特斯拉涡轮机在先进绝热压缩空气储能系统中的综合性能分析与预测

《Energy》：Integrated Performance Analysis and Prediction for a Tesla Turbine in Advanced Adiabatic Compressed Air Energy Storage Systems

本研究针对特斯拉涡轮机在高参数域的建模难题，构建实验平台获取基准数据，开发三维CFD模型并引入实验校正因子，结合三层前馈神经网络建立亚毫秒级高效预测模型，揭示热力耦合机制，为AA-CAES系统提供可靠工具。

　　

林平涛|李柳帅|赵阳|刘同庆|崔菲菲|窦安|许欢

西安交通大学自动化科学与工程学院，陕西，710049，中国

摘要

特斯拉涡轮机为小型压缩空气储能（CAES）提供了一种有前景且更经济的替代方案。然而，由于其结构与传统涡轮机存在显著差异，因此在热力学性能方面的综合性能表征不足，这成为在不同热系统中对该涡轮机进行建模和仿真的障碍。本研究首先建立了一个实验装置来表征特斯拉涡轮机的性能，在多种条件下获取运行数据作为验证基准。为了克服实验限制并将研究范围扩展到更宽的运行范围，随后开发并验证了一个三维CFD模型，其功率预测误差小于4.3%。在此基础上，从实验数据中推导出一个新的校正因子来校准仿真。然后使用这个经过校准的高保真数据集训练了一个三层前馈神经网络。所得到的替代模型能够以高精度（R2=0.84，MAPE=4.58%）在毫秒级时间内预测等熵效率，与多小时的ANSYS CFX基线相比，速度提高了超过10?倍。该模型成功捕捉到了关键的热机械耦合机制，揭示了在高参数范围内实现高效运行的热激活机制。通过弥合高保真物理表征和计算效率之间的差距，这项工作提供了一个经过验证的、具有动态响应能力的预测工具，为未来AA-CAES应用中特斯拉涡轮机的系统级优化和智能控制奠定了坚实的基础。

引言

全球向可再生能源的转型需要开发出稳健且可扩展的储能解决方案，其中压缩空气储能（CAES）已成为一项关键技术[1]。随着分布式发电[2]的日益普及，微型CAES系统（<10千瓦）由于其模块化和地理灵活性[3]而受到关注。然而，这些微型系统的关键瓶颈在于将储存的高压空气高效转化为机械功。传统的膨胀机在这一规模上往往效率低下且成本过高，因此人们正在寻找高性能、经济且结构简单的替代方案，用于小型（10-103瓦）发电。这一需求也扩展到相关的热力学应用中，包括有机朗肯循环（ORC）、热电联产（CHP）和热泵[4]。在这种情况下，特斯拉涡轮机被确定为研究的首选候选者，选择它基于三个针对AA-CAES应用的关键工程标准：（1）卓越的经济可行性，其简单的无叶片盘结构显著降低了制造复杂性和成本；（2）对两相流和液滴侵蚀的固有鲁棒性，确保在可能发生冷凝的可变膨胀条件下运行可靠性；（3）最小的维护要求，使其非常适合分布式、分散式的能源系统。特斯拉涡轮机最初由尼古拉·特斯拉[5]提出，其独特的边界层驱动机制、简单的构造以及对复杂多相工作流体的耐受性使其成为一个有吸引力的选择。

目前关于特斯拉涡轮机的研究主要集中在数值模拟和实验研究上，旨在阐明其复杂的运行原理。自20世纪60年代以来，研究已经确定了涡轮机性能、内部能量损失和关键几何参数之间的强烈耦合[6]、[7]、[8]。在早期的研究中，Rice通过开创性的实验和分析工作证明了该涡轮机的可行性[6]，而后续的研究人员如Lemma等人[7]以及Hoya和Guhaa[8]进一步识别了关键的损失源，包括寄生轴承损失和低效的喷嘴。在理论方面，Sengupta和Guhaa基于简化的纳维-斯托克斯方程开发了一个数学理论，用于预测宽运行范围内的扭矩、功率和效率[9]，并深入阐述了内部三维流场，包括复杂的科里奥利驱动的流动反转现象[10]。同样，Carey提出了一个用于转子内动量传递的模型，并理论上探讨了其在小型热电联产（CHP）朗肯循环系统中的性能[11]。这些模型为理解涡轮机的力学提供了基础，它们的预测在特定条件下与早期实验数据吻合良好[7]、[9]、[11]。然而，这些模型通常基于理想化的假设（如不可压缩流体和平滑的盘面），在面对更广泛的物理实验时预测精度不足，无法完全满足实际工程应用的需求[12]。此外，这些模型的开发和验证通常针对特定的运行条件（例如ORC或地热蒸汽），导致应用范围相对狭窄，无法覆盖先进绝热压缩空气储能（AA-CAES）系统所需的广泛和动态的运行参数范围。

