Identification des configurations d'un écoulement diphasique dans un faisceau de tubes à l'aide d'une machine à vecteurs de support

Les écoulements diphasiques sont présents dans de nombreux équipements industriels comme les échangeurs de chaleur. On s'intéresse ici en particulier aux générateurs de vapeur, où il existe un écoulement transverse au niveau de la partie supérieure des faisceaux de tubes en U. Il est important de connaître les configurations que l'écoulement peut prendre à cet endroit, car dans certaines conditions, l'interaction fluide-structure peut engendrer des vibrations des tubes et de leurs supports, et donc une usure par frottement, qui peut aller jusqu'à causer des défaillances. Alors que les configurations d'écoulement sont bien connues pour les écoulements diphasiques à l'intérieur de tubes, en comparaison, peu d'études ont porté sur l'identification des configurations en faisceaux de tubes. Parmi les études réalisées, un certain nombre s'appuie seulement ou majoritairement sur des observations visuelles, qui sont source de subjectivité dans l'identification de ces configurations. Par ailleurs, le développement récent des connaissances dans le domaine du machine learning (apprentissage automatique) a ouvert de vastes possibilités pour des applications comme la classification de données et l'identification de configurations. Des « machines » d'apprentissage supervisé comme les réseaux de neurones ou les machines à vecteurs de support (SVM) ont été utilisées avec succès pour assister l'identification des configurations d'écoulement dans des tubes, permettant ainsi d'obtenir des cartes d'écoulement basées sur des classifications plus objectives. Cependant, cette approche ne semble pas encore avoir été mise à profit pour les faisceaux de tubes. L'objectif de cette étude est donc de développer une méthode d'identification des configurations d'écoulement diphasique dans les faisceaux de tubes, basée sur l'analyse de signaux obtenus par sonde optique, et l'utilisation d'une machine à vecteurs de support pour en obtenir une classification plus objective. La section d'essai utilisée est une conduite transparente à section carrée dont les parois sont constituées de demi-tubes de façon à représenter le chemin d'écoulement d'un faisceau de tubes en configuration triangulaire tournée. Les demi-tubes ont un diamètre de 38 mm et le rapport entre le pas du faisceau et ce diamètre est de 1.5. 110 points de mesure ont été réalisés pour des titres volumiques variant entre 12% et 97%, et des vitesses superficielles de liquide comprises entre 0.1 m/s et 0.75 m/s.

Abstract

Two-phase flows are commonly found in a variety of industrial equipment such as heat exchangers. In steam generators, two-phase cross-flow occurs in the upper section of the U-bend tube bundles. Depending on flow velocity and on the flow pattern, fluid-structure interaction can lead to tube vibrations impacting with the support plates, thus creating fretting wear and even tube failures. Two-phase flow inside tubes are well understood, whereas few studies have been conducted to identify flow patterns inside tube arrays. Some studies rely only or mainly on visual observations and are therefore quite subjective. Recent insights in the machine learning field provide new opportunities for data classification and pattern identification. Supervised learning machines such as neural networks or support vector machines (SVM) have been successfully used to help in identifying flow patterns inside tubes, leading to more objective flow pattern maps. However, supervised learning has not yet been used in tube bundles. Hence, this study aims at developing a two-phase flow-pattern identification method for tube bundles, based on optical probe signal analysis and the use of a support vector machine to obtain a more objective classification. Experiments have been conducted in a transparent square section with half-tubes at the inner walls to simulate the open lane within a rotated triangular array. Half-tube diameter is 38 mm and the pitch-to-diameter ratio is 1.5. 110 conditions have been measured for volumetric qualities varying from 12% to 97% and superficial liquid velocities from 0.1 m/s to 0.75 m/s. For each condition, photographs were taken by a high speed camera and the optical probe signals (ie phase changes) were acquired. Analysis of the images and videos of the flow allowed first to visually identify configurations when the flow pattern was clear. Bubbly, intermittent and semi-annular patterns have thus been defined. Analysis of the probe signals then confirmed the transition locations and the need for a more objective method to classify patterns. To obtain quantitative data related to flow patterns, and allow their differentiation, the probability density functions (PDF) of the void fraction and statistical moments of the signals were calculated. In the final analysis, statistical moments were selected.