD：X ≈ UΣVᵀ。其中U包含模态系数信息，V包含空间模态（Spatial Modes），Σ的对角元素为奇异值，表征各模态能量贡献。按能量降序排列后，第1模态占据压力场能量的85.72%、熵场的88.00%；前12阶模态累积能量达99%，故选取截断阶数k=12，舍去高阶模态以滤除数值噪声。
图5 前4阶模态的模态能量
为实现新工况预测，需建立工况参数（出口压力p、阀门行程h）与模态系数α的映射关系α=f(p, h)。研究对比了多项式回归、Kriging、支持向量回归三种回归方法。
此外，研究尝试了物理信息支持向量机回归。在SVR损失函数中引入动量方程残差项，采用梯度下降算法优化超参数ε，使预测流场在对称面上满足稳态N-S方程的动量守恒约束。
然而结果表明，由于POD基函数已提取自满足控制方程的CFD快照，基函数本身蕴含充分物理信息；在样本有限的情况下，基础SVR已逼近该表示框架的精度上限。引入物理约束作为二次优化项，并未显著降低预测误差（RRMSE 1.16% vs 0.87%），反而可能因过约束导致局部区域偏差增大。
图6 物理信息支持向量回归的逻辑
最终ROM的在线预测流程为：输入目标工况参数(p, h)，通过Kriging模型插值获得12个模态系数αₖ，按u(X)=Σαₖϕₖ(X)线性叠加预存的空间模态，即可重构完整流场分布。该过程计算复杂度为O(k×n)，在配备AMD EPYC 7763的计算平台上，单次预测耗时约4.8秒，相较CFD的11665秒，效率提升4个数量级。
图7 降阶模型误差
04
研究结果
以压力预测结果为例，基于Kriging模型的降阶模型对对称面压力场的预测结果显示：RRMSE为0.79%，最大相对误差为16.49%；而基于支持向量机回归（SVR）的模型RRMSE为0.87%，最大相对误差为15.38%。两种方法均将压力分布的相对误差控制在工程可接受的20%范围内，且RRMSE均低于1%
值得注意的是，在外套筒与内套筒之间的环形间隙区域，由于流通面积突然扩大，流速降低，压力出现明显回弹现象，压力值回升至1.53 MPa至1.88 MPa之间。随后蒸汽流经内套筒节流孔（二次节流），压力再次下降，最终与下游出口压力平衡。这种"降压-回弹-再降压"的非单调压力分布特征，被ROM模型准确捕捉，无论是Kriging还是SVR方法，其预测曲线均与CFD参考值吻合良好，仅在局部梯度最大区域存在微小偏差。
图8 蒸汽减压阀内流场压力预测
在阀腔主体区域和进出口管道区域，压力变化相对平缓，相对误差普遍低于5%，部分区域甚至低于1%。最大相对误差16.49%出现在外套筒节流孔出口靠近壁面的局部位置，此处流动分离强烈，高阶模态截断导致的细节损失在此最为明显。尽管如此，该误差水平对于工程应用中的压力趋势判断和整体载荷评估仍在可接受范围内。
图9 三种不同拟合方法的误差对比
对比三种拟合方法在流场预测上的表现：Kriging模型以RRMSE 0.79%的精度略优于SVR的0.87%，两者在最大误差水平（约15-16%）上相当。引入物理信息约束的PI-SVR方法在压力预测上并未展现出优势，其RRMSE为1.16%，最大误差达17.67%，且在节流孔高梯度区域的误差分布范围较基础SVR有所扩大。
这一现象表明，对于压力这类具有强非线性但空间结构相对固定的物理量，基于高斯过程的Kriging插值能更好地处理小样本、非参数化的映射关系。因此，针对蒸汽减压阀的流场快速预测，Kriging模型被确定为最优方案。
05
研究展望
研究成果为减压阀的数字孪生构建提供了可行的技术路径。该ROM模型可实现对阀门内部压力场、温度场等关键参数的实时重构与可视化监测，解决传统传感器无法安装于节流部件内部而导致的"黑箱"问题。
然而，需要指出的是，本研究建立的降阶模型存在明确的适用边界。首先，模型的有效范围严格限于训练数据所覆盖的参数空间，不具备向未采样几何结构或不同边界条件外推的能力。其次，当前模型基于稳态快照构建，仅适用于稳态工况预测，无法捕捉阀门快速动作过程中的瞬态流动演化。
后续研究将从以下两方面深化与拓展当前工作：
一是瞬态流动建模。结合时间序列分析方法（如动态模态分解DMD或长短期记忆网络LSTM），构建能够预测非定常流动演化的动态降阶模型。
二是物理信息方法的优化。重新审视物理信息机器学习的实施策略，探索在模态提取阶段而非回归阶段引入物理约束，或采用多保真度框架结合低分辨率CFD与物理信息神经网络，以改善模型在样本稀疏区域的外推能力与物理一致性。
