Automazione di codici CFD open-source per la progettazione ottimizzata di impianti DeNoX su piattaforme HPC: uno studio di fattibilità

Introduzione

La riduzione selettiva catalitica è un processo chimico per l’abbattimento delle emissioni di ossidi di azoto (NOx) nei gas di scarico a valle di processi industriali di combustione, presenti ad esempio negli impianti delle centrali termo-elettriche. In estrema sintesi, un agente chimico riducente allo stato liquido o gassoso (in genere ammoniaca o urea) viene aggiunto ai gas di scarico dell’impianto che, in presenza di un catalizzatore in grado di rendere più efficienti le reazioni chimiche in atto, riduce la presenza di NOx all’interno del gas di scarico, trasformandoli in vapore acqueo e N2 allo stato gassoso. La presenza di un catalizzatore correttamente funzionante permette di far avvenire le reazioni chimiche anche a basse temperature ed è, pertanto, estremamente importante garantirne il corretto funzionamento durante tutto il periodo di attività dell’impianto. In questo contesto, la fluidodinamica gioca un ruolo centrale. Infatti, le distribuzioni di velocità all’interno dei condotti dell’impianto governano la concentrazione delle specie chimiche all’ingresso del catalizzatore, un fattore chiave per determinare l’efficienza di denitrificazione dei fumi. In pratica, il rischio è quello di consumare inutilmente il reagente (danno economico) andando a peggiorare anche le emissioni ed immettendo ammoniaca nell’aria (danno ambientale). In figura 1, è riportato lo schema geometrico 3D del sistema considerato.

Per questi motivi, l’obiettivo principale del progetto riguarda lo sviluppo di un flusso di lavoro automatico per ottimizzare il funzionamento del sistema di trattamento fumi che utilizzi solo strumenti open-source, al fine di garantire totale libertà di sfruttamento di piattaforme di calcolo ad alte prestazioni (HPC). Il flusso di lavoro in questione deve essere in grado di evolvere autonomamente partendo da una configurazione di base e valutando, a ogni iterazione, un indicatore sintetico di distribuzione del flusso sulla superficie di ingresso del catalizzatore, che costituisce la funzione obiettivo del processo di ottimizzazione. Gli strumenti computazionali selezionati sono: OpenFOAM ([1], usato come solutore CFD RANS) e DAKOTA ([2] usato come applicativo di ottimizzazione).

HPC e open-source per lo studio dei flussi in un impianto SCR

Come prima applicazione, abbiamo selezionato un problema di riferimento studiato in precedenza da altri autori ([3]) utilizzando metodi CFD RANS per classificare e migliorare le prestazioni fluidodinamiche di una centrale elettrica a carbone da 300 MW.
Partendo dalla definizione geometrica degli elementi costitutivi del modello dell’impianto, abbiamo generato una rappresentazione CAD 3D del modello, utilizzando poi uno strumento di discretizzazione nativo di OpenFOAM (snappyHexMesh) per generare una griglia di calcolo a cui applicare le condizioni al contorno e iniziali del problema. In particolare, in questa prima fase ci siamo concentrati nel trovare una corretta modellazione del problema fluidodinamico, ignorando ogni aspetto termo-chimico e tempo-variante coinvolto, in analogia con quanto fatto nel lavoro di riferimento ([3]). Il solutore selezionato è, pertanto, un solutore RANS monofase incomprimibile che utilizza un modello di turbolenza a 2 equazioni (simpleFOAM). Le condizioni al contorno utilizzate sono di portata fissata all’ingresso e pressione libera all’uscita. Il catalizzatore è invece stato modellato come un mezzo poroso di cui è nota la caduta di pressione localizzata. In figura 2, è possibile apprezzare le caratteristiche fluidodinamiche di base del modello studiato nella sua configurazione di partenza.

Dal nostro punto di vista, da questa prima modellazione, è importante verificare che i pattern fluidodinamici siano consistenti con gli aspetti noti della fisica che si vuole modellare e che siano stabili anche al variare della taglia della griglia di calcolo.
Una volta stabilito che il setup del solver CFD è corretto, grazie al confronto con le analisi svolte in [3], abbiamo intrapreso le attività di automazione di tutto il flusso di lavoro (come mostrato in figura 3).