为了弥合理论与实践之间的差距，后续研究集中在优化关键设计参数和深化对基本物理现象的理解上。例如，Guhaa等人改进了喷嘴设计，将总压力损失从13-14%降低到低于1%[13]。同时，赵阳等人系统地研究了运行参数和结构参数对输出性能的综合影响[14]。在模拟微通道表面粗糙度的影响方面也取得了进展：Krzysztof Rusin等人引入了一个等效的沙粒模型来量化粗糙度效应，发现它可以显著提高等熵效率和功率输出[15]，而Mohammadsadegh引入了一个多孔层模型来直接模拟实际表面粗糙度的流体动力学效应[16]。这种对表面形态的关注与热工程领域的更广泛进展相一致，其中几何修改（如不同的凹坑配置[17]、波纹排列[18]和组合湍流器[19]）已被广泛证明可以通过操纵边界层和诱导涡流生成来增强传输现象。然而，尽管这些详细的物理研究提供了对性能提升的深刻见解，但它们主要关注设计点的优化或特定局部效应的分析。因此，它们很少在广泛的运行条件下进行系统预测，也无法提供预测精度的全面评估，这限制了它们在需要动态性能预测的系统级应用中的直接实用性。

特斯拉涡轮机的多功能性已在各种热力学和能量转换系统中得到验证。在有机朗肯循环（ORC）应用中，结合数值模拟和实验验证的广泛研究证实了其高度适应性及其潜力，研究表明，对于各种工作流体（包括两相流[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]），总静态效率可超过60%。其潜力还扩展到热管理领域，其中可逆设计已被用于汽车废热回收，在压缩模式下的最大等熵效率达到了32.4%[32]，并且其与超临界热泵系统的集成已通过基于神经网络的能量经济分析进行了评估[34]、[35]、[36]。此外，研究还在探索新的应用，基于对其气动性能的基础实验分析[37]开发了无叶片电磁采集器[38]、[39]，并评估了其在紧凑型医疗假肢中的应用[40]、[41]。

尽管现有研究展示了特斯拉涡轮机的巨大潜力，但在AA-CAES系统的具体建模要求方面仍存在明显差距。现有的预测研究主要依赖于高保真CFD，虽然提供了详细的物理洞察，但计算成本高昂，使其不适用于动态的系统级优化。相反，简化的理论模型虽然在计算速度和提供分析洞察方面具有优势，但往往缺乏满足此类复杂运行条件所需的精度。这一限制突显了需要一个新的预测框架的紧迫性：一个既能保留CFD的物理保真度（通过实验校准），又能以实时控制所需的速度运行的框架。为了解决这一特定的工程需求，本研究引入了一种综合方法。

为了解决微型膨胀机高制造成本和侵蚀脆弱性的硬件挑战，特斯拉涡轮机被确定为研究的首选候选者；其独特的无叶片盘结构直接解决了传统带叶片膨胀机所固有的经济约束和运行可靠性问题。在此基础上，本研究介绍了一种新的综合方法，结合了实验研究、高保真数值模拟和机器学习，为AA-CAES系统中的特斯拉涡轮机建立了快速可靠的性能预测框架。为了克服准确性-速度权衡的建模挑战，该设计利用了神经网络替代模型的亚毫秒级响应速度，同时通过实验平台保持了高保真的物理洞察，以表征性能范围并识别关键效率瓶颈。为了将研究范围扩展到更宽的运行范围，开发了一个三维CFD模型，并进行了严格的验证，其功率预测误差小于4.3%，作为高保真的物理基准；至关重要的是，为了弥合理想化数值理论与物理现实之间的差距，推导出一个新的校正因子来校准该仿真，以确保最终预测框架考虑了实际的空气动力损失和制造公差。最后，使用这个校准的数据集开发了一个三层前馈神经网络，该网络不仅揭示了关键的热机械耦合机制——特别是揭示了高压条件下高效运行的热先决条件——还实现了瞬时的亚毫秒级预测响应，克服了现有方法的计算障碍，为未来分布式能源存储应用中特斯拉涡轮机的系统级动态优化和智能控制奠定了坚实的基础。

方法论

为了全面评估特斯拉涡轮机在绝热压缩空气储能（AA-CAES）系统中的性能潜力，本研究采用了一种多维研究方法，结合了实验研究、数值模拟和基于人工智能的预测。该方法论框架如图1所示，设计为一个级联过程，其中每个阶段都逻辑上依赖于前一个阶段。研究从

结果与讨论

本章展示了多阶段研究的核心发现，系统地分析了特斯拉涡轮机的性能特性。叙述结构遵循从基础实验发现到最终预测模型的开发和应用的逻辑进展。章节首先介绍了实验结果，这些结果建立了关键的性能基准并识别了一个关键的物理瓶颈。然后详细介绍了

结论

本研究对特斯拉涡轮机在绝热压缩空气储能（AA-CAES）系统中的性能潜力进行了系统研究，采用了一种多维方法，结合了实验研究、数值模拟和神经网络建模。研究不仅识别了这种技术组合在当前条件下的性能瓶颈，还验证了提高其性能的可行途径

作者贡献声明

林平涛：撰写——原始草稿，验证，软件，方法论，研究，形式分析，概念化。赵阳：资源，研究，数据管理。李柳帅：撰写——原始草稿，验证，软件，方法论，研究，形式分析，数据管理，概念化。崔菲菲：监督，资源，研究。刘同庆：监督，研究，数据管理。许欢：撰写——审阅与编辑，验证，监督，资源，

利益冲突声明

? 作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文所述的工作。

致谢

本工作得到了中国国家重点研发计划（编号：2024YFB4206500）和国家自然科学基金（编号：62573344）的支持。