Di fatto, abbiamo reso automatiche e parametriche tutte le azioni che solitamente vengono svolte per generare il modello CFD del problema considerato. In particolare, abbiamo reso parametrico l’angolo dei deviatori di flusso che si trovano a monte del mezzo poroso (catalizzatore) che sono, pertanto, liberi di ruotare attorno al proprio asse. Il parametro che guida il valore della rotazione di ciascun elemento è un indicatore sintetico, già indicato in [3], che misura, per ogni elemento della superficie di ingresso del mezzo poroso, quanto varia la velocità del flusso rispetto al valor medio valutato su tutta la medesima superficie. Questo indicatore viene nominato RSD ed è il parametro responsabile del percorso di ottimizzazione. Infatti, una volta parametrizzati e automatizzati tutti i passaggi, abbiamo chiuso in un loop di ottimizzazione questo processo indicando all’ottimizzatore che desideravamo ottenere il più piccolo valore possibile di RSD all’interno dei range di variabilità stabiliti per gli angoli dei deviatori di flusso. Infatti, per come è definito, un valore basso di RSD corrisponde ad un flusso omogeneo sulla superficie del catalizzatore che, come discusso precedentemente, è certamente desiderabile per un corretto funzionamento dell’impianto.




In figura 4, è possibile pertanto apprezzare l’evoluzione del valore di RSD durante il processo di ottimizzazione. A valle del processo d’ottimizzazione, il valore complessivo di questo indicatore è diminuito del 7%.



Figura 5 - Design a confronto: visualizzazione della distribuzione della velocità in corrispondenza della superficie di ingresso del catalizzatore.

In figura 5, è possibile apprezzare una visualizzazione dei risultati CFD ottenuti tramite il flusso di lavoro proposto, confrontando il design di partenza (a sinistra) con il design ottimizzato (a destra). Si nota come la velocità del fluido sia distribuita in maniera più omogenea nel design nuovo rispetto a quello di partenza in corrispondenza della superficie di ingresso del catalizzatore. Questo è certamente l’effetto desiderato.

Conclusioni

Grazie al continuo e rapido sviluppo delle infrastrutture di calcolo ad alte prestazioni, oggi è possibile migliorare la progettazione in ambito industriale utilizzando applicativi di fluidodinamica basati sui metodi CFD RANS 3D, valutando in anticipo ed in tempi ristretti le prestazioni degli impianti sotto differenti configurazioni geometriche di parti e componenti preposti alla corretta distribuzione dei flussi interni. Inoltre, l’utilizzo di software open-source, in questo caso OpenFOAM e Dakota ([1], [2]), unito con un’opportuna automazione, permette di personalizzare il flusso di lavoro per conciliare vincoli di accuratezza, di tempo e le limitazioni economiche.
È comunque importante sottolineare come l’impianto studiato in questo lavoro sia una semplificazione rispetto alla complessità geometrica e chimico-fisica presente negli impianti industriali reali, tuttavia le metodologie mostrate qui sono probanti e pronte anche ad essere applicate a problemi di più ampia complessità.

Riferimenti

OpenFOAM - The Open Source Computational Fluid Dynamics (CFD) Toolbox, http://www.openfoam.com
Dakota - Algorithms for design exploration and simulation credibility, https://dakota.sandia.gov/
XU et al. Application of CFD in the optimal design of a SCR–DeNOx system for a 300 MW coal-fired power plant, Computers and Chemical Engineering 49 (2013) 50– 60.

Ringraziamenti

Questo lavoro è stato sviluppato all’interno di un più ampio progetto di ricerca che ha ottenuto il supporto di CINECA attraverso un bando di tipo “ISCRA classe C”.

Gli autori

Raffaele Ponzini
SCAI - SuperComputing Applications and Innovation – CINECA (IT),
Davide Feo, Franco Auteri, Politecnico di Milano (IT)
Email: r.ponzini@cineca.it
 

« Indice del n. 78